איור של שלושה זרמים — רצועת סרט, צורת גל של שמע וערימה של בלוקי נתונים אפורים — המתכנסים לתעלה מנוקדת צרה אחת, כשמעליה מרחף עותק חיוור יותר עם קו מתאר מנוקד של אותה תעלה.
Engineering & Research

WeMM-Video-35B-A3B: המשקלים שוחררו, הציונים הם של Tencent עצמה

מחבר

Gideon Frost

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

במשך שלושה ימים הכיל המאגר ב-Hugging Face tencent/WeMM-Video-35BA3B קובץ אחד: קובץ .gitattributes בגודל 1.5 KB. הדו"ח הטכני המתאר את WeMM-Video-35B-A3B עלה ל-arXiv ב-19 בנובמבר, וכינה את ה-checkpoint מצב אמנות חדש בקוד פתוח להבנה אודיו-ויזואלית משותפת, לפני Qwen3.5-Omni-Flash ו-Seed2.0-Mini-0428 ומתקרב ל-Gemini-3.0-Flash. קורא שהאמין לדו"ח ולחץ כדי להגיע למשקולות לא מצא דבר להורדה. 67.39 GiB של טנסורי BF16 נחתו רק ב-03:57 UTC ב-20 בנובמבר — הבוקר. ספינת הדגל הוכרזה יום לפני שהתקיימה, וכל מספר שמוצמד אליה עד כה מגיע מהצוות שאימן אותה.

התזמון הזה אינו שערורייה, הוא פרסום מחקר רגיל עם השלבים שלא לפי הסדר. אבל זה כן אומר שהשאלה השימושית לגבי WeMM-Video-35B-A3B אינה "האם זה טוב" — הדוח עונה על כך לטובת הצוות עצמו, על פני שבעה טבלאות — אלא "מה אתה יכול לאמת בעצמך היום, ומה אתה לוקח על אמונה." המאגר עונה על החצי הראשון טוב יותר מרוב הפרסומים.

המשקולות הגיעו הבוקר, לא ב-17.

חותמות הזמן של Hugging Face הופכות את הרצף לקריא באופן יוצא דופן. תשעה־עשר מאגרי WeMM-Video באוסף של T​encent נוצרו בתוך חלון של שש דקות ב־17 בנובמבר, בין 08:53:50 ל־08:59:06 UTC — חתימה של סקריפט העלאה ולא של אדם שלוחץ לפרסם. עבור מאגר 35B-A3B, הקומיט שכותרתו initial commit בשעה 08:53:50 מכיל בדיוק קובץ אחד, והוא אינו משקל. הקומיט שכותרתו Upload WeMM-Video-35BA3B BF16 release, הנושא שבעה־עשר חלקי safetensors, מתוארך ל־2026-11-20T03:57:36Z.

הגדלים הקטנים יותר הושלמו באותו בוקר: 2B בשעה 01:41, 4B בשעה 04:08, 9B בשעה 05:08. מאגר ה-GitHub Tencent/WeMM-Video נוצר ב-17 בנובמבר בשעה 02:29 UTC וה-README שלו עדיין נערך בשעה 05:09 ב-20 בנובמבר. דוח arXiv, 2611.26409, הוגש ב-19 בנובמבר בשעה 16:58 UTC.

שום דבר מזה אינו חריג למעבדה שמשחררת משפחת מודלים. מה שזה משנה הוא העמדה של כל מי שקורא על המודל השבוע: הדוח מתאר צ׳ק־פוינט שהיה, במשך כשלושים ושש שעות, הבטחה. אם קראתם סיקור ב־19 בנובמבר וניסיתם להריץ אותו, הכשל לא היה בשרשרת הכלים שלכם.

A screenshot of the GitHub repository Tencent/WeMM-Video showing the README revision timestamped about an hour earlier, eight commits, a main branch, and a description calling it a family of omni-modal foundation models by WeChat Vision at Tencent.

מה נמצא בתוך צ'קפוינט של 36.18B

המטא-נתונים של Hugging Face עצמה מציבים את הצ'קפוינט על 36,177,564,536 פרמטרים — 36.18B לעומת התווית "35B-A3B". התווית אינה שגויה; היא פשוט סופרת משהו שונה מגודל הקובץ, והפער בין השניים הוא הדבר החשוב ביותר מבחינה מעשית במודל הזה.

• מגדל השפה — 40 שכבות ברוחב מוסתר 2,048, 16 ראשי שאילתה מול 2 ראשי מפתח-ערך, ממד ראש 256, אוצר מילים 248,320. הקשב הוא היברידי: כל שכבה רביעית היא קשב מלא ושלוש האחרות הן קשב ליניארי, ולכן כל פקודת שירות במאגר נושאת דגל מטמון SSM מסוג float32.

• מומחים — 256 מומחים מנותבים לכל שכבה ברוחב ביניים 512, ניתוב top-8, בתוספת מומחה משותף ברוחב 512. לאורך 40 שכבות מדובר ב־10,240 מומחים מנותבים.

• מגדל חזותי — 27 בלוקים ברוחב נסתר 1,152, גודל טלאי 16, מיזוג מרחבי 2, טלאי זמני 2, המקרין אל 2,048.

• אודיו — בצורת Whisper, 32 שכבות מקודד ו-32 שכבות מפענח ברוחב 1,280, המזינות Q-Former ברמת חלון שמכווץ כל חלון של 0.1 שניות לאסימון יחיד. זה מסתכם ב-10 אסימוני אודיו בשנייה, מקלט של 16 kHz המחולק למקטעים של 30 שניות.

• מקור — הדוח אומר שה-MoE בנוי על Qwen3.6-35B-A3B ושמקודדי האודיו מאותחלים מ-Qwen2.5-Omni. פריימים של וידאו נושאים חותמות זמן טקסטואליות, ואסימוני חזות ואודיו שזורים לפי סדר כרונולוגי ולא מאוגדים לזרמים נפרדים.

• אימון — כ-1.2 טריליון אסימונים מולטימודליים באמצעות אימון מקדים פרוגרסיבי, ולאחר מכן זיקוק on-policy מרובה-מורים, שלב העדפה נגד חזרות שהמחברים מכנים MrDPO, ולמידת חיזוק ייעודית.

• רישיון — Apache 2.0 בכל האוסף, עם חריגה לרכיבי צד שלישי ש"נותרים כפופים לתנאיהם המקוריים בהתאמה". החריגה מוצהרת, ולא מפורטת.

ארבעה וריאנטים מכומתים מתפרסמים לצד צ'קפוינט BF16, וכדאי לקרוא את קובצי המניפסט שלהם בגלל עד כמה הם מתויגים בגילוי לב. AWQ W4A16 מסתכם ב-22.69 GiB והמניפסט שלו אומר quantized_unvalidated. NVFP4 W4A16 הוא קובץ safetensors יחיד בגודל 24.11 GiB שהמניפסט שלו טוען רק cpu_NVFP4_weight_artifact_independently_reread — המשקלים נקראו מחדש על CPU, וזהו סכום ביקורת, לא הערכה. חבילת GGUF Q4_K_M היא שלושה קבצים (22.61 GiB שפה, 0.84 GiB מקרן חזותי, 1.99 GiB אודיו) והמניפסט שלה אומר exported_unvalidated, כאשר קובץ ההיקף לפי טנזור אומר quantized_candidate_not_validated.

הגרסה החמישית חסרה. גם כרטיס המודל וגם טבלת ה-model-zoo ב-GitHub מקשרים למאגר FP8 Block128; ה-Hub מחזיר עבורו 401, אותה תשובה שהוא מחזיר עבור שם מאגר שמעולם לא היה קיים, בעוד שכל מאגר אח פעיל מחזיר 200. באוסף של Hugging Face יש חור במיקום 1, בדיוק במקום שבו היה אמור לשבת המאגר הזה. זו מהדורה שעדיין נבנית בזמן שאתם קוראים אותה.

מספר מדוד אחד, והוא אודיו

כרטיס המודל מדווח על הערכה אחת בדיוק שהספק הריץ בעצמו: MMAR1000 ב-72.7%, 727 מתוך 1,000. התנאים מפורטים במלואם, וזה החלק הטוב — אודיו בלבד, אודיו מלא מפוענח ב-16 kHz, מצב Instruct, פענוח חמדני, לכל היותר 256 טוקני פלט, vLLM 0.18 מתוקן על שני כרטיסי H20 עם מקביליות טנזורית.

כל השאר בכרטיס הזה הוא הצהרה שמשהו נטען. vLLM המתוקן טען את הצ'קפוינט על H20 והשלים בדיקות יצירה לטקסט, לתמונה, לאודיו ולווידאו עם פס קול; הצ'קפוינט המקומי עבר טעינה ישירה של Transformers ובדיקת יצירת טקסט על CPU. זה הרף המינימלי הנדרש להחלטת פריסה, ו-T​encent לא מעמידה פנים אחרת.

יש חוט רפוי אחד ששווה למשוך בו. מדריך ההגשה באותו מאגר GitHub נושא טבלת אימות ששורתה האחרונה אומרת: "יצירת GPU לאחר הורדת checkpoint מה-Hub בהמתנה". כרטיס המודל אומר שהרצת H20, שנטענת מה-Hub, השלימה יצירה בכל ארבעת המודאליות. שני מסמכים שנכתבו על ידי אותו צוות חלוקים בדעתם לגבי מידת ההוכחה שהושגה. הטענה שבכרטיס היא הספציפית יותר וכנראה גם העדכנית יותר; אי-ההסכמה היא סיבה סבירה לתקצב יום של בדיקות עשן משלך במקום שבוע של אינטגרציה.

טבלת האודיו של הדוח מציינת גם 73.6 ב-MMAR עבור נקודת הבדיקה הזו, שזה כלי הרצה שונה מהרצת MMAR1000 של הכרטיס, ואין להחסיר אותו מ-72.7 כדי להפיק מספר "אמיתי". הקריאה הישרה היחידה היא שנתון האודיו של Tencent עצמה נופל בשנות השבעים הנמוכות, ואף צד שני לא מדד אותו.

28 מתוך 30 מול ה-omni flash של Qwen

הטבלה 1 בדוח היא המקרה של דגם הדגל, והוא מקרה גדול. מבין 30 מדדי ההערכה בעלי ערך יחיד בטבלה זו — משימות אודיו-חזותיות משותפות, הזיות אודיו-חזותיות, הבנת מוזיקה, אינטראקציה ותיאור תמונות — WeMM-Video-35B-A3B במצב Thinking מקדים את Qwen3.5-Omni-Flash ב-28 ומפגר ב-2. מול Seed2.0-Mini-0428 הוא מקדים ב-26 ומפגר ב-4. מול Gemini-3.0-Flash הוא מקדים ב-9 ומפגר ב-21.

הניצחונות החשובים ביותר הם לא אלה המסודרים:

• Video-MME עם שמע — 86.4 עבור WeMM-Video-35B-A3B, 79.3 עבור Qwen3.5-Omni-Flash, 83.6 עבור Seed2.0-Mini-0428, 88.6 עבור Gemini-3.0-Flash.

• Video-MME v2 עם אודיו — 54.9 לעומת 36.6 ו-51.7, כאשר Gemini-3.0-Flash עומד על 63.2. יתרון של שמונה-עשרה נקודות על פני המתחרה הפתוח הקרוב ביותר בחלוקה הקשה יותר של אותו מבחן.

• AV-SpeakerBench — 72.6 לעומת 65.2 ו-68.5, עדיין מאחורי Gemini עם 75.9. להבחין מי דיבר, מתוך וידאו, היא המשימה שמפרידה בין מיזוג אודיו-חזותי אמיתי לבין מודל חזותי עם תמלול שהודבק לו.

• SciVideoBench ו-EvaOmni — 69.4 לעומת 51.3, ו-57.8 לעומת 30.4. שניהם עתירי חשיבה; שניהם נקודות שבהן מודל אומני חלש יותר נוטה לקרוס.

ההפסדים ספציפיים באותה מידה וראויים לציון, משום שטבלה שמציגה רק ניצחונות היא בדיוק הדבר שהבלוג הזה נועד להימנע ממנו:

• JointAVBench — 65.9, מאחורי Qwen3.5-Omni-Flash עם 69.0 ו-Gemini-3.0-Flash עם 68.4, ומקדים רק את Seed2.0-Mini-0428 עם 64.7.

• MUSIC-AVQA — 79.5 לעומת 82.1 של Qwen, אם כי גבוה מ-76.2 של Gemini. מוזיקה היא התחום שבו למערך האודיו של Qwen עדיין יש יתרון.

• מול Seed2.0-Mini-0428 — OmniCompass-AV 46.3 לעומת 47.9, OmniVChat 48.9 לעומת 49.8, O-IN-Bench 49.0 לעומת 49.4, מערך הבדיקות של video-SALMONN 2 28.3 לעומת 32.7. שלושה מבין הארבעה נמצאים בטווח של נקודה אחת.

• מול Gemini-3.0-Flash — הפער הוא הרחב ביותר בווידאו ארוך ומוכוון עתיד: MMOU 74.5 לעומת 84.7, FutureOmni 56.2 לעומת 65.3, OmniVideoBench 55.3 לעומת 63.3, LVOmniBench 52.6 לעומת 59.8. "מצמצם את הפער" הוא תיאור הוגן; "סוגר אותו" לא יהיה.

כל מספר שלעיל הוא של T​encent. הדוח אומר זאת בעצמו — "עבור מודלים קיימים, אנו מדווחים תוצאות רשמיות כאשר הן זמינות ואת ההערכות שלנו אחרת" — ועובר בין מצב Instruct למצב Thinking בהתאם לטבלה, כפי שהוא גם מציין. אף צד שלישי לא שחזר ולו חלק ממנו, ולא Artificial Analysis ולא LMArena מפרטים מודל WeMM.

A two-column scoreboard headed 'WeMM-Video-35B-A3B vs Qwen3.5-Omni-Flash — the scoreboard', with six shared rows: Video-MME with audio 86.4 against 79.3, Video-MME v2 with audio 54.9 against 36.6, AV-SpeakerBench 72.6 against 65.2, SciVideoBench 69.4 against 51.3, JointAVBench 65.9 against 69.0, and MUSIC-AVQA 79.5 against 82.1.

הוספת אוזניים בקושי פגעה בציוני הראייה

הטענה בהשקה הזו שראויה ליותר תשומת לב מאשר מדד הביצועים הכותרתי היא טענה שקטה יותר: שהצמדת מערך אודיו למודל שפה-חזות לא עלתה לו בהרבה ביכולת החזותית. אימון אומני-מודלי בדרך כלל אכן עולה במשהו — המודל מפזר את היכולת בין המודאליות ומוותר על קרקע בווידאו שקט.

הדוח בוחן זאת ישירות בכך שהוא מעמיד את WeMM-Video-35B-A3B מול ה-backbone של עצמו, Qwen3.6-35B-A3B, על 31 מבחני וידאו שקט. מודל הדגל מוביל ב-20 ומפגר ב-11, ורוב האחד-עשר נמצאים בפער של פחות מנקודה.

• היכן שהשיג שיפור — TimeLens-Charades 54.8 לעומת 47.4, F-16-NBA 89.9 לעומת 82.8, CrossVid 50.2 לעומת 45.2, OVO-Bench 63.9 לעומת 61.0, TemporalBench 45.9 לעומת 43.3.

• היכן הוא הפסיד — EgoSchema 74.2 מול 77.2, Video-MME 80.4 מול 82.5, MVBench 73.1 מול 74.6, MLVU 85.3 מול 86.2. השאר הם שברי נקודה.

קרא את הדפוס ולא את המספר: השיפורים מתקבצים ב-temporal grounding ובאסוציאציה של וידאו ארוך, והירידות בווידאו אגוצנטרי בגוף ראשון. זהו חילוף סביר עבור מודל שמכוונן על וידאו עם קול. לעומת Qwen3.5-Omni-Flash באותה טבלת וידאו שקט, הוא מוביל ב-30 מתוך 31, ומפסיד רק ב-VideoVista, 83.5 מול 84.1.

טבלת התמונה וטבלת הטקסט מציגות את אותה צורה. מול Qwen3.5-Omni-Flash, 26 מתוך 28 מבחני תמונה נזקפים לזכות WeMM, כאשר RefCOCO (89.5 לעומת 92.6) ו-TallyQA (80.7 לעומת 81.2) הם החריגים. מול ה-backbone של עצמו טבלת התמונה היא כמעט תיקו — 13 ביתרון, 14 בפיגור — וטבלת הטקסט היא המקום שבו המחיר ניכר: MMLU-Pro 84.7 לעומת 85.2, GPQA 83.8 לעומת 86.0, IMOAnswerBench 74.8 לעומת 78.9, SuperGPQA 63.4 לעומת 64.7. ויתור על כמה נקודות של הסקה קשה תמורת זוג אוזניים עובד הוא עסקה נורמלית ומוצדקת, אבל זו עסקה, וכל מי שמנתב טקסט ברמת תואר שני דרך ה-checkpoint הזה צריך לדעת שהיא קיימת.

36B של זיכרון, 3B של אריתמטיקה

הנה החשבון שמכריע אם המודל הזה ניתן לפריסה עבורך, והוא נובע מקונפיגורציה ולא מהטקסט. מתוך 36.18B פרמטרים, כ-32.2B נמצאים במומחים מנותבים: 40 שכבות כפול 256 מומחים כפול שלוש הקרנות ברוחב 2,048 על 512. ניתוב Top-8 נוגע ב-1/32 מזה לכל טוקן, כ-1.0B פרמטרים, והתווית "3B active" עקבית ברגע שסופרים את מנגנון הקשב, המומחה המשותף וטבלת ההטמעות.

אז עלות המחשוב קטנה, ואילו עלות הזיכרון לא:

• BF16 — 67.39 GiB על פני שבעה־עשר שרדים. האימות של Tencent עצמה השתמש בקביליות טנסורים על פני שני כרטיסי H20. אין מספר מפורסם לקביליות טנסורים בתצורות גדולות יותר; מדריך ההגשה אומר רק "תכננו זיכרון עבור משקלי המומחים המלאים והגדירו --tensor-parallel-size לפי הצורך."

• NVFP4 W4A16 — 24.11 GiB, שנכנס בכרטיס יחיד בנפח 48 GB עם מקום למטמון. המתכון הוא סביבת vLLM 0.31.0 נפרדת ומתוקנת עם דיוק מעורב של ModelOpt ו-Marlin, והוא פועל עם --max-num-seqs 1.

• AWQ W4A16 — 22.69 GiB על גבי vLLM 0.18.0 עם טלאי, תוך שימוש בתצורת ה-compressed-tensors של ה-checkpoint עצמו.

• GGUF Q4_K_M — חבילה בת שלושה קבצים בנפח 24.6 GiB, אך עבור סביבת ההרצה הנייטיבית של Tencent עצמה, לא llama.cpp או Ollama. המניפסט שלה מציג אותה כמיוצאת ולא מאומתת.

שום דבר כאן לא פועל על מנוע ללא טלאים. המאגר כולל תיקיית patch: שכבות-על של קוד מקור עם מניפסטים של SHA-256 עבור בדיוק ארבע גרסאות upstream — vLLM 0.18.0 ו-0.31.0, SGLang 0.5.16 ו-0.5.19 — כאשר כל אחת מוצמדת לשילוב ספציפי של PyTorch, Transformers ו-CUDA 12.9, כאשר נדרשים Python 3.12 ו-FFmpeg, TorchCodec זקוק ל-CUDA 12 NPP בנתיב המקשר, ו-SGLang מהדר קרנלי CUDA בשימוש הראשון. חיפוש במעקב הבעיות של vLLM לא מעלה שום בקשת upstream לארכיטקטורה הזו. זו עבודת self-host עם שכבת-על שמוחלת על מנוע ההסקה של מישהו אחר.

A screenshot of the Hugging Face model page for tencent/WeMM-Video-35BA3B showing an Image-Text-to-Text pipeline tag with Transformers and Safetensors, English and Chinese language tags, the wemm_qwen3_5_moe architecture tag, an apache-2.0 licence, and a 36B-parameter BF16 model size.

שני פרטי תצורה מגבילים את מה שאפשר למעשה להזין לו. תצורת הטקסט מצהירה על 262,144 פוזיציות, אך פקודת ה-vLLM של הכרטיס עצמו מעבירה --max-model-len 8192, וכל מתכון SGLang מגביל את ההקשר ל-8,192 גם כן — הנתון הארוך הוא מרווח ביטחון, לא הגדרה נתמכת. דגימת הפריימים היא אותו סיפור: ברירת המחדל של המעבד היא 2 fps ועד 128 פריימים, בעוד שהמתכון שפורסם מחליף ל-16 פריימים ולתקציב של 262,144 פיקסלים. ב-10 טוקני אודיו לשנייה, הקשר של 8,192 טוקנים הוא קצת יותר משלוש עשרה דקות של אודיו ותו לא.

OrcaRouter אינו מגיש את WeMM-Video-35B-A3B, והקטלוג אינו כולל שום צ'קפוינט WeMM כלל, כך שאין מחיר עבור שירות מתארח לצטט. מה שכן מוגש הוא המודל שעליו נבנה זה: Qwen3.6-35B-A3B נמצא בפלטפורמה ב-0.25 $ למיליון טוקני קלט ו-1.48 $ למיליון טוקני פלט בהקשר של 262,144 טוקנים, עם קלט טקסט, תמונה ווידאו. אם החצי שאתה צריך בעבודה הזו הוא "לצפות בקליפ ולחשוב עליו" ולא "לצפות בקליפ ולתמלל את החדר", זהו תחליף מתארח שזמין היום אחר הצהריים במקום הורדה של 67 GiB וטלאי ברמת קוד המקור. מחיר המחירון של הספק מועבר הלאה עם 0% תוספת, וכל מודל יושב מאחורי מפתח יחיד תואם OpenAI עם מעבר כשל אוטומטי, כך שניסיון של חוות דעת שנייה עולה רק שינוי תצורה ולא חוזה נוסף.

מה שאיש מחוץ ל-WeChat לא בדק

ארבעה דברים שקונה היה מקבל בדרך כלל מהשקה ולא יכול לקבל כאן.

• הערכה עצמאית. אין. תהליך ההערכה והשחזור פומבי, שזה הדבר הטוב הבא וזה לא אותו הדבר.

• תנאי הערכה.ספירות הפריימים, תקציבי הפיקסלים ואורכי ההקשר ששימשו להרצות הבנצ'מרק אינם מצוינים בדוח, והמתכון המסופק דוגם 16 פריימים בעוד שהמעבד מוגדר כברירת מחדל ל-128. דגימה של 16 פריימים מתוך קליפ ארוך היא קלט שונה מדגימה של 128 פריימים מאותו קליפ.

• טענת הפריסה. הדו"ח מציין שהמשפחה "נפרסת על פני כמה משירותי וידאו מרכזיים בתוך WeChat", תוך שהוא מציין מסחר בשידור חי, ניתוח דרמות קצרות ווידאו אינטראקטיבי. זוהי טענה רצינית אם היא נכונה — תעבורת ייצור היא ההערכה היחידה שאיש לא יכול להתווכח עליה — והיא בלתי ניתנת לאימות לחלוטין מבחוץ. אין נתוני השהיה, תפוקה, מקביליות או זיכרון שמפורסמים במקום כלשהו בהודעה.

• הארטיפקטים המקוונטים. שלושה מארבעת הווריאנטים שפורסמו מתארים את עצמם, במניפסטים שלהם, כבלתי מאומתים. AWQ, GGUF ו-NVFP4 מוצעים, אך לא מובטחים.

שום דבר מזה אינו סיבה לפסול את השחרור. זו סיבה לקרוא אותו כפי שהוא נראה לעין: שחרור מחקרי מתועד היטב, שמשקלי הדגם המוביל שלו בני שעות ספורות, שהמאמר שלו הגיע קודם, שמאגר ה-FP8 שלו טרם נוצר, ושהפער שלו בבנצ'מרק לעומת המתחרה הפתוח הטוב ביותר בתחום האומני גדול מספיק כדי שיהיה שווה לשחזר אותו ולא לפקפק בו.

מה שיכריע את העניין הוא אותה רשימה מוכרת. מיזוג upstream של vLLM יסיים את הטלאות. שחזור עצמאי ראשון ב-Video-MME v2 עם אודיו יאשר או יפוצץ את פער שמונה־עשרה הנקודות. מחיר של שירות מתארח, או מאגר ה-FP8 החסר, יגיד לך אם Tencent מתכוונת שישתמשו בזה או רק יצטטו אותו. עד שאחד מאלה יתממש, הסיכום הכנה הוא ש-WeMM-Video-35B-A3B הוא הצ׳קפוינט הפתוח האומני־מודלי המעניין ביותר של החודש, שציוני הראייה שלו נראים מחזיקים מעמד גם עם הוספת השמיעה, ושכל המספרים שלו מגיעים כרגע מהאנשים שאימנו אותו.

השוואות במאמר הזה1

זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית