
WeMM-Video-2B: Model Omni-Modal 2B yang Tidak Diumumkan oleh Siapa Pun
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 185 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 826 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 407 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Tidak ada postingan peluncuran. Tidak ada kartu model di halaman produk, tidak ada daftar tunggu, tidak ada tabel harga, tidak ada tweet benchmark dari eksekutif Tencent. Yang ada adalah repositori Hugging Face yang dibuat pada 08:58 UTC, 17 November 2026, dan repo GitHub yang komit pertamanya masuk enam setengah jam lebih awal; keduanya mendeskripsikan WeMM-Video-2B sebagai checkpoint dense 2B dalam keluarga model video omnimodal Tionghoa–Inggris dari WeChat Vision di Tencent. Enam hari kemudian, repo itu memiliki dua like, nol unduhan, dan empat varian terkuantisasi yang dibuat dalam waktu sebelas menit sejak bobot dasar. Jadi, kalimat pertama yang jujur dalam tulisan apa pun tentang model ini adalah kalimat tentang pengemasannya: model ini publik, dapat diunduh, dan belum ada seorang pun yang mengatakan sepatah kata pun tentangnya.
Kesenjangan itu layak ditanggapi dengan serius, bukan diperlakukan sebagai hari berita sepi. Keluarga model yang merilis bobot, makalah, empat format kuantisasi, resep vLLM dan SGLang yang ditambal, runtime C++ native, dan file Docker Compose dalam minggu yang sama bukanlah tumpukan riset yang lupa diumumkan — ini adalah rilis yang telah disiapkan lalu dirilis tanpa lapisan pemasaran. Uraian berikut memisahkan apa yang dibuktikan oleh artefak dari apa yang hanya dapat dikonfirmasi oleh Tencent, dan dengan sengaja tidak tertarik untuk memutuskan apakah model itu bagus.
Apa isi sebenarnya dari repositori ini
Checkpoint dasarnya adalah tencent/WeMM-Video-2B, Apache 2.0, 6.12 GiB safetensors BF16 dalam dua shard. File indeks melaporkan total 3,283,624,264 parameter, yang memberi tahu sesuatu yang tidak disampaikan nama itu: "2B" adalah model bahasa, bukan sistemnya. Backbone teksnya adalah decoder keluarga Qwen3.5 — 24 lapisan, ukuran hidden 2048, 8 kepala atensi dengan 2 kepala KV, kosakata 248,320 token dan embedding posisi maksimum 262,144 token — dengan tata letak atensi hibrida yang menempatkan satu lapisan atensi penuh setelah setiap tiga lapisan atensi linear. Di depannya terdapat vision transformer 24 lapisan pada ukuran hidden 1024, dan tumpukan audio yang dibangun dari encoder Whisper 32 lapisan yang memberi masukan ke Q-Former dua lapisan dengan ukuran hidden 4104. Parameter sisanya berada di kedua encoder tersebut.

Arsitektur itu menjawab pertanyaan yang diajukan oleh namanya. Ini bukan pembuat video. Ia menerima video sebagai masukan — frame ditambah, secara opsional, soundtrack aslinya — dan menghasilkan teks sebagai keluaran. ID token milik konfigurasi itu sendiri mengonfirmasinya: token video, token audio, token gambar, dan model bahasa yang menghasilkan. Jika Anda datang dengan harapan menemukan entri lain dalam kompetisi text-to-video, repositori ini akan mengecewakan Anda pada pembacaan pertama tag pipeline, yaitu image-text-to-text.
• Ukuran dalam keluarga ini — 2B, 4B, 9B dense, dan 35B-A3B mixture-of-experts, semuanya diterbitkan bersamaan pada 17 November.
• Kuantisasi untuk 2B — FP8 Block128, AWQ W4A16, GGUF Q4_K_M, dan NVFP4 W4A16, masing-masing di repositori sendiri, masing-masing dibuat dalam waktu sebelas menit setelah bobot dasar.
• Jalur penyajian — Transformers 5.2.0, vLLM 0.18.0 atau 0.31.0 yang dipatch, SGLang 0.5.16 atau 0.5.19 yang dipatch, dan runtime native untuk build GGUF yang berjalan di CPU atau CUDA.
• Batas input dalam resep bawaan — hingga empat gambar, dua video, dan dua item audio per permintaan, pada panjang konteks 8.192 token.
• Lisensi — Apache 2.0 untuk bobot, dengan berkas pemberitahuan pihak ketiga terpisah yang mencakup komponen LAVIS, vLLM, dan SGLang.
Detail serving yang ditambal inilah yang membedakannya dari rilis open-weights biasa. Tencent tidak merilis repositori yang “berfungsi secara teori”; mereka merilis patch overlay untuk versi vLLM dan SGLang tertentu, file dependensi yang dikunci, image Docker yang diberi tag CUDA 12.9, dan catatan validasi yang menyatakan bahwa checkpoint berhasil dimuat dan menyelesaikan generasi pada perangkat keras L20 dan H20 untuk teks, gambar, audio, serta video dengan trek suara. Apakah patch tersebut tetap bertahan di luar klaster Tencent sendiri adalah persis jenis pertanyaan yang jawabannya datang dari sepekan orang luar yang menjalankannya, dan sepekan itu belum terjadi.

Apa yang diklaim makalah tersebut, dan siapa yang memeriksanya
Laporan teknisnya adalah arXiv 2611.26409, bertanggal 19 November 2026 — dua hari setelah bobotnya muncul — dan ini adalah makalah tentang keluarga model, bukan makalah 2B. Dua belas penulis, yang tercantum pertama Changli Tang, yang tercantum terakhir Jing Lyu, semuanya di bawah naungan WeChat Vision.
Klaim utama adalah tentang model 35B-A3B, bukan 2B: bahwa model tersebut menetapkan state of the art open-source baru dalam evaluasi video omni-modal, secara substansial mengungguli Qwen3.5-Omni-Flash dan Seed2.0-Mini-0428 serta mempersempit kesenjangan dengan Gemini-3.0-Flash. Klaim kedua memang berkaitan dengan model dalam judul artikel ini: bahwa WeMM-Video-9B melampaui model open-source yang lebih besar, Qwen3-Omni-30B-A3B-Instruct. Model 2B muncul dalam deskripsi keluarga dan di model zoo, tetapi argumen dalam makalah ini bertumpu pada varian terbesarnya.
Setiap angka tersebut dilaporkan oleh vendor. Tidak ada entri Artificial Analysis, tidak ada hasil LMArena, tidak ada reproduksi independen, dan — hingga tulisan ini dibuat — tidak ada evaluasi pihak ketiga dalam bentuk apa pun untuk anggota mana pun dari keluarga model ini. Makalah tersebut menyatakan bahwa model-model itu dievaluasi pada lebih dari 120 benchmark; tidak disebutkan siapa yang menjalankannya, dan jawabannya adalah Tencent. Itu bukan tuduhan, melainkan keadaan normal untuk rilis yang baru berusia enam hari. Namun itu berarti deskripsi yang tepat untuk posisi 35B-A3B adalah "Tencent melaporkan bahwa model itu unggul", bukan "model itu unggul".
Satu catatan tambahan bersifat struktural, bukan editorial. Rangkaian benchmark berisi 120 tugas, yang dipilih dan diberi bobot oleh laboratorium yang melatih model, adalah pengukuran kecocokan — ini memberi tahu Anda bahwa model itu bagus dalam hal-hal yang menurut para penulisnya perlu diukur. Ini tidak memberi tahu Anda bahwa model itu bagus dalam hal-hal yang Anda butuhkan. Kesenjangan antara kedua pernyataan itulah tempat sebagian besar kesalahan pemilihan model terjadi, dan tidak ada berapa pun banyaknya pembacaan tabel yang dapat menutupnya.
Empat mode, dan mengapa jalur audio penting
API inferensi mengekspos lima bentuk permintaan, dan yang menarik adalah yang terakhir. Teks dan gambar biasa saja. Audio saja biasa saja. Frame video saja adalah kasus video multimodal standar. Video dengan soundtrack aslinya adalah yang mengubah apa yang dapat diminta untuk dilakukan oleh model, dan itu merupakan tipe konten terpisah di API penyajian, bukan perilaku implisit.
Dalam praktiknya, itu berarti Anda dapat memberikan sebuah klip kepada model dan memintanya untuk mendeskripsikan apa yang ada di layar serta merangkum apa yang sedang dikatakan, dalam satu panggilan, dan mendapatkan jawaban yang mencerminkan keduanya. Contoh-contoh di kartu model itu sendiri melakukan hal yang persis seperti itu — mentranskripsikan ucapan bahasa Inggris dari rekaman Apollo 11, lalu mendeskripsikan MP4 yang sama dengan dan tanpa trek audionya. Apakah penalaran gabungan lebih baik daripada menjalankan model video dan model ucapan secara berdampingan lalu menyambungkan keluarannya adalah pertanyaan empiris, dan itu adalah satu hal paling berguna yang dapat diuji oleh evaluator independen.
Keputusan desain lain yang layak disebutkan adalah templat obrolan dua mode. Meneruskan enable_thinking=False memberikan respons langsung; enable_thinking=True memberikan jejak penalaran sebelum jawaban. Itu adalah pengatur latensi versus kualitas yang dikirim sebagai flag templat alih-alih sebagai dua checkpoint, yang merupakan pilihan wajar untuk model 2B — Anda tidak membayar untuk set bobot kedua demi mendapatkan perilaku kedua.
Menjalankannya, dan keadaan ketersediaan yang sebenarnya
Jalur mulai cepatnya adalah lingkungan Python 3.12, GPU NVIDIA, driver yang kompatibel dengan CUDA 12.9, dan FFmpeg. Pasang Torch 2.10.0, TorchVision 0.25.0, dan TorchCodec 0.10.0 dari indeks CUDA 12.9, lalu Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy, dan Requests. Model dimuat melalui AutoModelForImageTextToText dengan trust_remote_code=True — arsitekturnya bersifat kustom, jadi flag tersebut berperan penting, bukan sekadar hiasan, dan kartunya dengan tepat menyarankan Anda membaca kode kustom tersebut sebelum mengaktifkannya.
Jika Anda menginginkan server alih-alih skrip, resep vLLM menetapkan build 0.18.0 yang telah ditambal dan meneruskan --no-enable-prefix-caching bersama dengan --mamba-ssm-cache-dtype float32, yang merupakan kombinasi yang memberi tahu Anda bahwa lapisan hybrid linear-attention belum memiliki prefix cache yang berfungsi. Itu adalah batasan throughput nyata untuk beban kerja chat, dan itulah jenis detail yang hanya muncul ketika seseorang benar-benar telah mencoba menyajikan hal itu.
Yang tidak ada di setiap dokumen adalah harga. Tidak ada endpoint yang dihosting Tencent untuk WeMM-Video-2B, tidak ada tarif per token, tidak ada deployment terkelola. Anda mengunduh bobotnya dan Anda memiliki GPU-nya. Di sisi OrcaRouter, pernyataan jujurnya sama: kami tidak melayani WeMM-Video-2B. Yang kami bawa dari Tencent adalah lini teks Hunyuan — tencent/hy4, tencent/hy4-flash dan build pratinjau — pada satu endpoint yang kompatibel dengan OpenAI dengan harga daftar penyedia dengan markup 0%, yang berguna jika pipeline Anda memerlukan model teks dari lab yang sama dan tidak berguna jika memerlukan model ini. Dua produk berbeda, satu nama vendor, dan mencampuradukkannya akan menjadi kesalahan mudah yang dibuat saat terburu-buru.

Dari rasa penasaran menjadi rekomendasi
Tiga hal, diurutkan berdasarkan seberapa besar dampaknya.
Yang pertama adalah evaluasi independen pada benchmark yang tidak dipilih Tencent. Setiap blind arena run — pemahaman video, QA audio-visual, apa pun yang paling mendekati — akan langsung memberi tahu Anda apakah posisi yang diklaim keluarga model itu bertahan saat berhadapan dengan set prompt netral. Sampai itu ada, "state of the art open-source baru" dari 35B-A3B hanyalah klaim tentang sebuah tabel di dalam PDF.
Yang kedua adalah laporan serving dari luar Tencent. Patch-nya spesifik, hardware-nya spesifik, dan catatan validasinya mencakup dua model GPU. Apakah ini berjalan dengan lancar pada node H100, node A100, atau 4090 sewaan masih belum diketahui, dan jawabannya akan menentukan apakah 2B ini merupakan proyek akhir pekan atau artefak riset.
Yang ketiga adalah pengumuman vendor — pengumuman vendor apa pun. Sebuah postingan blog, kartu model di halaman produk Tencent, sebuah tingkat harga. Saat ini rilis tersebut hanya dapat dipahami oleh orang-orang yang membaca stempel waktu repositori, dan jendela tujuh hari ketika hal itu berlaku sedang menutup. Jika Tencent tidak menerbitkan apa pun, tafsiran yang paling mungkin adalah bahwa bobot-bobot ini ada untuk mendukung makalah dan model 35B, dan model 2B adalah checkpoint kenyamanan alih-alih sebuah produk.
Itulah inti yang jujur dari semuanya. WeMM-Video-2B adalah model omni-modal nyata yang dapat diunduh dengan lisensi Apache-2.0, yang belum diumumkan siapa pun, belum diunduh siapa pun, dan belum diuji secara independen oleh siapa pun. Jika pekerjaan Anda melibatkan pemahaman audio-visual gabungan dan Anda punya GPU cadangan serta waktu satu sore, biaya untuk mengetahui kemampuannya adalah mengunduhnya. Jika pekerjaan Anda melibatkan perilisan sesuatu bulan depan, biaya untuk mengetahui hal itu lebih tinggi dari itu, dan hal yang bertanggung jawab adalah menunggu angka dari orang lain.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini
