
WeMM-Video-35B-A3B: Bobot Sudah Rilis, Skornya Milik Tencent Sendiri
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 182 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 356 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 · 147 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 42 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 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 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
Selama tiga hari, repositori Hugging Face tencent/WeMM-Video-35BA3B hanya berisi satu file: sebuah .gitattributes berukuran 1,5 KB. Laporan teknis yang mendeskripsikan WeMM-Video-35B-A3B terbit di arXiv pada 19 November, menyebut checkpoint tersebut sebagai state of the art sumber terbuka baru untuk pemahaman audio-visual gabungan, mengungguli Qwen3.5-Omni-Flash dan Seed2.0-Mini-0428 serta mendekati Gemini-3.0-Flash. Pembaca yang percaya pada laporan itu dan mengklik tautan menuju bobotnya tidak menemukan apa pun untuk diunduh. Tensor BF16 sebesar 67,39 GiB baru tersedia pada 03:57 UTC tanggal 20 November — pagi ini. Model unggulan itu diumumkan sehari sebelum keberadaannya, dan setiap angka yang dilampirkan padanya sejauh ini berasal dari tim yang melatihnya.
Pemilihan waktu itu bukan skandal, melainkan rilis riset yang normal dengan langkah-langkah yang tidak berurutan. Namun itu berarti pertanyaan yang berguna tentang WeMM-Video-35B-A3B bukanlah "apakah ini bagus" — laporan itu menjawabnya dengan menguntungkan tim sendiri, di tujuh tabel — melainkan "apa yang dapat Anda verifikasi sendiri hari ini, dan apa yang Anda terima begitu saja." Repositori itu menjawab paruh pertama lebih baik daripada kebanyakan rilis.
Beban-beban itu tiba pagi ini, bukan pada tanggal 17.
Stempel waktu Hugging Face membuat urutan ini luar biasa mudah dibaca. Sembilan belas repositori WeMM-Video dalam koleksi Tencent dibuat dalam rentang waktu enam menit pada 17 November, antara pukul 08:53:50 dan 08:59:06 UTC — ciri khas skrip unggah, bukan orang yang mengklik terbitkan. Untuk repositori 35B-A3B, commit berjudul initial commit pada pukul 08:53:50 berisi tepat satu file, dan itu bukan bobot. Commit berjudul Upload WeMM-Video-35BA3B BF16 release, yang membawa tujuh belas shard safetensors, bertanggal 2026-11-20T03:57:36Z.
Ukuran yang lebih kecil terisi pada pagi yang sama: 2B pada 01:41, 4B pada 04:08, 9B pada 05:08. Repositori GitHub Tencent/WeMM-Video dibuat pada 17 November pukul 02:29 UTC dan README-nya masih direvisi pada pukul 05:09 tanggal 20 November. Laporan arXiv, 2611.26409, dikirimkan pada 19 November pukul 16:58 UTC.
Semua itu bukan hal yang tidak biasa bagi sebuah lab yang merilis sebuah keluarga model. Yang berubah adalah posisi siapa pun yang membaca tentang model ini minggu ini: laporan tersebut menggambarkan sebuah checkpoint yang, selama sekitar tiga puluh enam jam, hanyalah sebuah janji. Jika Anda membaca liputan pada 19 November dan mencoba menjalankannya, kegagalan itu bukan disebabkan oleh toolchain Anda.

Apa yang ada di dalam checkpoint 36.18B
Metadata milik Hugging Face sendiri menempatkan checkpoint tersebut pada 36.177.564.536 parameter — 36,18B dibandingkan label "35B-A3B". Label itu tidak salah, hanya saja yang dihitungnya berbeda dari ukuran file, dan selisih antara keduanya adalah hal yang paling penting secara praktis dari model ini.
• Menara bahasa — 40 lapisan pada lebar tersembunyi 2.048, 16 kepala query terhadap 2 kepala key-value, dimensi kepala 256, kosakata 248.320. Attention bersifat hibrida: setiap lapisan keempat adalah full attention dan tiga lapisan lainnya adalah linear attention, itulah sebabnya setiap perintah serving di repositori membawa flag cache SSM float32.
• Pakar — 256 pakar yang dirutekan per lapisan pada lebar perantara 512, perutean top-8, ditambah pakar bersama selebar 512. Di 40 lapisan, itu berarti 10.240 pakar yang dirutekan.
• Menara visi — 27 blok pada lebar tersembunyi 1,152, ukuran patch 16, penggabungan spasial 2, patch temporal 2, memproyeksikan ke 2,048.
• Audio — Berbentuk Whisper, 32 lapisan encoder dan 32 lapisan decoder dengan lebar 1.280, yang memberi masukan ke Q-Former tingkat jendela yang memampatkan setiap jendela 0,1 detik menjadi satu token. Itu berarti 10 token audio per detik, dari input 16 kHz yang dipecah menjadi potongan 30 detik.
• Asal-usul — laporan tersebut menyatakan bahwa MoE dibangun di atas Qwen3.6-35B-A3B dan bahwa encoder audio diinisialisasi dari Qwen2.5-Omni. Frame video membawa stempel waktu tekstual, dan token visual serta audio dijalin secara bergantian dalam urutan kronologis alih-alih dikumpulkan ke dalam aliran terpisah.
• Pelatihan — sekitar 1,2 triliun token multimodal melalui pra-pelatihan progresif, lalu distilasi on-policy multi-guru, tahap preferensi anti-pengulangan yang oleh para penulis disebut MrDPO, dan pembelajaran penguatan spesialis.
• Lisensi — Apache 2.0 di seluruh koleksi, dengan pengecualian untuk komponen pihak ketiga yang "tetap tunduk pada ketentuan asli masing-masing." Pengecualian tersebut dinyatakan, tidak dirinci.
Empat varian terkuantisasi diterbitkan berdampingan dengan checkpoint BF16, dan file manifest-nya layak dibaca karena cara pelabelannya yang sangat terus terang. AWQ W4A16 berjumlah total 22,69 GiB dan manifest-nya menyatakan quantized_unvalidated. NVFP4 W4A16 adalah satu file safetensors 24,11 GiB yang manifest-nya hanya mengklaim cpu_NVFP4_weight_artifact_independently_reread — bobotnya dibaca ulang di CPU, yang merupakan checksum, bukan evaluasi. Bundel GGUF Q4_K_M terdiri atas tiga file (22,61 GiB bahasa, 0,84 GiB proyektor visi, 1,99 GiB audio) dan manifest-nya menyatakan exported_unvalidated, dengan file cakupan per-tensor yang menyatakan quantized_candidate_not_validated.
Varian kelima hilang. Kartu model dan tabel model-zoo GitHub keduanya menautkan repositori FP8 Block128; Hub mengembalikan 401 untuk repositori itu, jawaban yang sama seperti yang diberikannya untuk nama repositori yang tidak pernah ada, sementara setiap saudara yang aktif mengembalikan 200. Koleksi Hugging Face memiliki lubang pada posisi 1, tepat di tempat repositori itu seharusnya berada. Ini adalah rilis yang masih dirakit saat Anda membacanya.
Satu angka terukur, dan itu audio
Kartu model melaporkan tepat satu evaluasi yang dijalankan sendiri oleh vendor: MMAR1000 pada 72,7%, 727 dari 1.000. Kondisinya diberikan secara lengkap, dan itulah bagian bagusnya — hanya audio, audio penuh didekode pada 16 kHz, mode Instruct, decoding greedy, maksimal 256 token keluaran, vLLM 0.18 yang ditambal pada dua GPU H20 dengan paralelisme tensor.
Semua hal lain pada kartu itu merupakan pernyataan bahwa sesuatu telah dimuat. vLLM yang telah dipatch memuat checkpoint di H20 dan menyelesaikan uji generasi untuk teks, gambar, audio, dan video dengan trek suara; checkpoint lokal lolos pemuatan langsung melalui Transformers dan pemeriksaan generasi teks di CPU. Itu adalah batas minimum yang dibutuhkan untuk keputusan deployment, dan Tencent tidak berpura-pura sebaliknya.
Ada satu benang longgar yang layak ditarik. Panduan serving di repositori GitHub yang sama memuat tabel validasi yang baris terakhirnya berbunyi "Generasi GPU setelah mengunduh checkpoint dari Hub masih tertunda." Kartu model menyatakan bahwa run H20, yang memuat dari Hub, menyelesaikan generasi untuk keempat modalitas. Dua dokumen yang ditulis oleh tim yang sama tidak sepakat tentang seberapa banyak yang telah didemonstrasikan. Klaim kartu tersebut lebih spesifik dan mungkin lebih terkini; perbedaan pendapat itu adalah alasan yang wajar untuk menganggarkan satu hari untuk smoke test Anda sendiri alih-alih seminggu untuk integrasi.
Tabel audio dalam laporan itu juga mencantumkan 73,6 pada MMAR untuk checkpoint ini, yang merupakan harness berbeda dari uji MMAR1000 pada kartu model dan tidak boleh dikurangkan dari 72,7 untuk menghasilkan angka "nyata". Satu-satunya pembacaan yang jujur adalah bahwa angka audio Tencent sendiri berada di kisaran tujuh puluhan bawah dan belum ada pihak kedua yang mengukurnya.
28 dari 30 melawan omni flash milik Qwen
Tabel 1 dalam laporan itu adalah kasus produk unggulan, dan ini kasus yang besar. Dari 30 tolok ukur bernilai tunggal dalam tabel tersebut — tugas audio-visual gabungan, halusinasi audio-visual, pemahaman musik, interaksi, pembuatan keterangan — WeMM-Video-35B-A3B dalam mode Thinking unggul atas Qwen3.5-Omni-Flash pada 28 dan tertinggal pada 2. Terhadap Seed2.0-Mini-0428, model ini unggul pada 26 dan tertinggal pada 4. Terhadap Gemini-3.0-Flash, model ini unggul pada 9 dan tertinggal pada 21.
Kemenangan yang paling penting bukanlah yang rapi:
• Video-MME dengan audio — 86,4 untuk WeMM-Video-35B-A3B, 79,3 untuk Qwen3.5-Omni-Flash, 83,6 untuk Seed2.0-Mini-0428, 88,6 untuk Gemini-3.0-Flash.
• Video-MME v2 dengan audio — 54,9 versus 36,6 dan 51,7, dengan Gemini-3.0-Flash pada 63,2. Keunggulan delapan belas poin atas pesaing terbuka terdekat pada bagian yang lebih sulit dari tolok ukur yang sama.
• AV-SpeakerBench — 72,6 dibandingkan 65,2 dan 68,5, masih di belakang Gemini pada 75,9. Membedakan siapa yang berbicara, melalui video, adalah tugas yang memisahkan fusi audio-visual sejati dari model visi dengan transkrip yang ditempelkan.
• SciVideoBench dan EvaOmni — 69,4 berbanding 51,3, dan 57,8 berbanding 30,4. Keduanya padat penalaran; keduanya adalah area tempat model omni yang lebih lemah cenderung kolaps.
Kerugian-kerugiannya sama spesifiknya dan layak disebutkan, karena tabel yang hanya menunjukkan kemenangan adalah hal yang ingin dihindari blog ini:
• JointAVBench — 65,9, di belakang Qwen3.5-Omni-Flash pada 69,0 dan Gemini-3.0-Flash pada 68,4, hanya di depan Seed2.0-Mini-0428 pada 64,7.
• MUSIC-AVQA — 79,5 dibanding 82,1 milik Qwen, meskipun unggul atas 76,2 milik Gemini. Musik adalah bidang di mana stack audio Qwen masih unggul.
• Dibandingkan dengan Seed2.0-Mini-0428 — OmniCompass-AV 46,3 berbanding 47,9, OmniVChat 48,9 berbanding 49,8, O-IN-Bench 49,0 berbanding 49,4, testset video-SALMONN 2 28,3 berbanding 32,7. Tiga dari empat tersebut berada dalam selisih satu poin.
• Terhadap Gemini-3.0-Flash — kesenjangannya paling lebar pada video panjang dan berorientasi masa depan: MMOU 74.5 terhadap 84.7, FutureOmni 56.2 terhadap 65.3, OmniVideoBench 55.3 terhadap 63.3, LVOmniBench 52.6 terhadap 59.8. "Mempersempit kesenjangan" adalah deskripsi yang wajar; "menutupnya" bukan.
Semua angka di atas milik Tencent. Laporan itu sendiri menyatakannya — "Untuk model yang sudah ada, kami melaporkan hasil resmi jika tersedia dan evaluasi kami sendiri jika tidak" — dan beralih antara mode Instruct dan Thinking tergantung tabelnya, yang juga dinyatakannya. Tidak ada pihak ketiga yang mereproduksi satu pun darinya, dan baik Artificial Analysis maupun LMArena tidak mencantumkan model WeMM.

Menambahkan telinga nyaris tidak menurunkan skor visi.
Klaim dalam rilis ini yang layak mendapat perhatian lebih daripada tolok ukur utama adalah klaim yang lebih tersirat: bahwa menambahkan tumpukan audio ke model bahasa-visi tidak banyak mengorbankan kemampuan visinya. Pelatihan omni-modal biasanya memang menimbulkan biaya — model membagi kapasitas antarmodalitas dan kehilangan performa pada video tanpa suara.
Laporan itu menguji hal tersebut secara langsung dengan membandingkan WeMM-Video-35B-A3B dengan backbone-nya sendiri, Qwen3.6-35B-A3B, pada 31 benchmark video tanpa suara. Model unggulan itu unggul pada 20 dan tertinggal pada 11, dan sebagian besar dari kesebelasnya berada dalam selisih satu poin.
• Di mana ia memperoleh peningkatan — TimeLens-Charades 54,8 berbanding 47,4, F-16-NBA 89,9 berbanding 82,8, CrossVid 50,2 berbanding 45,2, OVO-Bench 63,9 berbanding 61,0, TemporalBench 45,9 berbanding 43,3.
• Di mana ia kalah — EgoSchema 74,2 dibandingkan dengan 77,2, Video-MME 80,4 dibandingkan dengan 82,5, MVBench 73,1 dibandingkan dengan 74,6, MLVU 85,3 dibandingkan dengan 86,2. Sisanya adalah selisih sepersekian poin.
Bacalah polanya, bukan jumlahnya: keuntungannya mengelompok pada grounding temporal dan asosiasi video panjang, sedangkan kerugiannya pada video egosentris orang pertama. Itu adalah pertukaran yang masuk akal bagi model yang disetel pada video bersuara. Dibandingkan dengan Qwen3.5-Omni-Flash pada tabel video senyap yang sama, model ini unggul pada 30 dari 31, hanya kalah pada VideoVista, 83,5 berbanding 84,1.
Tabel gambar dan teks menunjukkan pola yang sama. Dibandingkan Qwen3.5-Omni-Flash, 26 dari 28 tolok ukur gambar dimenangkan WeMM, dengan RefCOCO (89,5 berbanding 92,6) dan TallyQA (80,7 berbanding 81,2) sebagai pengecualian. Dibandingkan backbone-nya sendiri, tabel gambar hampir imbang — 13 unggul, 14 tertinggal — dan tabel tekslah yang menunjukkan biayanya: MMLU-Pro 84,7 berbanding 85,2, GPQA 83,8 berbanding 86,0, IMOAnswerBench 74,8 berbanding 78,9, SuperGPQA 63,4 berbanding 64,7. Kehilangan beberapa poin penalaran sulit demi sepasang telinga yang berfungsi adalah pertukaran yang wajar dan dapat dipertahankan, tetapi itu tetap sebuah pertukaran, dan siapa pun yang mengarahkan teks tingkat pascasarjana melalui checkpoint ini harus tahu bahwa hal itu ada.
Memori 36B, aritmetika 3B
Inilah aritmetika yang menentukan apakah model ini layak diterapkan bagi Anda, dan angka ini berasal dari konfigurasi, bukan dari prosa. Dari 36,18B parameter, sekitar 32,2B berada di routed experts: 40 lapisan dikali 256 experts dikali tiga proyeksi pada lebar 2.048 kali 512. Routing Top-8 menyentuh sekitar 1/32 dari itu per token, sekitar 1,0B parameter, dan klaim "3B aktif" pada label konsisten setelah attention, shared expert, dan tabel embedding dihitung.
Jadi biaya komputasi kecil dan biaya memori tidak:
• BF16 — 67,39 GiB dalam tujuh belas shard. Validasi Tencent sendiri menggunakan paralelisme tensor pada dua H20. Tidak ada angka tensor-paralel yang dipublikasikan untuk konfigurasi yang lebih besar; panduan serving hanya menyatakan "rencanakan memori untuk bobot expert lengkap dan setel --tensor-parallel-size sesuai kebutuhan."
• NVFP4 W4A16 — 24,11 GiB, yang muat dalam satu kartu 48 GB dengan ruang untuk cache. Resep ini adalah lingkungan vLLM 0.31.0 yang ditambal secara terpisah dengan presisi campuran ModelOpt dan Marlin, dan dijalankan dengan --max-num-seqs 1.
• AWQ W4A16 — 22,69 GiB pada vLLM 0.18.0 yang telah ditambal menggunakan konfigurasi compressed-tensors milik checkpoint itu sendiri.
• GGUF Q4_K_M — sebuah bundel tiga file berukuran 24,6 GiB, tetapi untuk runtime native milik Tencent sendiri, bukan llama.cpp atau Ollama. Manifesnya mencantumkannya sebagai diekspor dan belum divalidasi.
Tidak ada yang berjalan di sini pada mesin tanpa patch. Repositori ini menyertakan direktori patch: overlay kode sumber dengan manifes SHA-256 untuk tepat empat rilis upstream — vLLM 0.18.0 dan 0.31.0, SGLang 0.5.16 dan 0.5.19 — masing-masing dipatok ke kombinasi PyTorch, Transformers, dan CUDA 12.9 tertentu; Python 3.12 dan FFmpeg wajib ada; TorchCodec memerlukan CUDA 12 NPP pada jalur linker; dan SGLang mengompilasi kernel CUDA saat pertama kali digunakan. Pencarian di pelacak masalah vLLM tidak menemukan permintaan upstream untuk arsitektur ini. Ini adalah pekerjaan self-host dengan overlay yang diterapkan pada mesin inferensi milik orang lain.

Dua detail konfigurasi membatasi apa yang sebenarnya bisa Anda masukkan ke dalamnya. Konfigurasi teks mendeklarasikan 262.144 posisi, tetapi perintah vLLM milik kartu itu sendiri meneruskan --max-model-len 8192, dan setiap resep SGLang juga membatasi konteks pada 8.192 — angka panjang itu hanyalah ruang cadangan, bukan pengaturan yang didukung. Pengambilan sampel frame sama ceritanya: prosesor secara default menggunakan 2 fps dan hingga 128 frame, sementara resep yang dipublikasikan menimpanya menjadi 16 frame dan anggaran 262.144 piksel. Pada 10 token audio per detik, konteks 8.192 token hanya sedikit lebih dari tiga belas menit audio dan tidak lebih.
OrcaRouter tidak menyediakan WeMM-Video-35B-A3B, dan katalognya sama sekali tidak mencantumkan checkpoint WeMM, jadi tidak ada harga hosted yang bisa dikutip. Yang kami sediakan adalah model yang menjadi dasar model ini: Qwen3.6-35B-A3B tersedia di platform dengan $0,25 per juta token input dan $1,48 per juta token output untuk konteks 262.144 token, dengan input teks, gambar, dan video. Jika separuh pekerjaan ini yang Anda butuhkan adalah "menonton klip dan menalar tentangnya" alih-alih "menonton klip dan mentranskripsikan ruangan," itu adalah pengganti hosted yang tersedia sore ini alih-alih unduhan 67 GiB dan patch tingkat sumber. Harga daftar penyedia diteruskan dengan markup 0%, dan setiap model berada di balik satu kunci yang kompatibel dengan OpenAI dengan failover otomatis, jadi mencoba pendapat kedua hanya perlu perubahan konfigurasi, bukan kontrak kedua.
Apa yang belum diperiksa siapa pun di luar WeChat
Empat hal yang biasanya diperoleh pembeli dari sebuah peluncuran dan tidak bisa diperoleh di sini.
• Evaluasi independen.Tidak ada. Pipeline evaluasi dan reproduksi bersifat publik, yang merupakan pilihan terbaik berikutnya dan bukan hal yang sama.
• Kondisi evaluasi. Jumlah frame, anggaran piksel, dan panjang konteks yang digunakan untuk menjalankan benchmark tidak dicantumkan dalam laporan, dan resep yang disertakan mengambil sampel 16 frame sedangkan prosesor secara default menggunakan 128. Sampel 16 frame dari klip panjang adalah input yang berbeda dari sampel 128 frame dari klip yang sama.
• Klaim penerapan. Laporan tersebut menyatakan bahwa keluarga ini "diterapkan di berbagai layanan video inti di dalam WeChat," dengan menyebutkan perdagangan live-stream, analisis drama pendek, dan video interaktif. Itu adalah klaim yang serius jika benar — lalu lintas produksi adalah satu-satunya evaluasi yang tidak dapat dibantah siapa pun — dan sepenuhnya tidak dapat diverifikasi dari luar. Tidak ada angka latensi, throughput, konkurensi, atau memori yang dipublikasikan di mana pun dalam rilis tersebut.
• Artefak terkuantisasi. Tiga dari empat varian yang dipublikasikan menyebut dirinya sendiri, dalam manifesnya masing-masing, sebagai belum tervalidasi. AWQ, GGUF, dan NVFP4 ditawarkan, bukan dijamin.
Semua itu bukan alasan untuk mengabaikan rilis ini. Itu justru alasan untuk membacanya sebagai apa yang terlihat jelas: rilis riset yang terdokumentasi baik yang bobot unggulannya baru berumur beberapa jam, yang makalahnya muncul lebih dulu, yang repositori FP8-nya belum dibuat, dan yang keunggulan benchmark-nya atas pesaing omni terbuka terbaik cukup besar sehingga layak direproduksi daripada diragukan.
Yang akan menyelesaikannya adalah daftar yang sama seperti biasa. Merge upstream vLLM akan mengakhiri penambalan itu. Reproduksi independen pertama pada Video-MME v2 dengan audio akan mengonfirmasi atau menggugurkan selisih delapan belas poin tersebut. Harga hosted, atau repositori FP8 yang hilang, akan memberi tahu Anda apakah Tencent berniat agar ini digunakan atau sekadar dikutip. Sampai salah satu dari itu terwujud, ringkasan jujurnya adalah bahwa WeMM-Video-35B-A3B adalah checkpoint omni-modal terbuka yang paling menarik bulan ini, bahwa skor visinya tampak tetap bertahan setelah penambahan pendengaran, dan bahwa semua angkanya saat ini berasal dari orang-orang yang melatihnya.
