세 개의 스트림—필름스트립, 오디오 파형, 회색 데이터 블록 더미—이 하나의 좁은 점선 채널로 모여드는 모습을 보여 주는 일러스트로, 그 채널의 더 희미한 점선 윤곽 사본이 그 위에 떠 있다.
Engineering & Research

WeMM-Video-35B-A3B: 가중치 공개, 점수는 텐센트 자체 측정치

작성자

Gideon Frost

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

사흘 동안 Hugging Face 저장소 tencent/WeMM-Video-35BA3B에는 파일이 하나뿐이었습니다: 1.5 KB짜리 .gitattributes. WeMM-Video-35B-A3B를 설명하는 기술 보고서는 11월 19일 arXiv에 올라왔으며, 이 체크포인트를 공동 오디오-비주얼 이해 분야의 새로운 오픈소스 최첨단 성능이라 칭하면서 Qwen3.5-Omni-Flash와 Seed2.0-Mini-0428을 앞서고 Gemini-3.0-Flash에 바짝 다가섰다고 했습니다. 그 보고서를 믿고 가중치를 받으려고 클릭한 독자는 내려받을 것을 아무것도 찾지 못했습니다. 67.39 GiB의 BF16 텐서는 11월 20일 03:57 UTC, 즉 오늘 아침에야 올라왔습니다. 플래그십 모델은 존재하기 하루 전에 발표되었고, 지금까지 여기에 붙은 모든 수치는 이를 학습시킨 팀에서 나온 것입니다.

그 시점은 스캔들이 아니라 순서가 뒤바뀐 정상적인 연구 공개입니다. 하지만 그것은 WeMM-Video-35B-A3B에 관한 유용한 질문이 "좋은가"가 아니라는 점을 의미합니다. 보고서는 일곱 개의 표에 걸쳐 팀 자신에게 유리한 쪽으로 그 질문에 답합니다. 대신 "오늘 직접 검증할 수 있는 것은 무엇이고, 무엇을 믿음으로 받아들이고 있는가"입니다. 저장소는 대부분의 공개물보다 첫 번째 질문에 더 잘 답합니다.

그 웨이트는 17일이 아니라 오늘 아침에 도착했어요.

Hugging Face 타임스탬프 덕분에 이 순서는 유난히 명확하게 드러난다. T​encent 컬렉션의 19개 WeMM-Video 저장소는 11월 17일 08:53:50부터 08:59:06 UTC까지의 6분 창 안에 생성되었는데, 이는 사람이 게시를 클릭한 흔적이 아니라 업로드 스크립트의 징후다. 35B-A3B 저장소의 경우, 제목이 initial commit인 커밋은 08:53:50에 정확히 파일 하나를 포함하며, 그것은 가중치가 아니다. 제목이 Upload WeMM-Video-35BA3B BF16 release인 커밋은 17개의 safetensors 샤드를 담고 있으며, 날짜는 2026-11-20T03:57:36Z로 기록되어 있다.

더 작은 크기들은 같은 날 아침에 채워졌습니다: 2B는 01:41, 4B는 04:08, 9B는 05:08. GitHub 저장소 Tencent/WeMM-Video는 11월 17일 02:29 UTC에 생성되었고 README는 11월 20일 05:09까지 계속 수정되고 있었습니다. arXiv 보고서 2611.26409는 11월 19일 16:58 UTC에 제출되었습니다.

랩이 한 모델 패밀리를 출시할 때 그중 이례적인 것은 없다. 그것이 바꾸는 것은 이번 주에 그 모델에 관한 글을 읽는 모든 사람의 입장이다. 그 보고서는 약 서른여섯 시간 동안 약속이었던 체크포인트를 설명한다. 11월 19일에 보도를 읽고 그것을 실행해 보려 했다면, 실패는 당신의 툴체인 탓이 아니었다.

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.

36.18B 체크포인트 안에는 무엇이 들어 있나요?

Hugging Face 자체 메타데이터에 따르면 이 체크포인트는 36,177,564,536개의 파라미터, 즉 "35B-A3B"라는 라벨에 대해 36.18B입니다. 이 라벨이 틀린 것은 아닙니다. 다만 파일 크기와는 다른 무언가를 세는 것일 뿐이며, 이 둘 사이의 격차야말로 이 모델에서 실질적으로 가장 중요한 점입니다.

• 언어 타워 — 은닉 너비 2,048에서 40개 계층, 16개 쿼리 헤드 대 2개 키-값 헤드, 헤드 차원 256, 어휘 크기 248,320. 어텐션은 하이브리드 방식으로, 매 네 번째 계층은 전체 어텐션이고 나머지 세 계층은 선형 어텐션입니다. 그래서 저장소의 모든 서빙 명령에는 float32 SSM 캐시 플래그가 포함됩니다.

• 전문가 — 각 레이어마다 중간 너비 512에서 256개의 라우팅된 전문가, top-8 라우팅, 그리고 512 너비의 공유 전문가 1개가 있습니다. 40개 레이어에 걸쳐 총 10,240개의 라우팅된 전문가입니다.

• 비전 타워 — 은닉 폭 1,152의 27개 블록, 패치 크기 16, 공간 병합 2, 시간 패치 2, 2,048로 투영.

• 오디오 — Whisper 형태로, 너비 1,280의 인코더 32개와 디코더 32개 레이어를 갖추고 있으며, 각 0.1초 창을 단일 토큰으로 압축하는 창 수준 Q-Former에 입력됩니다. 이는 16 kHz 입력을 30초 청크로 분할했을 때 초당 10개의 오디오 토큰이 되는 셈입니다.

• 출처 — 보고서에 따르면 MoE는 Qwen3.6-35B-A3B를 기반으로 구축되었으며, 오디오 인코더는 Qwen2.5-Omni에서 초기화된다. 비디오 프레임에는 텍스트 타임스탬프가 포함되어 있고, 시각 토큰과 오디오 토큰은 별도의 스트림으로 풀링되지 않고 시간 순서대로 인터리브된다.

• Training — 점진적 사전 학습을 통해 약 1.2조 개의 멀티모달 토큰을 처리한 뒤, 다중 교사 온-폴리시 증류, 저자들이 MrDPO라고 부르는 반복 방지 선호 단계, 그리고 전문가 강화 학습을 거칩니다.

• 라이선스 — 컬렉션 전체에 Apache 2.0이 적용되며, "각자의 원래 조건이 계속 적용되는" 서드파티 구성 요소를 위한 예외가 있습니다. 이 예외는 명시되어 있을 뿐 항목별로 나열되어 있지는 않습니다.

BF16 체크포인트 옆에는 네 가지 양자화 변형이 공개되어 있으며, 매니페스트 파일은 레이블이 얼마나 솔직하게 붙어 있는지 보여주므로 읽어볼 가치가 있습니다. AWQ W4A16은 총 22.69 GiB이며 해당 매니페스트에는 quantized_unvalidated라고 적혀 있습니다. NVFP4 W4A16은 24.11 GiB짜리 단일 safetensors 파일이며, 해당 매니페스트에서는 단지 cpu_NVFP4_weight_artifact_independently_reread라고만 주장합니다 — 가중치는 CPU에서 다시 읽혔는데, 이는 체크섬이지 평가가 아닙니다. GGUF Q4_K_M 번들은 세 개의 파일(언어 22.61 GiB, 비전 프로젝터 0.84 GiB, 오디오 1.99 GiB)이며, 해당 매니페스트에는 exported_unvalidated라고 적혀 있고, 텐서별 범위 파일에서는 다음과 같이 말합니다: quantized_candidate_not_validated.

다섯 번째 변형이 빠져 있습니다. 모델 카드와 GitHub 모델 주 테이블 모두 FP8 Block128 저장소를 링크하고 있는데, 허브는 해당 저장소에 대해 401을 반환합니다. 이는 한 번도 존재한 적 없는 저장소 이름에 대해 내놓는 것과 같은 응답이며, 반면 살아 있는 모든 형제 저장소들은 200을 반환합니다. Hugging Face 컬렉션에는 1번 위치에 구멍이 나 있는데, 바로 그 저장소가 자리해야 했던 곳입니다. 이것은 여러분이 이 글을 읽는 지금도 여전히 조립되고 있는 릴리스입니다.

측정된 숫자는 하나뿐이며, 그것은 오디오입니다.

모델 카드에는 벤더가 자체적으로 실행한 평가가 정확히 하나 보고됩니다: MMAR1000에서 72.7%, 1,000개 중 727개. 조건이 전부 제시되어 있다는 점이 좋은 부분입니다 — 오디오만, 전체 오디오를 16 kHz로 디코딩, Instruct 모드, 그리디 디코딩, 최대 256개 출력 토큰, 텐서 병렬 처리를 사용하는 두 개의 H20 GPU에서 패치된 vLLM 0.18.

그 카드에 있는 나머지 내용은 모두 무언가가 로드되었다는 진술이다. 패치된 vLLM은 H20에서 체크포인트를 로드했고 텍스트, 이미지, 오디오, 사운드트랙이 포함된 비디오에 대한 생성 검사를 완료했다. 로컬 체크포인트는 직접적인 Transformers 로드와 CPU 텍스트 생성 검사를 통과했다. 그것이 배포 결정에 필요한 것의 최소선이며, T​encent는 그 이상인 척하지 않는다.

한 번 짚어볼 만한 느슨한 실마리가 하나 있습니다. 같은 GitHub 저장소의 서빙 가이드에는 검증 표가 있는데, 그 마지막 행에는 "Hub에서 체크포인트를 다운로드한 뒤의 GPU 생성은 보류 중입니다"라고 적혀 있습니다. 모델 카드에는 Hub에서 로드하는 H20 실행이 네 가지 모달리티 모두에 대해 생성을 완료했다고 나와 있습니다. 같은 팀이 작성한 두 문서가 어느 정도까지 입증되었는지에 대해 서로 엇갈리는 것입니다. 모델 카드의 주장이 더 구체적이고 아마 더 최신일 것입니다. 이 불일치는 통합에 일주일을 배정하기보다 직접 스모크 테스트에 하루를 배정할 만한 타당한 이유입니다.

보고서의 오디오 표에는 이 체크포인트의 MMAR 점수도 73.6으로 나와 있는데, 이는 카드의 MMAR1000 실행과는 다른 하네스이므로 72.7에서 이를 빼서 "실제" 수치를 만들면 안 됩니다. 정직하게 해석할 수 있는 유일한 결론은 T​encent 자체 오디오 수치가 70대 초반에 해당한다는 것뿐이며, 이를 측정한 제2자는 없습니다.

Q​wen의 omni flash 대비 30개 중 28개

보고서의 표 1은 플래그십의 사례이며, 규모가 큰 사례입니다. 해당 표의 30개 단일값 벤치마크 — 공동 오디오-시각 작업, 오디오-시각 환각, 음악 이해, 상호작용, 캡셔닝 — 에서 Thinking 모드의 WeMM-Video-35B-A3B는 Qwen3.5-Omni-Flash보다 28개에서 앞서고 2개에서 뒤처집니다. Seed2.0-Mini-0428 대비로는 26개에서 앞서고 4개에서 뒤처집니다. Gemini-3.0-Flash 대비로는 9개에서 앞서고 21개에서 뒤처집니다.

가장 중요한 승리는 깔끔한 승리가 아니다:

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

• 오디오가 포함된 Video-MME v2 — 36.6 및 51.7에 맞선 54.9, Gemini-3.0-Flash는 63.2. 동일 벤치마크의 더 어려운 분할에서 가장 가까운 오픈 경쟁자보다 18포인트 앞선다.

• AV-SpeakerBench — 65.2와 68.5 대비 72.6으로, 여전히 75.9의 Gemini에 뒤처진다. 영상에서 누가 말했는지 구별하는 일은 진정한 시청각 융합을, 전사본을 덧붙인 비전 모델과 구분 짓는 과제다.

• SciVideoBench 및 EvaOmni — 69.4 대 51.3, 57.8 대 30.4. 둘 다 추론 비중이 높은 항목으로, 성능이 약한 옴니 모델이 무너지기 쉬운 지점입니다.

손실도 똑같이 구체적이며 이름 붙일 가치가 있습니다. 승리만 보여 주는 표야말로 이 블로그가 피하려고 존재하는 바로 그런 것입니다:

• JointAVBench — 65.9점으로, 69.0점의 Qwen3.5-Omni-Flash와 68.4점의 Gemini-3.0-Flash에는 뒤지고, 64.7점의 Seed2.0-Mini-0428만 앞선다.

• MUSIC-AVQA — Qwen의 82.1에는 못 미치는 79.5이지만, Gemini의 76.2보다는 앞섰습니다. 음악 분야에서는 Qwen의 오디오 스택이 여전히 우세합니다.

• Seed2.0-Mini-0428 대비 — OmniCompass-AV 46.3 대 47.9, OmniVChat 48.9 대 49.8, O-IN-Bench 49.0 대 49.4, video-SALMONN 2의 테스트셋 28.3 대 32.7. 이들 네 가지 중 세 가지는 1점 이내의 차이입니다.

• Gemini-3.0-Flash 대비 — 격차는 장기 및 미래 지향 비디오에서 가장 큽니다: MMOU 74.5 대 84.7, FutureOmni 56.2 대 65.3, OmniVideoBench 55.3 대 63.3, LVOmniBench 52.6 대 59.8. "격차를 좁힌다"는 적절한 설명이지만, "격차를 없앤다"는 아닙니다.

위의 모든 수치는 Tencent의 것입니다. 보고서 자체가 그렇게 말합니다 — “기존 모델의 경우, 가능한 경우 공식 결과를, 그렇지 않은 경우 자체 평가를 보고합니다” — 그리고 표에 따라 Instruct 모드와 Thinking 모드 사이를 오가는데, 이 점도 보고서에 명시되어 있습니다. 제3자 중 어느 누구도 이를 재현하지 못했으며, Artificial Analysis와 LMArena 어디에도 WeMM 모델은 등재되어 있지 않습니다.

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.

귀를 추가해도 비전 점수는 거의 떨어지지 않았다

이번 발표에서 헤드라인 벤치마크보다 더 주목받아야 할 주장은 눈에 덜 띄는 쪽이다. 즉, 비전-언어 모델에 오디오 스택을 덧붙여도 비전 능력을 크게 잃지 않았다는 것이다. 옴니모달 학습에는 보통 대가가 따른다. 모델이 여러 모달리티에 걸쳐 용량을 분산하고 무음 비디오에서 입지를 잃는다.

보고서는 {{1}}WeMM-Video-35B-A3B{{/1}}를 자체 백본인 {{2}}Qwen3.6-35B-A3B{{/2}}와 31개의 무음 비디오 벤치마크에서 직접 비교함으로써 이를 검증합니다. 플래그십은 20개에서 앞서고 11개에서 뒤지며, 그 11개 중 대부분은 1포인트 이내입니다.

• 성능이 향상된 부분 — TimeLens-Charades 54.8 대 47.4, F-16-NBA 89.9 대 82.8, CrossVid 50.2 대 45.2, OVO-Bench 63.9 대 61.0, TemporalBench 45.9 대 43.3.

• 뒤처진 항목 — EgoSchema 74.2 대 77.2, Video-MME 80.4 대 82.5, MVBench 73.1 대 74.6, MLVU 85.3 대 86.2. 나머지는 소수점 차이에 불과하다.

숫자보다 패턴을 보세요. 이득은 시간적 그라운딩과 장시간 비디오 연관성에 몰려 있고, 손실은 1인칭 자기중심 비디오에 있습니다. 이는 소리가 있는 비디오로 튜닝된 모델에게는 그럴듯한 트레이드오프입니다. 동일한 무음 비디오 표에서 Qwen3.5-Omni-Flash와 비교하면 31개 중 30개에서 앞서며, VideoVista에서만 83.5 대 84.1로 뒤처집니다.

이미지 표와 텍스트 표는 같은 양상을 보인다. Qwen3.5-Omni-Flash와 비교하면 28개 이미지 벤치마크 중 26개에서 WeMM이 우세하며, RefCOCO(89.5 대 92.6)와 TallyQA(80.7 대 81.2)가 예외다. 자체 백본과 비교하면 이미지 표는 거의 접전이다 — 13개 앞서고 14개 뒤진다 — 그리고 비용이 드러나는 곳은 텍스트 표다: MMLU-Pro 84.7 대 85.2, GPQA 83.8 대 86.0, IMOAnswerBench 74.8 대 78.9, SuperGPQA 63.4 대 64.7. 제대로 작동하는 한 쌍의 귀를 얻기 위해 고난도 추론 몇 점을 포기하는 것은 정상적이고 방어 가능한 트레이드오프지만, 그것은 분명 트레이드오프이며, 대학원 수준의 텍스트를 이 체크포인트로 처리하려는 사람은 그런 트레이드오프가 존재한다는 점을 알아야 한다.

메모리 36B, 연산 3B

이 모델이 당신에게 배포 가능한지 결정하는 계산은 다음과 같으며, 이는 설명문이 아니라 설정에서 나옵니다. 36.18B 파라미터 중 약 32.2B가 라우팅된 전문가에 있습니다: 40개 레이어 × 256개 전문가 × 2,048×512 너비의 세 가지 프로젝션입니다. Top-8 라우팅은 토큰당 그 1/32, 약 1.0B 파라미터를 건드리며, 어텐션과 공유 전문가, 임베딩 테이블까지 계산하면 라벨의 "3B active"도 일관됩니다.

그래서 컴퓨팅 비용은 적고 메모리 비용은 그렇지 않습니다:

• BF16 — 17개 샤드에 걸쳐 67.39 GiB. 텐센트 자체 검증에서는 두 대의 H20에 걸친 텐서 병렬 처리를 사용했습니다. 더 큰 구성에 대해 공개된 텐서 병렬 수치는 없으며, 서빙 가이드에는 "전체 전문가 가중치에 대한 메모리를 계획하고 --tensor-parallel-size를 필요에 따라 설정하십시오"라고만 나와 있습니다.

• NVFP4 W4A16 — 24.11 GiB로, 캐시를 위한 여유 공간을 두고도 단일 48GB 카드 안에 들어갑니다. 이 레시피는 ModelOpt 혼합 정밀도와 Marlin을 사용하는 별도의 패치된 vLLM 0.31.0 환경이며, --max-num-seqs 1로 실행됩니다.

• AWQ W4A16 — 체크포인트 자체의 compressed-tensors 구성을 사용하는 패치된 vLLM 0.18.0에서 22.69 GiB.

• GGUF Q4_K_M — 24.6GiB의 3개 파일 번들이지만, llama.cpp나 Ollama가 아닌 Tencent 자체 네이티브 런타임용입니다. 매니페스트에는 내보내졌으며 검증되지 않았다고 명시되어 있습니다.

여기서는 패치되지 않은 엔진에서 실행되는 것이 없습니다. 저장소에는 패치 디렉터리가 포함되어 있습니다. 이 디렉터리는 정확히 네 개의 업스트림 릴리스 — vLLM 0.18.0 및 0.31.0, SGLang 0.5.16 및 0.5.19 — 에 대한 SHA-256 매니페스트가 포함된 소스 오버레이이며, 각 릴리스는 특정 PyTorch, Transformers 및 CUDA 12.9 조합에 고정되어 있고, Python 3.12와 FFmpeg가 필요하며, TorchCodec은 링커 경로에 CUDA 12 NPP가 필요하고, SGLang은 첫 사용 시 CUDA 커널을 컴파일합니다. vLLM 이슈 트래커를 검색해도 이 아키텍처에 대한 업스트림 요청은 나오지 않습니다. 이것은 다른 사람의 추론 엔진에 오버레이를 적용한 셀프 호스트 작업입니다.

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.

두 가지 구성 세부 사항이 실제로 입력할 수 있는 범위를 제한합니다. 텍스트 구성은 262,144개 위치를 선언하지만, 카드 자체의 vLLM 명령은 --max-model-len 8192를 전달하며, 모든 SGLang 레시피도 컨텍스트를 8,192로 제한합니다. 긴 수치는 여유분일 뿐 지원되는 설정이 아닙니다. 프레임 샘플링도 마찬가지입니다. 프로세서는 기본적으로 2 fps 및 최대 128프레임을 사용하지만, 공개된 레시피는 16프레임과 262,144픽셀 예산으로 재정의합니다. 초당 10개 오디오 토큰에서 8,192토큰 컨텍스트는 13분이 조금 넘는 오디오만 담을 수 있고 그 외에는 아무것도 담을 수 없습니다.

OrcaRouter는 WeMM-Video-35B-A3B를 제공하지 않고, 카탈로그에는 WeMM 체크포인트가 전혀 없으므로 호스팅 가격을 제시할 수 없습니다. 제공하는 것은 이 모델의 기반이 된 모델입니다: Qwen3.6-35B-A3B는 백만 입력 토큰당 $0.25, 262,144토큰 컨텍스트에서 백만 출력 토큰당 $1.48에 텍스트, 이미지, 비디오 입력을 갖춘 채 플랫폼에 있습니다. 이 작업에서 필요한 절반이 "클립을 보고 추론하기"이지 "클립을 보고 방 안을 전사하기"가 아니라면, 그것은 67 GiB 다운로드와 소스 수준 패치 대신 오늘 오후에 사용할 수 있는 호스팅 대체 모델입니다. 제공자 정가가 0% 마크업으로 그대로 전달되며, 모든 모델은 자동 장애 조치가 포함된 하나의 OpenAI 호환 키 뒤에 있으므로, 두 번째 의견을 시도하는 데 두 번째 계약이 아니라 구성 변경만 들면 됩니다.

WeChat 밖에서는 아무도 확인하지 않은 것

구매자가 일반적으로 출시에서 얻을 수 있지만 여기서는 얻을 수 없는 네 가지.

• 독립적 평가. 없음. 평가 및 재현 파이프라인이 공개되어 있으며, 이는 차선책이지 같은 것은 아닙니다.

• 평가 조건. 보고서에는 벤치마크 실행에 사용된 프레임 수, 픽셀 예산, 컨텍스트 길이가 명시되어 있지 않으며, 배포된 레시피는 프로세서 기본값이 128인데도 16프레임을 샘플링합니다. 긴 클립에서 16프레임을 샘플링한 입력은 같은 클립에서 128프레임을 샘플링한 입력과 다릅니다.

• 배포 주장. 보고서는 해당 패밀리가 "WeChat 내 여러 핵심 비디오 서비스 전반에 배포되었다"고 밝히며, 라이브 스트리밍 커머스, 숏폼 드라마 분석, 인터랙티브 비디오를 언급한다. 사실이라면 중대한 주장이다 — 프로덕션 트래픽은 누구도 이견을 달 수 없는 단 하나의 평가 기준이지만, 외부에서는 전혀 검증할 수 없다. 이번 발표 어디에도 지연 시간, 처리량, 동시성 또는 메모리 수치는 공개되지 않았다.

• 양자화된 아티팩트. 게시된 네 가지 변형 중 세 가지는 자체 매니페스트에서 스스로를 검증되지 않은 것으로 설명합니다. AWQ, GGUF, NVFP4는 제공되지만 보증되지는 않습니다.

그중 어느 것도 이번 릴리스를 일축할 이유가 아니다. 그것은 이번 릴리스를 눈에 보이는 그대로 읽을 이유다. 즉, 문서화가 잘 된 연구 릴리스로서 플래그십 가중치는 공개된 지 몇 시간밖에 되지 않았고, 논문이 먼저 나왔으며, FP8 리포지토리는 아직 만들어지지 않았고, 최고의 오픈 옴니 경쟁 모델 대비 벤치마크 우위는 의심하기보다 재현해 볼 가치가 있을 만큼 크다.

그것을 매듭짓는 것은 언제나와 같은 목록이다. vLLM 업스트림 병합이 있으면 패치는 끝난다. 오디오가 포함된 Video-MME v2에서의 첫 독립 재현은 18점 격차를 확인해 주거나 반박할 것이다. 호스팅 가격, 또는 없는 FP8 리포지토리는 T​encent가 이것을 실제로 사용되게 하려는 것인지 아니면 단지 인용되게 하려는 것인지 알려줄 것이다. 그중 하나가 실현되기 전까지, 정직한 요약은 WeMM-Video-35B-A3B가 이달 가장 흥미로운 오픈 옴니모달 체크포인트이며, 그 비전 점수는 청각 추가에도 살아남는 것으로 보이고, 현재 모든 수치는 이를 학습시킨 사람들에게서 나온다는 것이다.

이 글에서 비교한 모델1

이 글에서 자동 인식 · 벤치마크: Artificial Analysis · 매일 업데이트