Karta tytułowa z napisem „WeMM-Video-2B”, podtytułem „wypuszczony bez zapowiedzi” i czterema plakietkami o treści „2B gęstych, 3,28B łącznie”, „wideo + audio + obraz + tekst na wejściu”, „Apache 2.0, cztery kwantyzacje”, „zero pobrań na Hubie”.
Engineering & Research

WeMM-Video-2B: model omni-modalny 2B, którego nikt nie zapowiedział

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Nie ma wpisu z okazji premiery. Nie ma karty modelu na stronie produktu, listy oczekujących, tabeli cen ani tweeta z wynikami benchmarków od członka kadry kierowniczej T​encent. Istnieje za to repozytorium na Hugging Face utworzone o 08:58 UTC 17 listopada 2026 r. oraz repozytorium GitHub, którego pierwszy commit trafił sześć i pół godziny wcześniej, i oba opisują WeMM-Video-2B jako gęsty checkpoint 2B w rodzinie chińsko-angielskich omnimodalnych modeli wideo od WeChat Vision w T​encent. Sześć dni później repozytorium ma dwa polubienia, zero pobrań i cztery skwantyzowane modele siostrzane, które utworzono w ciągu jedenastu minut od wag bazowych. Zatem uczciwe pierwsze zdanie każdego tekstu o tym modelu jest zdaniem o jego opakowaniu: jest publiczny, można go pobrać i nikt nie powiedział o nim ani słowa.

Ta luka zasługuje na poważne potraktowanie, a nie na uznanie jej za nudny dzień informacyjny. Rodzina modeli, która w tym samym tygodniu dostarcza wagi, artykuł, cztery formaty kwantyzacji, załatane receptury vLLM i SGLang, natywny runtime C++ oraz plik Docker Compose, nie jest zrzutem badań, którego ktoś zapomniał ogłosić — to wydanie, które przygotowano, a następnie wypuszczono bez warstwy marketingowej. To, co następuje, oddziela to, co dowodzą artefakty, od tego, co może potwierdzić wyłącznie T​encent, i celowo nie zajmuje się rozstrzyganiem, czy model jest dobry.

Co faktycznie zawiera repozytorium

Bazowy checkpoint to tencent/WeMM-Video-2B, licencja Apache 2.0, 6,12 GiB safetensorów BF16 w dwóch shardach. Plik indeksu podaje łącznie 3 283 624 264 parametry, co mówi coś, czego sama nazwa nie mówi: „2B” to model językowy, a nie cały system. Backbone tekstowy to dekoder z rodziny Qwen3.5 — 24 warstwy, wymiar ukryty 2048, 8 głowic uwagi wobec 2 głowic KV, słownik na 248 320 tokenów i maksymalny embedding pozycji na 262 144 tokeny — z hybrydowym układem uwagi, który umieszcza jedną warstwę pełnej uwagi po każdych trzech warstwach uwagi liniowej. Przed nim znajdują się 24-warstwowy transformer wizyjny o wymiarze ukrytym 1024 oraz stos audio zbudowany z 32-warstwowego enkodera Whisper zasilającego dwuwarstwowy Q-Former o wymiarze ukrytym 4104. Pozostałe parametry znajdują się w tych dwóch enkoderach.

Generated scoreboard titled 'WeMM-Video-2B — the scoreboard' with six rows: parameters 3.28B total with a 2B language model, modalities in text, image, audio and video plus soundtrack, output text only, video sampling 2 fps from 4 to 16 frames, an 8,192-token context, and no hosted endpoint as the price. A footer reads 'Vendor-reported; no independent evaluations published.'

Ta architektura odpowiada na pytanie, które nasuwa sama nazwa. To nie jest generator wideo. Przyjmuje wideo na wejściu — klatki oraz, opcjonalnie, oryginalną ścieżkę dźwiękową — i zwraca tekst na wyjściu. Potwierdzają to same identyfikatory tokenów w konfiguracji: token wideo, token audio, token obrazu oraz model językowy, który generuje. Jeśli trafiłeś tu w nadziei na kolejnego uczestnika wyścigu text-to-video, repozytorium rozczaruje cię już przy pierwszym spojrzeniu na tag pipeline, który brzmi image-text-to-text.

• Rozmiary w rodzinie — 2B, 4B i 9B w wersji dense oraz 35B-A3B typu mixture-of-experts, wszystkie opublikowane jednocześnie 17 listopada.

• Kwantyzacje dla 2B — FP8 Block128, AWQ W4A16, GGUF Q4_K_M i NVFP4 W4A16, każda w osobnym repozytorium, każda utworzona w ciągu jedenastu minut od wag bazowych.

• Ścieżki serwowania — Transformers 5.2.0, vLLM 0.18.0 lub 0.31.0 z patchem, SGLang 0.5.16 lub 0.5.19 z patchem oraz natywne środowisko uruchomieniowe dla wersji GGUF, działające na CPU lub CUDA.

• Limity danych wejściowych w dostarczonych recepturach — do czterech obrazów, dwóch filmów i dwóch elementów audio na żądanie, przy długości kontekstu wynoszącej 8192 tokeny.

• Licencja — Apache 2.0 dla wag, wraz z osobnym plikiem powiadomień o podmiotach trzecich obejmującym komponenty LAVIS, vLLM i SGLang.

Szczegół dotyczący serwowania z poprawkami jest tym, co odróżnia to od typowego wydania otwartych wag. T​encent nie dostarczył repozytorium „działa w teorii”; dostarczył poprawki nakładkowe dla konkretnych wersji vLLM i SGLang, zablokowane pliki zależności, obrazy Docker oznaczone tagiem CUDA 12.9 oraz notatkę walidacyjną mówiącą, że checkpoint załadował się i ukończył generowanie na sprzęcie L20 i H20 w przypadku tekstu, obrazu, dźwięku i wideo ze ścieżką dźwiękową. To, czy te poprawki sprawdzą się poza własnym klastrem T​encenta, jest dokładnie tym rodzajem pytania, na które odpowiada tydzień uruchamiania ich przez obcych ludzi, a ten tydzień jeszcze nie nadszedł.

Screenshot of the Hugging Face model card for tencent/WeMM-Video-2B, showing the image-text-to-text pipeline tag, Transformers and Safetensors, the qwen3_5 architecture with custom code, an Apache-2.0 licence, a model size of 3B parameters, a downloads figure with no deployments, and a Quantizations section listing the four sibling repositories.

Co twierdzi artykuł i kto go sprawdził

Raport techniczny to arXiv 2611.26409, datowany na 19 listopada 2026 r. — dwa dni po pojawieniu się wag — i jest to praca o rodzinie modeli, a nie o modelu 2B. Dwunastu autorów, pierwszy na liście Changli Tang, ostatni Jing Lyu, wszyscy pod szyldem WeChat Vision.

Główna teza dotyczy modelu 35B-A3B, a nie modelu 2B: że ustanawia on nowy stan sztuki wśród rozwiązań open source w omnimodalnej ocenie wideo, znacząco przewyższając Qwen3.5-Omni-Flash i Seed2.0-Mini-0428 oraz zmniejszając dystans do Gemini-3.0-Flash. Druga teza rzeczywiście dotyczy modelu z tytułu tego artykułu: że WeMM-Video-9B przewyższa większy model open source Qwen3-Omni-30B-A3B-Instruct. Model 2B pojawia się w opisie rodziny i w model zoo, ale argumentacja artykułu opiera się na jego największym członku rodziny.

Każda z tych liczb została podana przez dostawcę. Nie ma wpisu Artificial Analysis, wyniku LMArena, niezależnego odtworzenia ani — w chwili pisania tego tekstu — jakiejkolwiek oceny zewnętrznej dla któregokolwiek modelu z tej rodziny. Praca twierdzi, że modele oceniano na ponad 120 benchmarkach; nie mówi, kto je przeprowadził, a odpowiedź brzmi: T​encent. To nie jest oskarżenie, to normalny stan wydania sprzed sześciu dni. Ale oznacza to, że poprawny opis pozycji 35B-A3B to „T​encent podaje, że jest na czele”, a nie „jest na czele”.

Kolejne zastrzeżenie ma charakter strukturalny, a nie redakcyjny. Zestaw benchmarków składający się ze 120 zadań, wybranych i zważonych przez laboratorium, które trenowało model, jest miarą dopasowania — mówi ci, że model jest dobry w tym, co jego autorzy uznali za warte zmierzenia. Nie mówi ci, że jest dobry w tym, czego potrzebujesz. Przepaść między tymi dwoma stwierdzeniami to miejsce, w którym popełnia się większość błędów przy wyborze modelu, i żadna ilość czytania tabel jej nie zasypie.

Cztery tryby i dlaczego ścieżka audio ma znaczenie

Interfejs API wnioskowania udostępnia pięć form żądań, a interesująca jest ostatnia. Tekst i obraz nie wyróżniają się niczym szczególnym. Sam dźwięk również nie wyróżnia się niczym szczególnym. Same klatki wideo to standardowy przypadek multimodalnego wideo. Wideo z oryginalną ścieżką dźwiękową to ten przypadek, który zmienia to, co można zlecić modelowi, i jest osobnym typem zawartości w API obsługi, a nie niejawnym zachowaniem.

W praktyce oznacza to, że można przekazać modelowi klip i poprosić go, aby w jednym wywołaniu opisał, co jest na ekranie, oraz podsumował, co się mówi, i otrzymać odpowiedź odzwierciedlającą jedno i drugie. Przykłady z samej karty modelu robią dokładnie to — transkrybują angielską mowę z nagrania Apollo 11, a następnie opisują ten sam plik MP4 z jego ścieżką audio i bez niej. To, czy wspólne wnioskowanie jest lepsze niż uruchamianie modelu wideo i modelu mowy równolegle i zszywanie wyników, jest pytaniem empirycznym i jest to najbardziej użyteczna rzecz, jaką niezależny ewaluator mógłby przetestować.

Inną decyzją projektową wartą wymienienia jest szablon czatu z dwoma trybami. Przekazanie enable_thinking=False daje bezpośrednią odpowiedź; enable_thinking=True daje ślad rozumowania przed odpowiedzią. To regulacja opóźnienia względem jakości dostarczana jako flaga szablonu, a nie jako dwa checkpointy, co jest rozsądnym wyborem dla modelu 2B — nie płacisz za drugi zestaw wag, aby uzyskać drugie zachowanie.

Uruchamianie tego i uczciwy stan dostępności

Ścieżka szybkiego startu to środowisko Python 3.12, GPU NVIDIA, sterownik zgodny z CUDA 12.9 oraz FFmpeg. Zainstaluj Torch 2.10.0, TorchVision 0.25.0 i TorchCodec 0.10.0 z indeksu CUDA 12.9, a następnie Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy i Requests. Model ładuje się przez AutoModelForImageTextToText z trust_remote_code=True — architektura jest niestandardowa, więc ta flaga odgrywa kluczową rolę, a nie jest wyłącznie ozdobą, a karta modelu słusznie zaleca przeczytanie niestandardowego kodu przed jej włączeniem.

Jeśli chcesz serwer, a nie skrypt, przepis vLLM przypina załatany build 0.18.0 i przekazuje --no-enable-prefix-caching obok --mamba-ssm-cache-dtype float32, co jest kombinacją, która mówi, że hybrydowe warstwy liniowej uwagi nie mają jeszcze działającego cache'u prefiksów. To realne ograniczenie przepustowości dla obciążeń czatowych i to szczegół, który wychodzi na jaw tylko wtedy, gdy ktoś faktycznie próbował to serwować.

Tym, czego brakuje w każdym dokumencie, jest cena. Nie ma endpointu hostowanego przez Tencent dla WeMM-Video-2B, nie ma stawki za token, nie ma zarządzanego wdrożenia. Pobierasz wagi i sam posiadasz GPU. Po stronie OrcaRouter uczciwe stwierdzenie brzmi tak samo: nie obsługujemy WeMM-Video-2B. To, co faktycznie oferujemy od Tencent, to linia tekstowa Hunyuan — tencent/hy4, tencent/hy4-flash oraz wersje preview — w jednym punkcie końcowym zgodnym z OpenAI po cenie katalogowej dostawcy z 0% narzutu, co jest przydatne, jeśli Twój pipeline potrzebuje modelu tekstowego z tego samego laboratorium, a bezużyteczne, jeśli potrzebuje tego modelu. Dwa różne produkty, jedna nazwa dostawcy — a pomylenie ich byłoby łatwym błędem do popełnienia w pośpiechu.

Screenshot of the OrcaRouter catalogue page for tencent/hy4, showing pricing of $0.56 per million input tokens and $2.24 per million output tokens, a quality score of 90, a speed score of 67, a 1M-token context window, a 64k maximum output, zero-data-retention support and a release date of 4 November 2026.

Od ciekawości do rekomendacji

Trzy rzeczy, w kolejności według tego, jak bardzo mogłyby zmienić sytuację.

Pierwszym jest niezależna ocena na benchmarku, którego Tencent nie wybrał. Każdy przebieg w zaślepionej arenie — rozumienie wideo, QA audiowizualne, cokolwiek jest najbliższe — natychmiast powiedziałby, czy deklarowana pozycja rodziny modeli przetrwa zderzenie z neutralnym zestawem promptów. Dopóki to nie istnieje, „nowy stan sztuki w open source” modelu 35B-A3B jest twierdzeniem o tabeli w PDF-ie.

Drugi to raport z serwowania spoza Tencent. Poprawki są konkretne, sprzęt jest konkretny, a nota walidacyjna obejmuje dwa modele GPU. Nie wiadomo, czy działa to bezproblemowo na węźle H100, węźle A100 czy wynajętym 4090, a odpowiedź rozstrzygnie, czy 2B to projekt na weekend, czy artefakt badawczy.

Trzeci to komunikat dostawcy — dowolny komunikat dostawcy. Wpis na blogu, karta modelu na stronie produktu T​encent, poziom cenowy. Obecnie wydanie jest czytelne tylko dla osób, które czytają znaczniki czasu w repozytorium, a siedmiodniowe okno, w którym to jest prawdą, się zamyka. Jeśli T​encent nic nie opublikuje, najbardziej prawdopodobne odczytanie jest takie, że te wagi istnieją po to, by wspierać artykuł i model 35B, a 2B to wygodny checkpoint, a nie produkt.

I to jest uczciwe sedno sprawy. WeMM-Video-2B to prawdziwy, możliwy do pobrania model omnimodalny na licencji Apache-2.0, którego nikt nie ogłosił, nikt nie pobrał i nikt niezależnie nie przetestował. Jeśli Twoja praca wiąże się ze wspólnym rozumieniem dźwięku i obrazu, a masz wolny GPU i wolne popołudnie, kosztem sprawdzenia, co ten model potrafi, jest samo pobranie. Jeśli Twoja praca polega na dostarczeniu czegoś w przyszłym miesiącu, koszt sprawdzenia jest wyższy, a odpowiedzialnym rozwiązaniem jest poczekać na wyniki kogoś innego.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu