
WeMM-Video-2B: model omni-modalny 2B, którego nikt nie zapowiedział
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 185 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 826 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 407 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
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 Tencent. 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 Tencent. 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 Tencent, 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.

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. Tencent 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 Tencenta, jest dokładnie tym rodzajem pytania, na które odpowiada tydzień uruchamiania ich przez obcych ludzi, a ten tydzień jeszcze nie nadszedł.

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: Tencent. To nie jest oskarżenie, to normalny stan wydania sprzed sześciu dni. Ale oznacza to, że poprawny opis pozycji 35B-A3B to „Tencent 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.

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 Tencent, 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 Tencent 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
