
WeMM-Video-35B-A3B: wagi udostępnione, wyniki są autorstwa samego Tencenta
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 182 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 356 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 · 147 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 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 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 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
Przez trzy dni repozytorium Hugging Face tencent/WeMM-Video-35BA3B zawierało tylko jeden plik: 1,5 KB .gitattributes. Raport techniczny opisujący WeMM-Video-35B-A3B ukazał się na arXiv 19 listopada; nazywano w nim ten checkpoint nowym otwartoźródłowym stanem sztuki w dziedzinie wspólnego rozumienia dźwięku i obrazu, wyprzedzającym Qwen3.5-Omni-Flash i Seed2.0-Mini-0428 oraz zbliżającym się do Gemini-3.0-Flash. Czytelnik, który uwierzył raportowi i kliknął, by pobrać wagi, nie znalazł nic do pobrania. 67,39 GiB tensorów BF16 pojawiło się dopiero o 03:57 UTC 20 listopada — dziś rano. Flagowy model ogłoszono dzień przed tym, zanim zaistniał, a każda liczba, jaką do tej pory do niego przypisano, pochodzi od zespołu, który go trenował.
Ten moment publikacji nie jest skandalem — to normalne wydanie badawcze, tylko kroki są w niewłaściwej kolejności. Oznacza jednak, że użyteczne pytanie o WeMM-Video-35B-A3B nie brzmi „czy jest dobry” — raport odpowiada na to na korzyść samego zespołu, w siedmiu tabelach — lecz „co możesz dziś zweryfikować sam, a co przyjmujesz na wiarę”. Repozytorium odpowiada na pierwszą połowę lepiej niż większość wydań.
Ciężarki dotarły dziś rano, a nie 17.
Znaczniki czasu Hugging Face sprawiają, że sekwencja jest niezwykle czytelna. Dziewiętnaście repozytoriów WeMM-Video w kolekcji Tencentu utworzono w sześciominutowym oknie 17 listopada, między 08:53:50 a 08:59:06 UTC — to sygnatura skryptu do przesyłania, a nie osoby klikającej „publikuj”. W repozytorium 35B-A3B commit o tytule initial commit z 08:53:50 zawiera dokładnie jeden plik i nie jest to plik wag. Commit o tytule Upload WeMM-Video-35BA3B BF16 release, zawierający siedemnaście shardów safetensors, ma datę 2026-11-20T03:57:36Z.
Mniejsze rozmiary uzupełniono tego samego ranka: 2B o 01:41, 4B o 04:08, 9B o 05:08. Repozytorium GitHub Tencent/WeMM-Videoutworzono 17 listopada o 02:29 UTC, a jego README wciąż poprawiano 20 listopada o 05:09. Raport arXiv 2611.26409 przesłano 19 listopada o 16:58 UTC.
Nic z tego nie jest niezwykłe w przypadku laboratorium wypuszczającego rodzinę modeli. Zmienia to jednak położenie każdego, kto w tym tygodniu czyta o tym modelu: raport opisuje checkpoint, który przez około trzydzieści sześć godzin był obietnicą. Jeśli czytałeś relację z 19 listopada i próbowałeś go uruchomić, błąd nie wynikał z twojego toolchainu.

Co znajduje się w checkpoincie 36.18B?
Własne metadane Hugging Face podają, że checkpoint ma 36 177 564 536 parametrów — 36,18 mld w zestawieniu z etykietą „35B-A3B”. Etykieta nie jest błędna — po prostu uwzględnia coś innego niż rozmiar pliku, a różnica między tymi dwiema wartościami jest najistotniejszą praktycznie kwestią dotyczącą tego modelu.
• Wieża językowa — 40 warstw przy szerokości ukrytej 2048, 16 głowic zapytań wobec 2 głowic klucz–wartość, wymiar głowicy 256, słownictwo 248 320. Mechanizm uwagi jest hybrydowy: co czwarta warstwa to pełna uwaga, a pozostałe trzy to uwaga liniowa, dlatego każde polecenie serwowania w repozytorium zawiera flagę buforowania SSM typu float32.
• Eksperci — 256 ekspertów routowanych na warstwę przy pośredniej szerokości 512, routing top-8, plus współdzielony ekspert o szerokości 512. W 40 warstwach daje to 10 240 ekspertów routowanych.
• Wieża wizyjna — 27 bloków o ukrytej szerokości 1,152, rozmiarze płatka 16, scalaniu przestrzennym 2, płatku czasowym 2, rzutowaniu do 2,048.
• Audio — o budowie przypominającej Whisper, z 32 warstwami enkodera i 32 warstwami dekodera o szerokości 1280, zasilającymi Q-Former działający na poziomie okien, który kompresuje każde 0,1-sekundowe okno do pojedynczego tokenu. Daje to 10 tokenów audio na sekundę, z wejścia 16 kHz dzielonego na 30-sekundowe fragmenty.
• Pochodzenie — raport podaje, że MoE jest oparty na Qwen3.6-35B-A3B, a enkodery audio są inicjalizowane z Qwen2.5-Omni. Klatki wideo zawierają tekstowe znaczniki czasu, a tokeny wizualne i audio są przeplatane w kolejności chronologicznej, zamiast być scalane w osobne strumienie.
• Trenowanie — około 1,2 biliona tokenów multimodalnych w ramach progresywnego pretreningu, następnie destylacja on-policy z wielu nauczycieli, etap preferencji przeciwpowtórzeniowych, który autorzy nazywają MrDPO, oraz specjalistyczne uczenie ze wzmocnieniem.
• Licencja — Apache 2.0 w całej kolekcji, z wyłączeniem dla komponentów stron trzecich, które „nadal podlegają swoim odpowiednim oryginalnym warunkom”. Wyłączenie jest określone, ale nie wyszczególnione.
Obok punktu kontrolnego BF16 publikowane są cztery skwantyzowane warianty, a ich pliki manifestów warto przeczytać ze względu na to, jak szczerze są opisane. AWQ W4A16 to łącznie 22,69 GiB, a jego manifest mówi quantized_unvalidated. NVFP4 W4A16 to pojedynczy plik safetensors o rozmiarze 24,11 GiB, którego manifest deklaruje jedynie cpu_NVFP4_weight_artifact_independently_reread — wagi zostały ponownie odczytane na CPU, co jest sumą kontrolną, a nie oceną. Pakiet GGUF Q4_K_M składa się z trzech plików (22,61 GiB języka, 0,84 GiB projektora wizyjnego, 1,99 GiB audio), a jego manifest mówi exported_unvalidated, przy czym plik zakresu dla poszczególnych tensorów mówi quantized_candidate_not_validated.
Brakuje piątego wariantu. Karta modelu i tabela model-zoo na GitHubie linkują do repozytorium FP8 Block128; Hub zwraca dla niego 401 — tę samą odpowiedź, jaką daje dla nazwy repozytorium, które nigdy nie istniało — podczas gdy każde istniejące repozytorium pokrewne zwraca 200. W kolekcji Hugging Face jest luka na pozycji 1, dokładnie tam, gdzie miało się znajdować to repozytorium. To wydanie jest wciąż składane w momencie, gdy to czytasz.
Jedna zmierzona liczba — i to audio.
Karta modelu podaje dokładnie jedną ewaluację, którą dostawca przeprowadził samodzielnie: MMAR1000 na poziomie 72,7%, 727 z 1000. Warunki podano w całości, co jest dobrą stroną — tylko dźwięk, pełny dźwięk dekodowany przy 16 kHz, tryb Instruct, dekodowanie zachłanne, maksymalnie 256 tokenów wyjściowych, vLLM 0.18 z poprawką na dwóch GPU H20 z równoległością tensorową.
Wszystko inne na tej karcie to stwierdzenie, że coś się załadowało. Patchowany vLLM załadował checkpoint na H20 i ukończył kontrole generowania dla tekstu, obrazu, audio oraz wideo ze ścieżką dźwiękową; lokalny checkpoint przeszedł bezpośrednie ładowanie przez Transformers i test generowania tekstu na CPU. To jest minimum tego, czego potrzebuje decyzja o wdrożeniu, i Tencent nie udaje, że jest inaczej.
Jest jedna luźna nitka, którą warto pociągnąć. Przewodnik serwowania w tym samym repozytorium GitHub zawiera tabelę walidacji, której ostatni wiersz brzmi: „Generowanie na GPU po pobraniu checkpointu z Hub oczekuje”. Karta modelu mówi, że uruchomienie H20, które ładuje się z Hub, ukończyło generowanie dla wszystkich czterech modalności. Dwa dokumenty napisane przez ten sam zespół nie zgadzają się co do tego, jak wiele zademonstrowano. Twierdzenie karty jest bardziej konkretne i prawdopodobnie bardziej aktualne; rozbieżność to uzasadniony powód, by przeznaczyć dzień na własne testy dymne, a nie tydzień na integrację.
Tabela audio w raporcie podaje również 73,6 w MMAR dla tego checkpointu, co pochodzi z innego harnessu niż przebieg MMAR1000 z karty i nie powinno być odejmowane od 72,7, aby uzyskać „prawdziwą” liczbę. Jedyną uczciwą interpretacją jest to, że własna wartość audio Tencent plasuje się w niskich siedemdziesiątkach i żadna niezależna strona jej nie zmierzyła.
28 z 30 wobec Qwen's omni flash
Tabela 1 w raporcie dotyczy modelu flagowego i jest to duża tabela. W przypadku 30 benchmarków z pojedynczą wartością w tej tabeli — zadań łączących dźwięk i obraz, halucynacji audiowizualnych, rozumienia muzyki, interakcji, generowania opisów — WeMM-Video-35B-A3B w trybie Thinking wyprzedza Qwen3.5-Omni-Flash w 28 przypadkach, a w 2 pozostaje za nim. W porównaniu z Seed2.0-Mini-0428 wypada lepiej w 26 przypadkach, a gorzej w 4. W porównaniu z Gemini-3.0-Flash wypada lepiej w 9 przypadkach, a gorzej w 21.
Zwycięstwa, które liczą się najbardziej, nie są tymi schludnymi:
• Video-MME z dźwiękiem — 86,4 dla WeMM-Video-35B-A3B, 79,3 dla Qwen3.5-Omni-Flash, 83,6 dla Seed2.0-Mini-0428, 88,6 dla Gemini-3.0-Flash.
• Video-MME v2 with audio — 54,9 wobec 36,6 i 51,7, a Gemini-3.0-Flash osiąga 63,2. Osiemnastopunktowa przewaga nad najbliższym otwartym konkurentem w trudniejszym podziale tego samego benchmarku.
• AV-SpeakerBench — 72,6 wobec 65,2 i 68,5, wciąż za Gemini z wynikiem 75,9. Rozpoznawanie mówiącego na wideo to zadanie, które oddziela prawdziwą fuzję audiowizualną od modelu wizyjnego z doczepionym transkryptem.
• SciVideoBench i EvaOmni — 69,4 wobec 51,3 oraz 57,8 wobec 30,4. Oba wymagają intensywnego rozumowania; w obu słabszy model omni ma tendencję do załamania.
Straty są równie konkretne i warte nazwania, ponieważ tabela, która pokazuje tylko wygrane, jest dokładnie tym, czego ten blog ma unikać:
• JointAVBench — 65,9, za Qwen3.5-Omni-Flash z 69,0 i Gemini-3.0-Flash z 68,4, wyprzedzając jedynie Seed2.0-Mini-0428 z 64,7.
• MUSIC-AVQA — 79,5 wobec 82,1 Qwena, choć wyprzedzając 76,2 Gemini. Muzyka to dziedzina, w której stos audio Qwena wciąż ma przewagę.
• W porównaniu z Seed2.0-Mini-0428 — OmniCompass-AV 46,3 wobec 47,9, OmniVChat 48,9 wobec 49,8, O-IN-Bench 49,0 wobec 49,4, zbiór testowy video-SALMONN 2 28,3 wobec 32,7. Trzy z tych czterech mieszczą się w granicach jednego punktu.
• W porównaniu z Gemini-3.0-Flash — różnica jest największa w przypadku długich materiałów wideo oraz tych odnoszących się do przyszłości: MMOU 74,5 wobec 84,7, FutureOmni 56,2 wobec 65,3, OmniVideoBench 55,3 wobec 63,3, LVOmniBench 52,6 wobec 59,8. „Zmniejsza różnicę” to trafny opis; „niweluje ją” już nie.
Każda liczba powyżej pochodzi od Tencenta. Raport sam to stwierdza — „W przypadku istniejących modeli podajemy oficjalne wyniki, jeśli są dostępne, a w przeciwnym razie nasze własne oceny” — i w zależności od tabeli przełącza się między trybem Instruct a Thinking, co również zaznacza. Żadna strona trzecia nie odtworzyła żadnego z tych wyników, a ani Artificial Analysis, ani LMArena nie wymieniają modelu WeMM.

Dodanie uszu prawie nie pogorszyło wyników wizyjnych.
Twierdzenie zawarte w tym komunikacie, które zasługuje na więcej uwagi niż główny benchmark, jest cichsze: że dołączenie stosu audio do modelu językowo-wizyjnego nie kosztowało go zbyt wiele zdolności wizualnych. Trening omni-modalny zwykle jednak coś kosztuje — model rozprasza zdolności między modalnościami i traci pozycję w przypadku niemego wideo.
Raport sprawdza to bezpośrednio, zestawiając WeMM-Video-35B-A3B z jego własnym backbone’em, Qwen3.6-35B-A3B, na 31 benchmarkach wideo bez dźwięku. Model flagowy prowadzi w 20 z nich, a w 11 pozostaje w tyle, przy czym większość z tych jedenastu mieści się w granicach jednego punktu.
• Gdzie zyskał — TimeLens-Charades 54,8 wobec 47,4, F-16-NBA 89,9 wobec 82,8, CrossVid 50,2 wobec 45,2, OVO-Bench 63,9 wobec 61,0, TemporalBench 45,9 wobec 43,3.
• Gdzie stracił — EgoSchema 74,2 wobec 77,2, Video-MME 80,4 wobec 82,5, MVBench 73,1 wobec 74,6, MLVU 85,3 wobec 86,2. Reszta to ułamki punktu.
Czytaj wzorzec, a nie liczbę: zyski skupiają się w osadzaniu czasowym i kojarzeniu długiego wideo, a straty w wideo egocentrycznym z perspektywy pierwszej osoby. To prawdopodobny kompromis dla modelu dostrojonego na wideo z dźwiękiem. W zestawieniu z Qwen3.5-Omni-Flash w tej samej tabeli wideo bez dźwięku prowadzi w 30 z 31 przypadków, przegrywając jedynie z VideoVista, 83,5 do 84,1.
Tabele obrazów i tekstu mają ten sam kształt. W porównaniu z Qwen3.5-Omni-Flash 26 z 28 benchmarków obrazowych przypada na WeMM, z wyjątkami RefCOCO (89,5 wobec 92,6) i TallyQA (80,7 wobec 81,2). W porównaniu z własnym backbone'em tabela obrazowa jest niemal remisowa — 13 wyników lepszych, 14 gorszych — a to w tabeli tekstowej ujawnia się koszt: MMLU-Pro 84,7 wobec 85,2, GPQA 83,8 wobec 86,0, IMOAnswerBench 74,8 wobec 78,9, SuperGPQA 63,4 wobec 64,7. Oddanie kilku punktów w twardym rozumowaniu w zamian za sprawną parę uszu to normalny i możliwy do obrony kompromis, ale to kompromis, i każdy, kto przepuszcza tekst na poziomie absolwenckim przez ten checkpoint, powinien wiedzieć, że on istnieje.
36 mld pamięci, 3 mld arytmetyki
Oto arytmetyka, która rozstrzyga, czy ten model jest dla Ciebie wdrażalny, i wynika ona z konfiguracji, a nie z opisu. Z 36,18 mld parametrów około 32,2 mld przypada na ekspertów routowanych: 40 warstw razy 256 ekspertów razy trzy projekcje o wymiarze 2048 na 512. Routing Top-8 dotyczy jednej trzydziestej drugiej tej liczby na token, czyli około 1,0 mld parametrów, a etykieta „3B active” jest spójna, gdy uwzględni się mechanizm uwagi, wspólnego eksperta i tabelę osadzeń.
Zatem rachunek za obliczenia jest niewielki, a rachunek za pamięć nie:
• BF16 — 67,39 GiB w siedemnastu shardach. Walidacja przeprowadzona przez Tencent wykorzystywała równoległość tensorową na dwóch H20. Dla większych konfiguracji nie opublikowano żadnej wartości dotyczącej równoległości tensorowej; przewodnik wdrożeniowy mówi jedynie: „zaplanuj pamięć dla pełnych wag ekspertów i ustaw --tensor-parallel-size w razie potrzeby”.
• NVFP4 W4A16 — 24,11 GiB, co mieści się na pojedynczej karcie 48 GB z zapasem miejsca na cache. Przepis to osobne, załatane środowisko vLLM 0.31.0 z mieszaną precyzją ModelOpt i Marlinem, a działa ono z --max-num-seqs 1.
• AWQ W4A16 — 22,69 GiB na załatanym vLLM 0.18.0 z użyciem własnej konfiguracji compressed-tensors punktu kontrolnego.
• GGUF Q4_K_M — pakiet trzech plików o rozmiarze 24,6 GiB, ale przeznaczony dla własnego natywnego środowiska uruchomieniowego Tencent, a nie llama.cpp ani Ollama. Jego manifest informuje, że jest wyeksportowany i niezweryfikowany.
Nic tutaj nie działa na niezałatanym silniku. Repozytorium zawiera patch — katalog: nakładki źródłowe z manifestami SHA-256 dla dokładnie czterech wydań upstream — vLLM 0.18.0 i 0.31.0, SGLang 0.5.16 i 0.5.19 — każde przypięte do konkretnej kombinacji PyTorch, Transformers i CUDA 12.9, przy czym wymagane są Python 3.12 i FFmpeg, TorchCodec wymaga CUDA 12 NPP na ścieżce linkera, a SGLang kompiluje jądra CUDA przy pierwszym użyciu. Wyszukiwanie w trackerze zgłoszeń vLLM nie wykazuje żadnego zgłoszenia upstream dla tej architektury. To zadanie self-host z nakładką nałożoną na cudzy silnik wnioskowania.

Dwa szczegóły konfiguracji ograniczają to, co faktycznie można jej podać. Konfiguracja tekstowa deklaruje 262 144 pozycje, ale własne polecenie vLLM z karty modelu przekazuje --max-model-len 8192, a każdy przepis SGLang również ogranicza kontekst do 8192 — ta duża liczba to zapas, a nie obsługiwane ustawienie. Z próbkowaniem klatek jest podobnie: procesor domyślnie ustawia 2 fps i maksymalnie 128 klatek, podczas gdy opublikowany przepis nadpisuje to na 16 klatek i budżet 262 144 pikseli. Przy 10 tokenach audio na sekundę kontekst 8192 tokenów to nieco ponad trzynaście minut dźwięku i nic więcej.
OrcaRouter nie obsługuje WeMM-Video-35B-A3B, a katalog w ogóle nie wymienia żadnego checkpointu WeMM, więc nie ma hostowanej ceny do podania. Obsługujemy natomiast model, na którym ten został zbudowany: Qwen3.6-35B-A3B jest dostępny na platformie w cenie $0.25 za milion tokenów wejściowych oraz $1.48 za milion tokenów wyjściowych przy kontekście 262 144 tokenów, z wejściem tekstowym, obrazowym i wideo. Jeśli potrzebujesz tej części tego zadania, która polega na „obejrzeniu klipu i wyciągnięciu z niego wniosków”, a nie na „obejrzeniu klipu i transkrybowaniu pomieszczenia”, to hostowany zamiennik dostępny jeszcze dziś po południu zamiast pobierania 67 GiB i łatki na poziomie kodu źródłowego. Cena katalogowa dostawcy jest przekazywana bez marży (0%), a każdy model jest dostępny za jednym kluczem zgodnym z OpenAI z automatycznym przełączaniem awaryjnym, więc wypróbowanie drugiej opinii kosztuje zmianę konfiguracji, a nie drugą umowę.
Czego nikt spoza WeChatu nie sprawdził
Cztery rzeczy, które kupujący normalnie otrzymałby przy premierze, a których tutaj nie może dostać.
• Niezależna ocena.Brak. Proces oceny i reprodukcji jest publiczny, co jest drugą najlepszą rzeczą i nie jest tym samym.
• Warunki oceny. Liczba klatek, budżety pikseli i długości kontekstu użyte w uruchomieniach testu porównawczego nie są podane w raporcie, a dostarczany przepis próbkuje 16 klatek, podczas gdy procesor domyślnie używa 128. Próbka 16 klatek długiego klipu to inny sygnał wejściowy niż próbka 128 klatek tego samego klipu.
• Twierdzenie o wdrożeniu produkcyjnym. W raporcie stwierdza się, że rodzina modeli jest „wdrożona w wielu kluczowych usługach wideo w WeChat”, przy czym wymieniono handel w transmisjach na żywo, analizę krótkich dramatów oraz wideo interaktywne. To poważne twierdzenie, o ile prawdziwe — ruch produkcyjny to jedyna ocena, z którą nikt nie może polemizować — i jest całkowicie niemożliwe do zweryfikowania z zewnątrz. W materiałach wydawniczych nigdzie nie podano żadnych danych dotyczących opóźnień, przepustowości, współbieżności ani pamięci.
• Skwantyzowane artefakty. Trzy z czterech opublikowanych wariantów określają się we własnych manifestach jako niezweryfikowane. AWQ, GGUF i NVFP4 są oferowane, ale bez gwarancji.
Nic z tego nie jest powodem, by odrzucać to wydanie. Jest to powód, by czytać je jako to, czym wyraźnie jest: dobrze udokumentowane wydanie badawcze, którego flagowe wagi mają zaledwie kilka godzin, którego artykuł pojawił się pierwszy, którego repozytorium FP8 jeszcze nie utworzono i którego przewaga w benchmarkach nad najlepszym otwartym konkurentem omni jest wystarczająco duża, by warto było ją odtworzyć, a nie w nią wątpić.
Rozstrzygnęłaby to ta sama lista co zawsze. Scalanie z upstreamem vLLM zakończyłoby łatanie. Pierwsze niezależne odtworzenie na Video-MME v2 z dźwiękiem potwierdziłoby albo podważyło osiemnastopunktową różnicę. Cena hostowanej usługi albo brakujące repozytorium FP8 powiedziałyby, czy Tencent zamierza, by tego używano, czy tylko je cytowano. Dopóki coś z tego się nie pojawi, uczciwe podsumowanie brzmi: WeMM-Video-35B-A3B to najciekawszy otwarty omnimodalny checkpoint miesiąca, jego wyniki wizyjne wydają się przetrwać dodanie słuchu, a wszystkie jego liczby pochodzą obecnie od ludzi, którzy go wytrenowali.
