
WeMM-Video-2B: Um Modelo Omnimodal de 2B Que Ninguém Anunciou
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 826 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Não há post de lançamento. Não há model card em página de produto, nem lista de espera, nem tabela de preços, nem tweet de benchmark de um executivo da Tencent. O que existe é um repositório no Hugging Face criado às 08:58 UTC de 17 de novembro de 2026 e um repositório no GitHub cujo primeiro commit chegou seis horas e meia antes, e ambos descrevem WeMM-Video-2B como o checkpoint denso de 2B de uma família de modelos de vídeo omnimodais chinês–inglês da WeChat Vision, da Tencent. Seis dias depois, o repositório tem duas curtidas, zero downloads e quatro irmãos quantizados que foram criados dentro de onze minutos dos pesos base. Então a primeira frase honesta de qualquer texto sobre este modelo é uma frase sobre seu empacotamento: ele é público, é baixável, e ninguém disse uma palavra sobre ele.
Essa lacuna merece ser levada a sério em vez de ser tratada como um dia de notícias mornas. Uma família de modelos que entrega pesos, um artigo, quatro formatos de quantização, receitas com patches para vLLM e SGLang, um runtime nativo em C++ e um arquivo Docker Compose na mesma semana não é um despejo de pesquisa que alguém esqueceu de anunciar — é um lançamento que foi preparado e depois liberado sem a camada de marketing. O que segue separa o que os artefatos provam do que só a Tencent pode confirmar, e deliberadamente não tem interesse em decidir se o modelo é bom.
O que o repositório realmente contém
O checkpoint base é tencent/WeMM-Video-2B, Apache 2.0, 6,12 GiB de safetensors BF16 em dois shards. O arquivo de índice reporta 3.283.624.264 parâmetros no total, o que diz algo que o nome não diz: “2B” é o modelo de linguagem, não o sistema. O backbone de texto é um decoder da família Qwen3.5 — 24 camadas, tamanho oculto 2048, 8 cabeças de atenção versus 2 cabeças KV, um vocabulário de 248.320 tokens e um embedding de posição máxima de 262.144 tokens — com um layout de atenção híbrido que coloca uma camada de atenção completa após cada três camadas de atenção linear. Na frente dele estão um transformer de visão de 24 camadas com tamanho oculto 1024 e uma pilha de áudio construída a partir de um encoder Whisper de 32 camadas que alimenta um Q-Former de duas camadas com tamanho oculto 4104. Os parâmetros restantes estão nesses dois encoders.

Essa arquitetura responde à pergunta que o nome levanta. Isto não é um gerador de vídeo. Ele recebe vídeo — quadros e, opcionalmente, a trilha sonora original — e produz texto como saída. Os próprios IDs de token da configuração confirmam isso: um token de vídeo, um token de áudio, um token de imagem e um modelo de linguagem que gera. Se você chegou esperando mais uma entrada na corrida de texto para vídeo, o repositório vai decepcioná-lo na primeira leitura da tag de pipeline, que é image-text-to-text.
• Tamanhos da família — 2B, 4B e 9B densos, além de um modelo de mistura de especialistas 35B-A3B, todos publicados juntos em 17 de novembro.
• Quantizações para o 2B — FP8 Block128, AWQ W4A16, GGUF Q4_K_M e NVFP4 W4A16, cada uma em seu próprio repositório, cada uma criada em até onze minutos após os pesos base.
• Caminhos de serving — Transformers 5.2.0, vLLM 0.18.0 ou 0.31.0 com patch, SGLang 0.5.16 ou 0.5.19 com patch, e um runtime nativo para a build GGUF que roda em CPU ou CUDA.
• Limites de entrada nas receitas fornecidas — até quatro imagens, dois vídeos e dois itens de áudio por solicitação, com comprimento de contexto de 8.192 tokens.
• Licença — Apache 2.0 nos pesos, com um arquivo separado de avisos de terceiros que abrange os componentes LAVIS, vLLM e SGLang.
O detalhe do serving com patches é o que separa isso de um lançamento típico de pesos abertos. A Tencent não entregou um repositório que “funciona na teoria”; entregou patches de sobreposição para versões específicas de vLLM e SGLang, arquivos de dependências com versões fixadas, imagens Docker com tag para CUDA 12.9 e uma nota de validação dizendo que o checkpoint foi carregado e concluiu a geração em hardware L20 e H20 em texto, imagem, áudio e vídeo com trilha sonora. Se esses patches se sustentam fora do cluster da própria Tencent é exatamente o tipo de pergunta que uma semana de estranhos executando-os responde, e essa semana ainda não aconteceu.

O que o artigo afirma, e quem o verificou
O relatório técnico é o arXiv 2611.26409, datado de 19 de novembro de 2026 — dois dias depois de os pesos surgirem — e é um artigo sobre uma família de modelos, não um artigo sobre um modelo de 2B. Doze autores, o primeiro listado Changli Tang, o último listado Jing Lyu, todos sob a bandeira WeChat Vision.
A afirmação principal diz respeito ao modelo 35B-A3B, não ao 2B: que ele estabelece um novo estado da arte de código aberto na avaliação de vídeo omni-modal, superando substancialmente o Qwen3.5-Omni-Flash e o Seed2.0-Mini-0428 e reduzindo a lacuna em relação ao Gemini-3.0-Flash. Uma segunda afirmação diz respeito ao modelo no título deste artigo: que o WeMM-Video-9B supera o Qwen3-Omni-30B-A3B-Instruct, maior modelo de código aberto. O 2B aparece na descrição da família e no model zoo, mas o argumento do artigo é sustentado pelo seu irmão maior.
Todos esses números são informados pelo fornecedor. Não há entrada no Artificial Analysis, nem resultado no LMArena, nem reprodução independente e — até o momento em que escrevo — nenhuma avaliação de terceiros de qualquer tipo para qualquer membro da família. O artigo diz que os modelos foram avaliados em mais de 120 benchmarks; não diz quem os executou, e a resposta é a Tencent. Isso não é uma acusação, é o estado normal de um lançamento de seis dias. Mas significa que a descrição correta da posição do 35B-A3B é "a Tencent relata que ele lidera", não "ele lidera".
Uma ressalva adicional é estrutural, e não editorial. Um conjunto de benchmarks de 120 tarefas, escolhidas e ponderadas pelo laboratório que treinou o modelo, é uma medida de ajuste — ele diz que o modelo é bom nas coisas que seus autores tiveram a ideia de medir. Não diz que ele é bom nas coisas de que você precisa. A lacuna entre essas duas afirmações é onde a maioria dos erros de seleção de modelo acontece, e nenhuma quantidade de leitura de tabelas a elimina.
Os quatro modos, e por que o caminho do áudio é importante
A API de inferência expõe cinco formatos de requisição, e o interessante é o último. Texto e imagem não têm nada de especial. Áudio isolado não tem nada de especial. Quadros de vídeo isolados são o caso padrão de vídeo multimodal. Vídeo com sua trilha sonora original é o que muda o que se pode pedir ao modelo para fazer, e é um tipo de conteúdo separado na API de serving em vez de um comportamento implícito.
Na prática, isso significa que você pode entregar um clipe ao modelo e pedir que ele descreva o que está na tela e resuma o que está sendo dito, em uma única chamada, e obter uma resposta que reflita ambos. Os próprios exemplos do cartão de modelo fazem exatamente isso — transcrevem fala em inglês de uma gravação da Apollo 11 e depois descrevem o mesmo MP4 com e sem sua faixa de áudio. Se o raciocínio conjunto é melhor do que executar um modelo de vídeo e um modelo de fala lado a lado e costurar as saídas é uma questão empírica, e é a coisa mais útil que um avaliador independente poderia testar.
A outra decisão de design que vale a pena mencionar é o template de chat em dois modos. Passar enable_thinking=False fornece uma resposta direta; enable_thinking=True fornece um traço de raciocínio antes da resposta. Trata-se de um ajuste de latência versus qualidade entregue como uma flag de template, em vez de como dois checkpoints, o que é uma escolha razoável para um modelo de 2B — você não paga por um segundo conjunto de pesos para obter o segundo comportamento.
Executando-o, e o estado honesto da disponibilidade
O caminho de início rápido é um ambiente Python 3.12, uma GPU NVIDIA, um driver compatível com CUDA 12.9 e FFmpeg. Instale Torch 2.10.0, TorchVision 0.25.0 e TorchCodec 0.10.0 a partir do índice CUDA 12.9, depois Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy e Requests. O modelo é carregado por meio de AutoModelForImageTextToText com trust_remote_code=True — a arquitetura é personalizada, portanto essa flag é essencial e não apenas decorativa, e o card informa corretamente que você deve ler o código personalizado antes de ativá-la.
Se você quiser um servidor em vez de um script, a receita do vLLM fixa uma build 0.18.0 com patch e passa --no-enable-prefix-caching junto com --mamba-ssm-cache-dtype float32, o que é uma combinação que indica que as camadas híbridas de atenção linear ainda não têm um cache de prefixo funcional. Essa é uma limitação real de throughput para cargas de trabalho de chat, e é o tipo de detalhe que só aparece quando alguém realmente tentou servir a coisa.
O que está ausente de todos os documentos é um preço. Não há endpoint hospedado pela Tencent para o WeMM-Video-2B, nenhuma tarifa por token, nenhuma implantação gerenciada. Você baixa os pesos e é dono da GPU. Do lado da OrcaRouter, a afirmação honesta é a mesma: não servimos o WeMM-Video-2B. O que oferecemos da Tencent é a linha de texto Hunyuan — tencent/hy4, tencent/hy4-flash e as builds de pré-visualização — em um endpoint compatível com OpenAI ao preço de tabela do provedor com 0% de margem, o que é útil se seu pipeline precisa de um modelo de texto do mesmo laboratório e inútil se precisa deste. Dois produtos diferentes, um nome de fornecedor, e confundi-los seria o erro fácil de cometer com pressa.

Da curiosidade à recomendação
Três coisas, em ordem de quanto impacto teriam.
O primeiro é uma avaliação independente em um benchmark que a Tencent não escolheu. Qualquer execução cega de arena — compreensão de vídeo, QA audiovisual, o que estiver mais próximo — diria imediatamente se a posição alegada da família sobrevive ao contato com um conjunto neutro de prompts. Até que isso exista, o “novo estado da arte de código aberto” do 35B-A3B é uma alegação sobre uma tabela em um PDF.
O segundo é um relatório de serving de fora da Tencent. Os patches são específicos, o hardware é específico, e a nota de validação cobre dois modelos de GPU. Não se sabe se isto roda sem problemas em um nó H100, em um nó A100 ou em uma 4090 alugada, e a resposta determinará se o 2B é um projeto de fim de semana ou um artefato de pesquisa.
O terceiro é um anúncio de fornecedor — qualquer anúncio de fornecedor. Uma postagem de blog, um cartão de modelo em uma página de produto da Tencent, uma faixa de preço. No momento, o lançamento só é compreensível para quem lê carimbos de data/hora de repositórios, e a janela de sete dias em que isso é verdade está se fechando. Se a Tencent não publicar nada, a leitura mais provável é que esses pesos existem para dar suporte ao artigo e ao 35B, e que o 2B é um checkpoint de conveniência, e não um produto.
E é essa a conclusão honesta. O WeMM-Video-2B é um modelo omnimodal real, disponível para download, sob Apache-2.0, que ninguém anunciou, ninguém baixou e ninguém testou de forma independente. Se o seu trabalho envolve compreensão conjunta de áudio e vídeo e você tem uma GPU sobrando e uma tarde livre, o custo de descobrir o que ele faz é o download. Se o seu trabalho envolve lançar algo no próximo mês, o custo de descobrir é maior do que isso, e o responsável é esperar pelos números de outra pessoa.
Comparados neste artigo1
Detectado a partir deste artigo
