
WeMM-Video-4B: o discreto modelo audiovisual de 5,6B da Tencent
- 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
O arquivo rotulado WeMM-Video-4B pesa 10,45 GiB e, a dois bytes por parâmetro BF16, isso dá 5,61 bilhões de parâmetros — não quatro. Os próprios metadados safetensors da Tencent dizem o mesmo: 5.611.746.312 parâmetros. O "4B" no nome é o backbone de linguagem, não o checkpoint. Esse pequeno deslize aritmético é a porta de entrada certa para a família WeMM-Video, porque quase tudo de interessante neste lançamento é uma lacuna entre o rótulo e a coisa: uma família de quatro tamanhos publicada sem post de lançamento, uma suíte de benchmarks que supera Qwen3-Omni-30B-A3B-Instruct e MiniCPM-o-4.5-9B em vídeo, mas perde para Qwen3.5-Omni-Flash em áudio, e um embedding de posição de 256K que toda configuração de produção reduz voluntariamente para 8.192 tokens. Os pesos são reais, o artigo é público e ninguém baixou nada disso ainda.
O que se segue separa três coisas que os cards do Hugging Face da família misturam: o que é mensurável no repositório, o que apenas a avaliação da própria Tencent relata e o que não foi confirmado por ninguém fora do WeChat Vision.
O arquivo chamado 4B contém 5,61 bilhões de parâmetros
O Hugging Face registra uma contagem total de parâmetros por repositório e, para os quatro checkpoints base do WeMM-Video, eles ficam consistentemente cerca de 1,2 a 1,6 bilhão acima do tamanho indicado no nome.
• WeMM-Video-2B — 3,28B no total, apesar do rótulo "2B".
• WeMM-Video-4B — 5,61B no total contra um rótulo "4B".
• WeMM-Video-9B — 10,49B no total contra um rótulo "9B".
• WeMM-Video-35BA3B — 36,18B no total, frente a um rótulo "35B-A3B", onde apenas três bilhões deles são ativos por token.
Ler o índice safetensors do 4B torna o excedente visível. Dos seus 1.268 tensores, o modelo de linguagem carrega 4,21B parâmetros, a pilha de áudio carrega 1,07B e a torre de visão carrega 0,33B. Cerca de dezenove por cento do checkpoint são ouvidos. O artigo confirma que a convenção de nomenclatura é deliberada: os três modelos densos são construídos sobre Qwen3.5-2B, Qwen3.5-4B e Qwen3.5-9B, e o modelo de mistura de especialistas sobre Qwen3.6-35B-A3B.
Isso importa para qualquer pessoa que esteja dimensionando uma implantação. Um modelo "4B" que precisa de espaço para 5,61B de parâmetros — 10,45 GiB em BF16 antes de qualquer cache KV ou ativação — cai em uma máquina diferente do que o número na ficha sugere.
Dezoito repositórios, dezenove minutos, sem anúncio
A família não foi surgindo aos poucos. Os carimbos de data e hora de criação no Hugging Face colocam todos os dezoito repositórios — quatro tamanhos vezes cinco precisões — em uma janela de 08:53:50 a 08:59:06 UTC em 17 de novembro de 2026, com cerca de catorze segundos de intervalo, o que é a assinatura de um script de upload e não de uma pessoa clicando em publicar. O repositório do GitHub Tencent/WeMM-Video foi criado às 02:29:33 UTC no mesmo dia, com seu commit inicial substancial chegando em 19 de novembro e revisões do README continuando até 20 de novembro.

O artigo veio em seguida, em 19 de novembro: arXiv 2611.26409, "WeMM-Video: Ampliando as Fronteiras da Compreensão de Vídeo Omnimodal de Código Aberto", doze autores, enviado às 16:58 UTC. É um relatório técnico completo, com sete tabelas de resultados e um link para um pipeline de avaliação e reprodução. Portanto, não é um lançamento não documentado — é um lançamento documentado que ninguém anunciou. Não conseguimos encontrar nenhuma postagem no blog da Tencent, página de lançamento do WeChat Vision, comunicado à imprensa ou plano pago que apontasse para a família; os cards de modelo, o README do GitHub e o artigo no arXiv são todo o registro público, e foram redigidos em função uns dos outros.
Os números de recepção contam a mesma história. No momento em que escrevo, cada um dos quatro checkpoints base mostrava zero downloads, e os dezoito repositórios entre eles tinham coletado três curtidas. Nem o Artificial Analysis nem o LMArena lista um modelo WeMM. Nada disso é evidência sobre qualidade — é evidência sobre distribuição, e é a razão pela qual um checkpoint de 4B que supera um de 30B em vários benchmarks de vídeo não tem um número independente associado a ele.
O que está dentro do checkpoint
Tirando o enquadramento de família, o 4B é um stack omni padrão de três torres com uma escolha incomum de backbone.
• Torre de linguagem — 32 camadas, tamanho oculto 2.560, 16 cabeças de atenção em relação a 4 cabeças de chave-valor, dimensão da cabeça 256, vocabulário 248.320. A espinha dorsal é híbrida: uma camada de atenção completa a cada quarto bloco, com as outras três usando atenção linear, e é por isso que toda receita de serving no repositório carrega uma flag de cache SSM float32.
• Torre de visão — 24 blocos com dimensão oculta 1.024, tamanho de patch 16, merge espacial 2, patch temporal 2, projetando para 2.560. É o codificador nativo do backbone, mantido em vez de substituído, e o artigo o congela a partir do segundo estágio de pré-treinamento, porque ele "já fornece representações visuais suficientemente fortes".
• Torre de áudio — no estilo Whisper, com 32 camadas de encoder e 32 de decoder com largura 1.280, além de um Q-Former em nível de janela que comprime janelas de 0,1 segundo em 10 tokens de áudio por segundo. O áudio chega a 16 kHz em blocos de 30 segundos. Esta é a parte inicializada a partir do Qwen2.5-Omni e, com 1,07B parâmetros, é a maior discrepância entre o nome e o arquivo.
• Fusion — os tokens visuais e de áudio se intercalam em ordem cronológica com timestamps textuais explícitos, em vez de serem agrupados em fluxos separados.
• Modos — um modo Instruct para respostas diretas e um modo Thinking que emite um traço de raciocínio antes da resposta, alternado no nível do template de chat com enable_thinking.
• Licença — Apache 2.0 em toda a coleção, com o arquivo de licença da Tencent a excluir componentes de terceiros que "permanecem sujeitos aos seus respetivos termos originais". A exclusão não está discriminada no cartão do modelo.
256K na configuração, 8K no comando de serving
A configuração de texto declara max_position_embeddings de 262.144. Todo comando de serviço que a Tencent publica — tanto os perfis vLLM quanto os perfis SGLang — passa max-model-len 8192 ou context-length 8192. O valor de 256K é margem arquitetural, não uma configuração suportada, e nada no repositório explica como alcançá-lo.
O orçamento de frames tem o mesmo formato. Os padrões do próprio processador são generosos: 2 frames por segundo, até 128 frames, 25.165.824 pixels no total. A receita do vLLM reduz os três para valores menores — fps 2, max_frames 16, total_pixels 262144. Dezesseis frames é o que se obtém ao copiar o comando. Um clipe amostrado em 16 frames é uma entrada diferente de um clipe amostrado em 128, e o artigo não declara qual amostragem suas avaliações de vídeo usaram.
• Limites de mídia por solicitação, conforme enviado — quatro imagens, dois vídeos, dois itens de áudio.
• Contexto, como enviado — 8.192 tokens, com o áudio consumindo 10 tokens por segundo antes de qualquer frame de vídeo ser contado.
Para um modelo 4B, esses dois números são a restrição decisiva para o trabalho real. Oito mil tokens equivalem a cerca de treze minutos de áudio e nada mais; um vídeo com trilha sonora consome o orçamento nos dois fluxos ao mesmo tempo. Os benchmarks de vídeo longo abaixo foram executados em condições que o repositório não descreve.
Os benchmarks são dos próprios autores.
Todos os números deste artigo vêm do relatório técnico do WeMM-Video. O artigo diz isso claramente — "Para os modelos existentes, relatamos os resultados oficiais quando disponíveis e nossas próprias avaliações caso contrário" — e nenhum terceiro reproduziu qualquer um deles. O modo também alterna entre as tabelas, o que importa mais do que normalmente importaria, porque o modo Thinking não é gratuito: as tabelas de vídeo reportam Thinking para os modelos 2B, 4B e 9B, a tabela de áudio reporta Instruct porque os autores consideraram que os benchmarks padrão de áudio são tarefas "perceptuais diretas", e as tabelas de imagem e texto voltam a Thinking. Comparar uma linha 4B da tabela de áudio com uma linha concorrente da tabela de vídeo não é uma comparação.

Com essa ressalva, a tabela de vídeo omni-modal é onde o 4B justifica o tamanho do seu arquivo.
Onde o 4B supera um 30B
A Tabela 2 do artigo coloca o WeMM-Video-4B contra o Qwen3-Omni-30B-A3B-Instruct e o MiniCPM-o-4.5-9B em benchmarks conjuntos de áudio e vídeo, todos no modo Thinking. O 4B vence na maioria deles, contra um modelo sete vezes maior que ele.
• Video-MME com áudio — WeMM-Video-4B 83.9, Qwen3-Omni-30B-A3B-Instruct 77.3, MiniCPM-o-4.5-9B 69.2.
• Video-MME v2 com áudio — 48,1 contra 36,3 e 28,1, a maior margem da tabela.
• Daily-Omni — 82,5 contra 70,7 e 80,2.
• WorldSense — 60,3 contra 54,0 e 55,7.
• OmniVideoBench — 49,7 contra 45,4 e 37,2.
A tabela de vídeo silencioso é ainda mais forte, e é ela que deve decidir uma compra. Removendo a trilha sonora e testando apenas a visão: Video-MME 75,7 contra 70,5 e 70,4, LVBench 65,3 contra 50,2 e 50,9, LongVideoBench 74,8 contra 63,5 e 66,0, EgoSchema 74,2 contra 66,4 e 60,4. Uma vantagem de 15 pontos no LVBench com 4B não é um artefato de arredondamento; a compreensão de vídeos longos é exatamente onde modelos omni pequenos historicamente desmoronaram.
As linhas de imagem e texto são competitivas, não dominantes. MMMU 78,4 contra 76,9 do Qwen3.5-Omni-Flash, MathVista 85,2 contra 82,9, DocVQA 96,5 contra 95,3, IFEval 91,3 contra 85,2. Essas são as linhas que um leitor provavelmente mais precisa de fato, e elas se sustentam.
Onde perde, e para o quê
As perdas são específicas e merecem ser nomeadas, porque uma tabela que mostra apenas as vitórias é exatamente o que este blog existe para evitar.
• Áudio, contra um modelo flash proprietário — O Qwen3.5-Omni-Flash obtém 80,4 no MMAU e 74,0 no MMAR, contra 75,2 e 67,3 do WeMM-Video-4B. A única vitória do 4B em áudio é no MMAU-Pro, com 68,1 contra 64,8.
• Vídeo, nos cantos — Video-Holmes 58,8 contra 64,3 do MiniCPM-o-4.5-9B, e FutureOmni 50,9 contra 55,1 do Qwen3-Omni-30B-A3B-Instruct e 56,1 do MiniCPM. Dois benchmarks em que um concorrente menor ou mais antigo vence de forma absoluta.
• Imagem e texto — MMMU-Pro 64,7 contra 68,2, OCRBench 85,7 contra 89,1, GPQA 73,2 contra 76,4, MMLU-Pro 78,3 contra 79,9. Entre um e seis pontos atrás de um modelo proprietário voltado para serviço, o que, para um checkpoint de 5,61B, é um lugar respeitável para estar atrás.
A interpretação é que o {{1}}WeMM-Video-4B{{/1}} foi ajustado para vídeo audiovisual conjunto e manteve-se firme em todo o resto. Se o seu trabalho é descrever o que acontece em um clipe e resumir o que é falado nele, os números são bons. Se o seu trabalho é OCR denso ou raciocínio textual de nível de pós-graduação, o mesmo checkpoint é um compromisso.
Executá-lo significa aplicar patches no seu próprio runtime

Nem o vLLM nem o SGLang oferecem suporte a esta arquitetura upstream. Uma busca no rastreador de issues do vLLM não encontra nenhuma solicitação do WeMM-Video, e o repositório traz um diretório {{2}}patch{{/2}} em vez dissopatch: sobreposições de código-fonte com manifestos SHA-256 para quatro versões upstream exatas — vLLM 0.18.0 e 0.31.0, SGLang 0.5.16 e 0.5.19 — cada uma fixada em uma combinação específica de PyTorch, Transformers e CUDA 12.9, com Python 3.12 e FFmpeg exigidos e o TorchCodec precisando de CUDA 12 NPP no caminho do linker. O SGLang ainda compila kernels CUDA no primeiro uso, então um toolchain C++ e o Ninja fazem parte da instalação.
O caminho GGUF também não é um atalho. É um pacote de três arquivos — um arquivo de linguagem de 4,90 GiB, um projetor de visão de 0,63 GiB e um arquivo de áudio de 2,00 GiB — criado para um "WeMM native runtime" que você compila a partir do repositório, e não para llama.cpp ou Ollama. O manifesto da própria Tencent rotula a exportação como exported_unvalidated, e o arquivo de escopo que o acompanha diz quantized_candidate_not_validated. Essa rotulagem é incomumente franca e deve ser lida literalmente: o pacote Q4_K_M é oferecido, não avalizado.
O que a Tencent de fato alega como validado é limitado: o vLLM corrigido carregou o checkpoint em uma H20 e concluiu verificações de geração para texto, imagem, áudio e vídeo com trilha sonora, e o checkpoint local passou por um carregamento direto no Transformers, além de uma verificação de geração de texto em CPU. Nada de throughput, latência, consumo de memória ou números de concorrência. Para um modelo cujo diferencial de venda é vídeo, “ele gerou” é o mínimo que uma decisão de implantação exige.
A OrcaRouter não serve o WeMM-Video-4B. Seu catálogo não lista nenhum checkpoint WeMM, então não há preço hospedado a citar nem endpoint a indicar; hoje esta é uma tarefa de auto-hospedagem com um patch aplicado ao mecanismo de inferência de outra pessoa. Para a metade do trabalho que envolve apenas visão, há alternativas abertas na plataforma — Qwen3-VL-235B-A22B-Thinking e Qwen3-VL-8B-Thinking aceitam imagens e quadros de vídeo — acessíveis por meio de uma única chave compatível com OpenAI, sem equivalente WeMM para a metade de áudio. Se um host compatível começar a servir esses pesos, o preço de lista do provedor é repassado com 0% de markup, mas isso é uma condição, não um fato atual.
O que ainda não foi confirmado
Quatro coisas que um comprador normalmente obteria de um lançamento e que não pode obter aqui.
• Preço. Não há nenhum. Nenhum endpoint hospedado, nenhuma tarifa por token, nenhuma lista de parceiros. O único custo é a GPU que você já possui.
• Avaliação independente. Nenhuma entrada no Artificial Analysis, nenhuma submissão à arena, nenhuma reprodução por terceiros. O pipeline de avaliação é público, o que é a segunda melhor opção e não é a mesma coisa.
• Condições de avaliação.As contagens de frames, os orçamentos de pixels e os comprimentos de contexto usados nas execuções do benchmark não são indicados no artigo, e a receita fornecida usa 16 frames, enquanto o padrão do processador é 128.
• A exceção de licença de terceiros. A Tencent afirma que os componentes dentro da coleção permanecem sob seus termos originais, mas não os enumera. A pilha de áudio descende do Qwen2.5-Omni e a espinha dorsal do Qwen3.5, ambos Apache 2.0, o que é tranquilizador, mas não decisivo.
Nada disso é motivo para descartar o lançamento. É motivo para tratar a família como aquilo que ela visivelmente é: dezoito repositórios e um relatório técnico publicados online numa janela de dezenove minutos, com a etapa de anúncio pulada. A documentação é melhor do que a da maioria dos lançamentos anunciados. A distribuição é zero.
Para uma equipe que precisa de compreensão audiovisual conjunta em hardware que controla, o WeMM-Video-4B é o checkpoint pequeno mais interessante publicado este mês, e os números de vídeo justificam o esforço de patch. Para quem precisa de um endpoint até sexta-feira, a resposta honesta é que este ainda não é um — os pesos existem, o runtime é um overlay de código-fonte e os únicos benchmarks são dos autores. Fique atento à primeira reprodução independente, a uma fusão upstream no vLLM ou a um preço hospedado. O que chegar primeiro dirá mais do que outra linha na Tabela 2.
Comparados neste artigo1
Detectado a partir deste artigo
