
WeMM-Video-2B: En 2B omnimodal modell som ingen tillkännagav
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 826 tok/s
- AlibabaNYQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M tokens · 407 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Det finns inget lanseringsinlägg. Det finns inget modellkort på en produktsida, ingen väntelista, ingen pristabell, ingen benchmark-tweet från en Tencent-chef. Det som finns är ett Hugging Face-repo skapat 08:58 UTC den 17 november 2026 och ett GitHub-repo vars första commit landade sex och en halv timme tidigare, och båda beskriver WeMM-Video-2B som den densa 2B-checkpointen i en familj av kinesisk-engelska omnimodala videomodeller från WeChat Vision på Tencent. Sex dagar senare har repot två gillamarkeringar, noll nedladdningar och fyra kvantiserade syskon som skapades inom elva minuter från basvikterna. Så den ärliga första meningen i vilken text som helst om den här modellen är en mening om dess paketering: den är offentlig, den går att ladda ner och ingen har sagt ett ord om den.
Det gapet är värt att ta på allvar i stället för att behandla det som en långsam nyhetsdag. En modellfamilj som levererar vikter, en artikel, fyra kvantiseringsformat, patchade vLLM- och SGLang-recept, en nativ C++-runtime och en Docker Compose-fil samma vecka är inte en forskningsdump som någon glömde att annonsera – det är ett släpp som förberetts och sedan publicerats utan marknadsföringslagret. Det följande skiljer det som artefakterna bevisar från det som bara Tencent kan bekräfta, och det är medvetet ointresserat av att avgöra huruvida modellen är bra.
Vad repositoryt faktiskt innehåller
Bascheckpointen är tencent/WeMM-Video-2B, Apache 2.0, 6,12 GiB BF16-safetensors fördelade över två shards. Indexfilen rapporterar totalt 3 283 624 264 parametrar, vilket säger något som namnet inte gör: "2B" är språkmodellen, inte systemet. Textryggraden är en dekoder från Qwen3.5-familjen – 24 lager, dold storlek 2048, 8 uppmärksamhetshuvuden mot 2 KV-huvuden, en vokabulär på 248 320 token och en maximal positionsinbäddning på 262 144 token – med en hybrid uppmärksamhetslayout som placerar ett lager med full uppmärksamhet efter var tredje lager med linjär uppmärksamhet. Framför den sitter en 24-lagrig vision transformer med dold storlek 1024, och en ljudstack byggd av en 32-lagrig Whisper-kodare som matar en tvålagrig Q-Former med en dold storlek på 4104. De återstående parametrarna finns i dessa två kodare.

Den arkitekturen besvarar frågan som namnet väcker. Det här är inte en videogenerator. Den tar in video – bildrutor plus, valfritt, originalljudspåret – och producerar text ut. Konfigurationens egna token-ID:n bekräftar det: en video-token, en ljud-token, en bild-token och en språkmodell som genererar. Om du kom hit i hopp om ännu ett bidrag i text-till-video-racet kommer repositoryt att göra dig besviken redan vid första läsningen av pipeline-taggen, som är image-text-to-text.
• Storlekar i familjen – 2B, 4B, 9B dense och en 35B-A3B mixture-of-experts, alla publicerade tillsammans den 17 november.
• Kvantiseringar för 2B — FP8 Block128, AWQ W4A16, GGUF Q4_K_M och NVFP4 W4A16, var och en i sitt eget repo, var och en skapad inom elva minuter från basvikterna.
• Serveringsvägar – Transformers 5.2.0, patchad vLLM 0.18.0 eller 0.31.0, patchad SGLang 0.5.16 eller 0.5.19 samt en inbyggd runtime för GGUF-bygget som körs på CPU eller CUDA.
• Inmatningsgränser i de medföljande recepten – upp till fyra bilder, två videor och två ljudobjekt per begäran, vid en kontextlängd på 8 192 token.
• Licens — Apache 2.0 för vikterna, med en separat fil för tredjepartsmeddelanden som täcker komponenterna LAVIS, vLLM och SGLang.
Detaljen med den patchade servingen är det som skiljer detta från ett typiskt släpp av öppna vikter. Tencent levererade inte ett "fungerar i teorin"-repo; de levererade overlay-patchar för specifika versioner av vLLM och SGLang, låsta beroendefiler, Docker-avbildningar taggade med CUDA 12.9 och en valideringsanteckning som säger att checkpointen laddades och slutförde generering på L20- och H20-hårdvara för text, bild, ljud och video med ljudspår. Om dessa patchar håller utanför Tencents eget kluster är precis en sådan fråga som besvaras under en vecka då utomstående kör dem, och den veckan har ännu inte ägt rum.

Vad artikeln hävdar, och vem som granskade den
Den tekniska rapporten är arXiv 2611.26409, daterad 19 november 2026 – två dagar efter att vikterna dök upp – och det är en familjeartikel, inte en 2B-artikel. Tolv författare, först angivne Changli Tang, sist angivne Jing Lyu, alla under WeChat Vision-bannern.
Rubrikpåståendet handlar om 35B-A3B-modellen, inte 2B: att den etablerar en ny öppen källkods-state-of-the-art inom omnimodal videoutvärdering, avsevärt överträffar Qwen3.5-Omni-Flash och Seed2.0-Mini-0428 samt minskar gapet till Gemini-3.0-Flash. Ett andra påstående gäller dock modellen i artikelns titel: att WeMM-Video-9B överträffar den större öppen källkods-modellen Qwen3-Omni-30B-A3B-Instruct. 2B-modellen förekommer i familjebeskrivningen och i model zoo, men artikelns argument bärs av dess största syskon.
Vart och ett av dessa siffror är leverantörsrapporterat. Det finns ingen Artificial Analysis-post, inget LMArena-resultat, ingen oberoende reproduktion och – i skrivande stund – ingen tredjepartsutvärdering av något slag för någon medlem av familjen. Rapporten säger att modellerna utvärderades mot fler än 120 benchmarks; den säger inte vem som körde dem, och svaret är Tencent. Det är inte en anklagelse, det är det normala tillståndet för en sex dagar gammal lansering. Men det innebär att den korrekta beskrivningen av 35B-A3B:s position är "Tencent uppger att den leder", inte "den leder".
Ett ytterligare förbehåll är strukturellt snarare än redaktionellt. En benchmark-svit på 120 uppgifter, utvalda och viktade av laboratoriet som tränade modellen, är ett mått på anpassning – den säger att modellen är bra på det som dess skapare tänkte mäta. Den säger inte att den är bra på det du behöver. Gapet mellan dessa två påståenden är där de flesta misstag vid modellval görs, och hur mycket man än läser tabeller så sluts det inte.
De fyra lägena, och varför ljudvägen spelar roll
Inferens-API:et exponerar fem förfrågningsformat, och det intressanta är det sista. Text och bild är inget särskilt. Enbart ljud är inget särskilt. Enbart videorutor är standardfallet för multimodal video. Video med sitt ursprungliga ljudspår är den som förändrar vad man kan be modellen göra, och den är en separat innehållstyp i serverings-API:et snarare än ett implicit beteende.
I praktiken innebär det att du kan ge modellen ett klipp och be den beskriva vad som syns på skärmen och sammanfatta vad som sägs, i ett enda anrop, och få ett svar som återspeglar båda. Modellkortets egna exempel gör precis detta – transkriberar engelskt tal från en Apollo 11-inspelning och beskriver sedan samma MP4 med och utan dess ljudspår. Huruvida det gemensamma resonemanget är bättre än att köra en videomodell och en talmodell sida vid sida och sammanfoga utdata är en empirisk fråga, och det är det enskilt mest användbara som en oberoende utvärderare skulle kunna testa.
Det andra designbeslutet värt att nämna är chattmallen med två lägen. Att skicka enable_thinking=False ger ett direkt svar; enable_thinking=True ger ett resonemangsspår före svaret. Det är en ratt för latens kontra kvalitet som levereras som en mallflagga i stället för som två checkpoints, vilket är ett rimligt val för en 2B-modell – du betalar inte för en andra uppsättning vikter för att få det andra beteendet.
Att köra det, och det ärliga läget för tillgänglighet
Snabbstartsvägen är en Python 3.12-miljö, ett NVIDIA-grafikkort, en drivrutin som är kompatibel med CUDA 12.9 och FFmpeg. Installera Torch 2.10.0, TorchVision 0.25.0 och TorchCodec 0.10.0 från CUDA 12.9-indexet, därefter Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy och Requests. Modellen laddas via AutoModelForImageTextToText med trust_remote_code=True — arkitekturen är anpassad, så flaggan är avgörande snarare än dekorativ, och modellkortet uppmanar dig korrekt att läsa den anpassade koden innan du aktiverar den.
Om du vill ha en server i stället för ett skript låser vLLM-receptet en patchad 0.18.0-build och skickar --no-enable-prefix-caching tillsammans med --mamba-ssm-cache-dtype float32, vilket är en kombination som visar att de hybrida linjära attentionlagren ännu inte har en fungerande prefix-cache. Det är en verklig begränsning för genomströmningen i chattarbetsbelastningar, och det är den typ av detalj som bara dyker upp när någon faktiskt har försökt serva saken.
Det som saknas i alla dokument är ett pris. Det finns ingen Tencent-hostad endpoint för WeMM-Video-2B, ingen taxa per token, ingen hanterad driftsättning. Du laddar ner vikterna och äger GPU:n. På OrcaRouter-sidan är det ärliga beskedet detsamma: vi tillhandahåller inte WeMM-Video-2B. Det vi däremot har från Tencent är Hunyuan-textlinjen — tencent/hy4, tencent/hy4-flash och förhandsversionerna — på en OpenAI-kompatibel endpoint till leverantörens listpris med 0 % påslag, vilket är användbart om din pipeline behöver en textmodell från samma labb och värdelöst om den behöver den här. Två olika produkter, ett leverantörsnamn, och att sammanblanda dem skulle vara det lätta misstaget att göra i all hast.

Från nyfikenhet till rekommendation
Tre saker, i ordning efter hur stor skillnad de skulle göra.
Den första är en oberoende utvärdering på ett benchmark som Tencent inte valde. Varje blind arena-körning – videoförståelse, audiovisuell QA, vad som än ligger närmast – skulle omedelbart visa om modellfamiljens påstådda position håller vid kontakt med en neutral uppsättning promptar. Tills det finns är 35B-A3B:s "nya toppmoderna nivå för öppen källkod" ett påstående om en tabell i en PDF.
Den andra är en servingrapport från utanför Tencent. Patcharna är specifika, hårdvaran är specifik, och valideringsnoten omfattar två GPU-modeller. Om detta körs felfritt på en H100-nod, en A100-nod eller en hyrd 4090 är okänt, och svaret avgör om 2B är ett helgprojekt eller en forskningsartefakt.
Det tredje är ett leverantörsmeddelande – vilket leverantörsmeddelande som helst. Ett blogginlägg, ett modellkort på en produktsida från Tencent, en prisnivå. Just nu går utgåvan bara att förstå för dem som läser tidsstämplar i kodförråd, och det sjudagarsfönster under vilket detta gäller håller på att stängas. Om Tencent inte publicerar något är den mest sannolika tolkningen att dessa vikter finns för att stödja artikeln och 35B, och att 2B är en bekvämlighetscheckpoint snarare än en produkt.
Vilket är den ärliga kärnan i det. WeMM-Video-2B är en verklig, nedladdningsbar, Apache-2.0-licensierad omni-modal modell som ingen har tillkännagivit, ingen har laddat ner och ingen har testat oberoende. Om ditt arbete handlar om gemensam audiovisuell förståelse och du har en ledig GPU och en eftermiddag, är kostnaden för att ta reda på vad den gör nedladdningen. Om ditt arbete handlar om att leverera något nästa månad är kostnaden för att ta reda på det högre än så, och det ansvarsfulla är att vänta på någon annans siffror.
Jämförda i den här artikeln1
Identifierat från den här artikeln
