การ์ดชื่อเรื่องหลักอ่านว่า 'WeMM-Video-2B' โดยมีคำบรรยายใต้ชื่อว่า 'เปิดตัวโดยไม่มีการประกาศ' พร้อมป้ายสี่ป้ายที่อ่านว่า '2B แบบ dense รวมทั้งหมด 3.28B', 'รับวิดีโอ + เสียง + รูปภาพ + ข้อความ', 'Apache 2.0 พร้อมการควอนไทซ์สี่แบบ', 'ยอดดาวน์โหลดบน Hub เป็นศูนย์'
Engineering & Research

WeMM-Video-2B: โมเดล Omni-Modal ขนาด 2B ที่ไม่มีใครประกาศ

ผู้เขียน

Gideon Frost

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ไม่มีโพสต์เปิดตัว ไม่มีการ์ดโมเดลบนหน้าผลิตภัณฑ์ ไม่มีรายการรอ ไม่มีตารางราคา ไม่มีทวีต benchmark จากผู้บริหาร Tencent สิ่งที่มีอยู่คือรีโพซิทอรีบน Hugging Face ที่ถูกสร้างเมื่อ 08:58 UTC วันที่ 17 พฤศจิกายน 2026 และรีโพบน GitHub ที่คอมมิตแรกเกิดขึ้นก่อนหน้านั้นหกชั่วโมงครึ่ง และทั้งสองระบุว่าWeMM-Video-2Bเป็นเช็กพอยต์ dense 2B ในตระกูลโมเดลวิดีโอ omni-modal จีน–อังกฤษจาก WeChat Vision ของ Tencent หกวันต่อมา รีโพนี้มีไลก์สองครั้ง ยอดดาวน์โหลดเป็นศูนย์ และมีรุ่นพี่น้องแบบควอนไทซ์สี่รุ่นที่ถูกสร้างขึ้นภายในสิบเอ็ดนาทีหลังน้ำหนักฐาน ดังนั้นประโยคแรกที่ตรงไปตรงมาของบทความใด ๆ เกี่ยวกับโมเดลนี้ คือประโยคเกี่ยวกับการแพ็กเกจของมัน: มันเป็นสาธารณะ ดาวน์โหลดได้ และยังไม่มีใครพูดถึงมันสักคำ

ช่องว่างนั้นควรค่าแก่การจริงจังมากกว่าการมองว่าเป็นวันข่าวเงียบ ๆ ครอบครัวโมเดลที่ปล่อยเวต เปเปอร์ รูปแบบควอนไทซ์สี่แบบ สูตร vLLM และ SGLang ที่แพตช์แล้ว รันไทม์ C++ แบบเนทีฟ และไฟล์ Docker compose ภายในสัปดาห์เดียวกัน ไม่ใช่กองงานวิจัยที่ใครบางคนลืมประกาศ — แต่เป็นการเปิดตัวที่เตรียมไว้แล้วปล่อยออกมาโดยไม่มีชั้นการตลาด สิ่งที่ตามมาจะแยกสิ่งที่อาร์ติแฟกต์พิสูจน์ได้ออกจากสิ่งที่เพียง T​encent ยืนยันได้ และมันจงใจไม่สนใจว่าจะตัดสินว่าโมเดลนี้ดีหรือไม่

สิ่งที่ repository มีอยู่จริง

เช็กพอยต์ฐานคือ tencent/WeMM-Video-2B สัญญาอนุญาต Apache 2.0 เป็นไฟล์ safetensors แบบ BF16 ขนาด 6.12 GiB แบ่งเป็นสองชาร์ด ไฟล์ index ระบุจำนวนพารามิเตอร์ทั้งหมด 3,283,624,264 ตัว ซึ่งบอกสิ่งที่ชื่อไม่ได้บอกไว้ นั่นคือ "2B" เป็นของโมเดลภาษา ไม่ใช่ของทั้งระบบ แกนหลักฝั่งข้อความคือตัวถอดรหัสตระกูล Qwen3.5 — 24 เลเยอร์ ขนาดซ่อน 2048 หัวความสนใจ 8 หัวเทียบกับหัว KV 2 หัว คำศัพท์ 248,320 โทเคน และการฝังตำแหน่งสูงสุด 262,144 โทเคน — ด้วยโครงสร้างความสนใจแบบผสมที่วางเลเยอร์ความสนใจแบบเต็มหนึ่งชั้นไว้หลังทุก ๆ สามเลเยอร์ความสนใจแบบเชิงเส้น ด้านหน้าของมันคือทรานส์ฟอร์เมอร์แบบภาพ 24 เลเยอร์ที่ขนาดซ่อน 1024 และสแต็กเสียงที่สร้างจากตัวเข้ารหัส Whisper 32 เลเยอร์ซึ่งป้อนเข้าสู่ Q-Former สองเลเยอร์ที่มีขนาดซ่อน 4104 พารามิเตอร์ที่เหลืออยู่ในตัวเข้ารหัสทั้งสองนั้น

Generated scoreboard titled 'WeMM-Video-2B — the scoreboard' with six rows: parameters 3.28B total with a 2B language model, modalities in text, image, audio and video plus soundtrack, output text only, video sampling 2 fps from 4 to 16 frames, an 8,192-token context, and no hosted endpoint as the price. A footer reads 'Vendor-reported; no independent evaluations published.'

สถาปัตยกรรมนั้นตอบคำถามที่ชื่อนี้ก่อขึ้นมา นี่ไม่ใช่ตัวสร้างวิดีโอ มันรับวิดีโอเข้า — เฟรม และอาจมีแทร็กเสียงต้นฉบับด้วย — แล้วส่งข้อความออกมา ID โทเค็นของคอนฟิกเองยืนยันเรื่องนี้: โทเค็นวิดีโอ โทเค็นเสียง โทเค็นรูปภาพ และโมเดลภาษาที่สร้างข้อความ หากคุณมาหวังว่าจะพบอีกหนึ่งรายการในการแข่งขัน text-to-video รีโพซิทอรีจะทำให้คุณผิดหวังตั้งแต่ครั้งแรกที่อ่านแท็กไปป์ไลน์ ซึ่งก็คือ image-text-to-text.

• ขนาดต่าง ๆ ในตระกูลนี้ — 2B, 4B, 9B แบบ dense และ 35B-A3B แบบ mixture-of-experts ทั้งหมดเผยแพร่พร้อมกันเมื่อวันที่ 17 พฤศจิกายน

• การควอนไทซ์สำหรับ 2B — FP8 Block128, AWQ W4A16, GGUF Q4_K_M และ NVFP4 W4A16 โดยแต่ละรายการอยู่ในรีโพซิทอรีของตัวเอง และแต่ละรายการถูกสร้างขึ้นภายในสิบเอ็ดนาทีหลังจากน้ำหนักฐาน

• เส้นทางการให้บริการ — Transformers 5.2.0, vLLM 0.18.0 หรือ 0.31.0 ที่แพตช์แล้ว, SGLang 0.5.16 หรือ 0.5.19 ที่แพตช์แล้ว และรันไทม์เนทีฟสำหรับบิลด์ GGUF ที่ทำงานบน CPU หรือ CUDA

• ขีดจำกัดอินพุตในสูตรที่จัดส่ง — สูงสุดสี่ภาพ สองวิดีโอ และสองรายการเสียงต่อคำขอ ที่ความยาวบริบท 8,192 โทเคน

• สัญญาอนุญาต — Apache 2.0 สำหรับน้ำหนักโมเดล พร้อมไฟล์ประกาศของบุคคลที่สามแยกต่างหาก ซึ่งครอบคลุมส่วนประกอบ LAVIS, vLLM และ SGLang

รายละเอียดเรื่องการเสิร์ฟที่มีแพตช์คือสิ่งที่ทำให้สิ่งนี้แตกต่างจากการปล่อยโมเดลแบบ open-weights ทั่วไป T​encent ไม่ได้ส่งรีโปที่ "ใช้งานได้ในทางทฤษฎี" ออกมา แต่ส่งแพตช์แบบโอเวอร์เลย์สำหรับ vLLM และ SGLang เวอร์ชันเฉพาะ ไฟล์ dependency ที่ล็อกเวอร์ชันไว้ อิมเมจ Docker ที่ติดแท็ก CUDA 12.9 และบันทึกการตรวจสอบที่ระบุว่า checkpoint โหลดและสร้างผลลัพธ์ได้สำเร็จบนฮาร์ดแวร์ L20 และ H20 ครอบคลุมทั้งข้อความ รูปภาพ เสียง และวิดีโอที่มีแทร็กเสียง คำถามว่าแพตช์เหล่านั้นจะยังทำงานได้ดีนอกคลัสเตอร์ของ T​encent เองหรือไม่นั้น เป็นคำถามประเภทที่ต้องให้คนนอกได้ลองรันกันสักหนึ่งสัปดาห์จึงจะตอบได้ และสัปดาห์นั้นยังไม่เกิดขึ้น

Screenshot of the Hugging Face model card for tencent/WeMM-Video-2B, showing the image-text-to-text pipeline tag, Transformers and Safetensors, the qwen3_5 architecture with custom code, an Apache-2.0 licence, a model size of 3B parameters, a downloads figure with no deployments, and a Quantizations section listing the four sibling repositories.

บทความกล่าวอ้างอะไร และใครเป็นผู้ตรวจสอบ

รายงานทางเทคนิคคือ arXiv 2611.26409 ลงวันที่ 19 พฤศจิกายน 2026 — สองวันหลังจากที่น้ำหนักโมเดลปรากฏขึ้น — และเป็นบทความเกี่ยวกับตระกูลโมเดล ไม่ใช่บทความเกี่ยวกับโมเดลขนาด 2B โดยมีผู้เขียนสิบสองคน ผู้เขียนที่ระบุชื่อเป็นคนแรกคือ Changli Tang และผู้เขียนที่ระบุชื่อเป็นคนสุดท้ายคือ Jing Lyu ทั้งหมดอยู่ภายใต้แบรนด์ WeChat Vision

ข้อกล่าวอ้างหลักนั้นเกี่ยวกับโมเดล 35B-A3B ไม่ใช่ 2B โดยกล่าวว่าโมเดลนี้สร้างมาตรฐานล้ำสมัยใหม่ในฐานะโอเพนซอร์สสำหรับการประเมินวิดีโอแบบ omni-modal ซึ่งทำได้ดีกว่าอย่างชัดเจนเมื่อเทียบกับ Qwen3.5-Omni-Flash และ Seed2.0-Mini-0428 พร้อมทั้งลดช่องว่างเมื่อเทียบกับ Gemini-3.0-Flash ข้อกล่าวอ้างที่สองเกี่ยวข้องกับโมเดลในชื่อบทความนี้ โดยกล่าวว่า WeMM-Video-9B เหนือกว่าโมเดลโอเพนซอร์สขนาดใหญ่กว่าอย่าง Qwen3-Omni-30B-A3B-Instruct ส่วนโมเดล 2B ปรากฏอยู่ในคำอธิบายตระกูลโมเดลและใน model zoo แต่ข้อโต้แย้งของเปเปอร์นั้นอาศัยโมเดลพี่น้องที่ใหญ่ที่สุดเป็นหลัก

ตัวเลขทุกตัวเหล่านั้นเป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ไม่มีรายการใน Artificial Analysis ไม่มีผลลัพธ์จาก LMArena ไม่มีการทำซ้ำโดยอิสระ และ ณ เวลาที่เขียนนี้ ไม่มีการประเมินโดยบุคคลที่สามในรูปแบบใดๆ สำหรับสมาชิกใดๆ ของตระกูลนี้ บทความระบุว่าโมเดลเหล่านี้ได้รับการประเมินข้ามเบนช์มาร์กมากกว่า 120 รายการ แต่ไม่ได้ระบุว่าใครเป็นผู้รัน และคำตอบคือ Tencent นั่นไม่ใช่ข้อกล่าวหา แต่เป็นสถานะปกติของการเปิดตัวที่มีอายุหกวัน แต่มันหมายความว่าคำอธิบายที่ถูกต้องสำหรับตำแหน่งของ 35B-A3B คือ "Tencent รายงานว่ามันนำ" ไม่ใช่ "มันนำ"

ข้อควรระวังอีกประการหนึ่งเป็นเรื่องเชิงโครงสร้างมากกว่าเชิงบรรณาธิการ ชุดแบบทดสอบมาตรฐานจำนวน 120 งาน ซึ่งคัดเลือกและกำหนดน้ำหนักโดยห้องปฏิบัติการที่ฝึกโมเดลนั้น เป็นการวัดความเหมาะสม—มันบอกคุณว่าโมเดลเก่งในสิ่งต่าง ๆ ที่ผู้เขียนคิดจะวัด แต่ไม่ได้บอกว่ามันเก่งในสิ่งต่าง ๆ ที่คุณต้องการ ช่องว่างระหว่างสองประโยคนั้นคือจุดที่ความผิดพลาดในการเลือกโมเดลส่วนใหญ่เกิดขึ้น และการอ่านตารางไม่ว่าจะมากเพียงใดก็ปิดช่องว่างนี้ไม่ได้

โหมดทั้งสี่ และเหตุใดเส้นทางเสียงจึงสำคัญ

API การอนุมานเปิดเผยรูปแบบคำขอห้าแบบ และแบบที่น่าสนใจคือแบบสุดท้าย ข้อความและภาพเป็นเรื่องธรรมดา เสียงอย่างเดียวก็เป็นเรื่องธรรมดา เฟรมวิดีโออย่างเดียวเป็นกรณีมาตรฐานของวิดีโอแบบหลายรูปแบบ วิดีโอพร้อมแทร็กเสียงต้นฉบับ คือสิ่งที่เปลี่ยนว่าสามารถขอให้โมเดลทำอะไรได้ และเป็นประเภทเนื้อหาแยกต่างหากใน API ที่ให้บริการ แทนที่จะเป็นพฤติกรรมโดยนัย

ในทางปฏิบัติ นั่นหมายความว่าคุณสามารถส่งคลิปให้โมเดลและขอให้อธิบายสิ่งที่อยู่บนหน้าจอพร้อมสรุปสิ่งที่กำลังพูดได้ในการเรียกครั้งเดียว และได้คำตอบที่สะท้อนทั้งสองอย่าง ตัวอย่างใน model card ของโมเดลเองก็ทำเช่นนี้จริง ๆ คือถอดเสียงภาษาอังกฤษจากบันทึกของ Apollo 11 แล้วอธิบาย MP4 เดียวกันทั้งแบบมีและไม่มีแทร็กเสียง การที่การให้เหตุผลร่วมกันจะดีกว่าการรันโมเดลวิดีโอและโมเดลเสียงพูดเคียงกันแล้วนำผลลัพธ์มาเชื่อมต่อกันหรือไม่นั้นเป็นคำถามเชิงประจักษ์ และเป็นสิ่งเดียวที่มีประโยชน์ที่สุดที่ผู้ประเมินอิสระสามารถทดสอบได้

การตัดสินใจออกแบบอีกอย่างที่ควรค่าแก่การกล่าวถึงคือเทมเพลตแชทสองโหมด การส่ง enable_thinking=Falseจะให้คำตอบโดยตรง ส่วนenable_thinking=Trueจะให้แนวทางการให้เหตุผลก่อนคำตอบ นั่นคือปุ่มปรับระหว่างความหน่วงกับคุณภาพที่จัดส่งมาเป็นแฟล็กเทมเพลตแทนที่จะเป็นเช็กพอยต์สองตัว ซึ่งเป็นทางเลือกที่สมเหตุสมผลสำหรับโมเดล 2B — คุณไม่ได้จ่ายสำหรับชุดน้ำหนักชุดที่สองเพื่อให้ได้พฤติกรรมที่สอง

การรันมัน และสถานะความพร้อมใช้งานตามจริง

เส้นทางเริ่มต้นแบบเร็วต้องใช้สภาพแวดล้อม Python 3.12, GPU NVIDIA, ไดรเวอร์ที่เข้ากันได้กับ CUDA 12.9 และ FFmpeg ติดตั้ง Torch 2.10.0, TorchVision 0.25.0 และ TorchCodec 0.10.0 จากดัชนี CUDA 12.9 จากนั้นติดตั้ง Transformers 5.2.0, Accelerate, Pillow, Librosa, SoundFile, SciPy และ Requests โมเดลโหลดผ่าน AutoModelForImageTextToText ด้วย trust_remote_code=True — สถาปัตยกรรมนี้เป็นแบบกำหนดเอง ดังนั้นแฟล็กนี้จึงจำเป็นต่อการทำงานไม่ใช่เพียงของประดับ และการ์ดแจ้งอย่างถูกต้องให้คุณอ่านโค้ดกำหนดเองก่อนเปิดใช้งาน

หากคุณต้องการเซิร์ฟเวอร์แทนสคริปต์ สูตร vLLM จะปักหมุดบิลด์ 0.18.0 ที่ถูกแพตช์ไว้ และส่ง--no-enable-prefix-cachingควบคู่กับ--mamba-ssm-cache-dtype float32 ซึ่งเป็นชุดค่าผสมที่บอกคุณได้ว่าชั้นเลเยอร์แบบ hybrid linear-attention ยังไม่มี prefix cache ที่ใช้งานได้ นั่นเป็นข้อจำกัดด้านทรูพุตจริงสำหรับงานแชต และเป็นรายละเอียดประเภทที่จะปรากฏขึ้นก็ต่อเมื่อมีคนลองให้บริการสิ่งนี้จริง ๆ

สิ่งที่ขาดหายไปจากทุกเอกสารคือราคา ไม่มีเอนด์พอยต์ที่ Tencent โฮสต์สำหรับ WeMM-Video-2B ไม่มีอัตราค่าบริการต่อโทเคน ไม่มีการดีพลอยแบบมีผู้ดูแล คุณดาวน์โหลดเวตโมเดลเองและเป็นเจ้าของ GPU เอง ในฝั่ง OrcaRouter ข้อความที่ตรงไปตรงมาก็เหมือนกัน: เราไม่ได้ให้บริการ WeMM-Video-2B สิ่งที่เรามีจาก Tencent คือตระกูลโมเดลข้อความ Hunyuan — tencent/hy4, tencent/hy4-flash และบิลด์พรีวิว — บนเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ในราคาตามรายการของผู้ให้บริการ พร้อมมาร์กอัป 0% ซึ่งมีประโยชน์หากไปป์ไลน์ของคุณต้องการโมเดลข้อความจากแล็บเดียวกัน และไร้ประโยชน์หากต้องการโมเดลนี้ สองผลิตภัณฑ์ที่แตกต่างกัน ชื่อผู้ขายเดียวกัน และการนำสองสิ่งนี้มาปนกันจะเป็นข้อผิดพลาดที่เกิดขึ้นได้ง่ายเมื่อทำอย่างเร่งรีบ

Screenshot of the OrcaRouter catalogue page for tencent/hy4, showing pricing of $0.56 per million input tokens and $2.24 per million output tokens, a quality score of 90, a speed score of 67, a 1M-token context window, a 64k maximum output, zero-data-retention support and a release date of 4 November 2026.

จากความอยากรู้อยากเห็นสู่การแนะนำ

สามเรื่อง โดยเรียงตามระดับผลกระทบที่แต่ละเรื่องจะสร้างความเปลี่ยนแปลง

ข้อแรกคือการประเมินที่เป็นอิสระบนเบนช์มาร์กที่ Tencent ไม่ได้เลือกเอง การทดสอบแบบ blind arena ใดก็ตาม — ไม่ว่าจะเป็นการทำความเข้าใจวิดีโอ, QA แบบเสียงและภาพ, หรืออะไรก็ตามที่ใกล้เคียงที่สุด — จะบอกคุณได้ทันทีว่าตำแหน่งที่ตระกูลนี้กล่าวอ้างยังคงอยู่หรือไม่เมื่อเผชิญกับชุดพรอมป์ที่เป็นกลาง จนกว่าสิ่งนั้นจะมีอยู่ คำกล่าวอ้าง "state of the art โอเพนซอร์สใหม่" ของ 35B-A3B ก็เป็นเพียงคำกล่าวอ้างเกี่ยวกับตารางในไฟล์ PDF

ฉบับที่สองคือรายงานการให้บริการจากภายนอก Tencent แพตช์มีความเฉพาะเจาะจง ฮาร์ดแวร์ก็เฉพาะเจาะจง และบันทึกการตรวจสอบครอบคลุม GPU สองรุ่น ยังไม่ทราบว่าสิ่งนี้จะทำงานได้ราบรื่นบนโหนด H100 โหนด A100 หรือ 4090 ที่เช่ามาหรือไม่ และคำตอบจะกำหนดว่า 2B เป็นโปรเจกต์สุดสัปดาห์หรือชิ้นงานวิจัย

ข้อที่สามคือประกาศจากผู้ขาย — ประกาศจากผู้ขายแบบใดก็ได้ โพสต์บล็อก การ์ดโมเดลบนหน้าผลิตภัณฑ์ของ T​encent หรือระดับราคา ตอนนี้การเปิดตัวครั้งนี้จะสื่อความได้เฉพาะกับคนที่อ่านการประทับเวลาในรีโพซิทอรีเท่านั้น และหน้าต่างเจ็ดวันที่สถานะนี้ยังเป็นจริงกำลังจะปิดลง หาก T​encent ไม่เผยแพร่อะไรเลย การตีความที่น่าจะเป็นไปได้มากที่สุดคือ เวตเหล่านี้มีอยู่เพื่อสนับสนุนเปเปอร์และ 35B และ 2B เป็นเช็กพอยต์เพื่อความสะดวกมากกว่าจะเป็นผลิตภัณฑ์

นี่คือแก่นที่ตรงไปตรงมาของเรื่องนี้ WeMM-Video-2B เป็นโมเดล omni-modal ที่มีอยู่จริง ดาวน์โหลดได้ และใช้สัญญาอนุญาต Apache-2.0 ซึ่งไม่มีใครประกาศ ไม่มีใครดาวน์โหลด และไม่มีใครทดสอบอย่างอิสระ ถ้างานของคุณเกี่ยวข้องกับความเข้าใจเสียงและภาพร่วมกัน และคุณมี GPU สำรองกับเวลาช่วงบ่ายสักช่วง ค่าใช้จ่ายในการค้นหาว่ามันทำอะไรได้ก็คือการดาวน์โหลด ถ้างานของคุณเกี่ยวข้องกับการส่งมอบอะไรบางอย่างในเดือนหน้า ค่าใช้จ่ายในการค้นหาว่ามันทำอะไรได้จะสูงกว่านั้น และสิ่งที่รับผิดชอบคือการรอตัวเลขจากคนอื่น

การเปรียบเทียบในบทความนี้1

ตรวจพบจากบทความนี้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube