
WeMM-Video-35B-A3B: น้ำหนักโมเดลเปิดให้ใช้งานแล้ว คะแนนเป็นของ Tencent เอง
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 182 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 356 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 147 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
เป็นเวลาสามวัน รีโพซิทอรี Hugging Face tencent/WeMM-Video-35BA3Bมีไฟล์เดียว: ไฟล์ขนาด 1.5 KB ชื่อ .gitattributes. รายงานทางเทคนิคที่อธิบาย WeMM-Video-35B-A3B ถูกเผยแพร่บน arXiv เมื่อวันที่ 19 พฤศจิกายน โดยเรียกเช็กพอยต์นี้ว่าเป็นสุดยอดใหม่แบบโอเพนซอร์สสำหรับการเข้าใจภาพและเสียงร่วมกัน นำหน้า Qwen3.5-Omni-Flash และ Seed2.0-Mini-0428 และไล่ตามติด Gemini-3.0-Flash. ผู้อ่านที่เชื่อรายงานและคลิกเข้าไปยังไฟล์น้ำหนักโมเดลกลับไม่พบสิ่งใดให้ดาวน์โหลด เทนเซอร์ BF16 ขนาด 67.39 GiB เพิ่งมาถึงเมื่อเวลา 03:57 UTC ของวันที่ 20 พฤศจิกายน — เช้านี้เอง โมเดลเรือธงถูกประกาศก่อนที่มันจะมีอยู่จริงหนึ่งวัน และตัวเลขทุกตัวที่แนบมากับมันจนถึงตอนนี้ล้วนมาจากทีมที่ฝึกมัน
จังหวะเวลาเหล่านั้นไม่ใช่เรื่องอื้อฉาว แต่เป็นการเปิดตัวงานวิจัยตามปกติที่มีลำดับขั้นตอนสลับกันไปมา แต่มันหมายความว่าคำถามที่มีประโยชน์เกี่ยวกับ WeMM-Video-35B-A3B ไม่ใช่ "มันดีไหม" — รายงานตอบคำถามนั้นในทางที่เป็นประโยชน์กับทีมเอง ผ่านตารางทั้งเจ็ด — แต่เป็น "วันนี้คุณตรวจสอบอะไรได้ด้วยตัวเองบ้าง และอะไรที่คุณกำลังเชื่อโดยไม่ตรวจสอบ" คลังโค้ดตอบครึ่งแรกได้ดีกว่าการเปิดตัวส่วนใหญ่
ตุ้มน้ำหนักมาถึงเมื่อเช้านี้ ไม่ใช่วันที่ 17
การประทับเวลาบน Hugging Face ทำให้ลำดับเหตุการณ์อ่านออกได้ชัดเจนเป็นพิเศษ รีโพซิทอรี WeMM-Video ทั้งสิบเก้าในคอลเลกชันของ Tencent ถูกสร้างขึ้นภายในช่วงเวลาหกนาทีเมื่อวันที่ 17 พฤศจิกายน ระหว่าง 08:53:50 ถึง 08:59:06 UTC — ลักษณะเฉพาะที่บ่งชี้ว่าเป็นสคริปต์อัปโหลดมากกว่าการที่บุคคลกดเผยแพร่ สำหรับรีโพซิทอรี 35B-A3B คอมมิตที่ชื่อ initial commit เมื่อเวลา 08:53:50 มีไฟล์เพียงหนึ่งไฟล์เท่านั้น และไฟล์นั้นไม่ใช่ไฟล์น้ำหนัก คอมมิตที่ชื่อ Upload WeMM-Video-35BA3B BF16 release ซึ่งบรรจุแชร์ดของ safetensors จำนวนสิบเจ็ดชิ้น ลงวันที่ 2026-11-20T03:57:36Z
ขนาดที่เล็กกว่าถูกเพิ่มเข้ามาในช่วงเช้าวันเดียวกัน: 2B เมื่อเวลา 01:41, 4B เมื่อเวลา 04:08, 9B เมื่อเวลา 05:08 รีโพซิทอรี GitHub Tencent/WeMM-Videoถูกสร้างขึ้นเมื่อวันที่ 17 พฤศจิกายน เวลา 02:29 UTC และ README ของรีโพซิทอรีนี้ยังอยู่ระหว่างการแก้ไขเมื่อเวลา 05:09 วันที่ 20 พฤศจิกายน รายงาน arXiv 2611.26409 ถูกส่งเมื่อวันที่ 19 พฤศจิกายน เวลา 16:58 UTC
ไม่มีสิ่งใดในนั้นที่ผิดปกติสำหรับห้องแล็บที่ปล่อยโมเดลออกมาเป็นตระกูลหนึ่ง สิ่งที่มันเปลี่ยนไปคือสถานะของใครก็ตามที่อ่านเกี่ยวกับโมเดลนี้ในสัปดาห์นี้: รายงานดังกล่าวอธิบายถึงเช็กพอยต์ที่ในช่วงประมาณสามสิบหกชั่วโมงนั้นเป็นเพียงคำสัญญาไว้เท่านั้น หากคุณอ่านข่าวเมื่อวันที่ 19 พฤศจิกายนแล้วลองรันมัน ความล้มเหลวนั้นไม่ได้มาจากทูลเชนของคุณ

ข้างในเช็กพอยต์ขนาด 36.18B มีอะไรบ้าง
เมตาดาต้าของ Hugging Face เองระบุว่า checkpoint นี้มี 36,177,564,536 พารามิเตอร์ — 36.18B เมื่อเทียบกับป้ายกำกับ "35B-A3B" ป้ายกำกับนั้นไม่ได้ผิด เพียงแต่มันนับสิ่งที่แตกต่างจากขนาดไฟล์ และช่องว่างระหว่างสองสิ่งนี้คือสิ่งที่สำคัญที่สุดในทางปฏิบัติเกี่ยวกับโมเดลนี้
• Language tower — 40 เลเยอร์ที่ความกว้างซ่อน 2,048, 16 query head เทียบกับ 2 key-value head, มิติ head 256, ขนาดคำศัพท์ 248,320 กลไก attention เป็นแบบไฮบริด: ทุกเลเยอร์ที่สี่เป็น full attention และอีกสามเลเยอร์เป็น linear attention ซึ่งเป็นเหตุผลว่าทำไมทุกคำสั่ง serving ในรีโพซิทอรีจึงมีแฟล็กแคช SSM แบบ float32
• ผู้เชี่ยวชาญ — ผู้เชี่ยวชาญที่ถูกกำหนดเส้นทาง 256 รายต่อเลเยอร์ที่ความกว้างระดับกลาง 512 การกำหนดเส้นทางแบบ top-8 บวกผู้เชี่ยวชาญที่ใช้ร่วมกันซึ่งกว้าง 512 เมื่อรวม 40 เลเยอร์ จะมีผู้เชี่ยวชาญที่ถูกกำหนดเส้นทางทั้งหมด 10,240 ราย
• วิสชันทาวเวอร์ — 27 บล็อกที่ความกว้างซ่อน 1,152 ขนาดแพตช์ 16 การรวมเชิงพื้นที่ 2 แพตช์เชิงเวลา 2 ฉายไปยัง 2,048
• เสียง — มีโครงสร้างแบบ Whisper ประกอบด้วยเลเยอร์เอนโคเดอร์ 32 ชั้นและเดโคเดอร์ 32 ชั้นที่ความกว้าง 1,280 ส่งต่อให้ Q-Former ระดับหน้าต่างซึ่งบีบอัดแต่ละหน้าต่าง 0.1 วินาทีให้เหลือโทเคนเดียว คิดออกมาได้เป็น 10 โทเคนเสียงต่อวินาที จากอินพุต 16 kHz ที่แบ่งเป็นชังก์ละ 30 วินาที
• ที่มา — รายงานระบุว่า MoE ถูกสร้างขึ้นบน Qwen3.6-35B-A3B และตัวเข้ารหัสเสียงได้รับการกำหนดค่าเริ่มต้นจาก Qwen2.5-Omni เฟรมวิดีโอมีเวลากำกับเป็นข้อความ และโทเค็นภาพกับเสียงถูกสลับแทรกกันตามลำดับเวลา แทนที่จะถูกจัดรวมเป็นสตรีมแยกจากกัน
• การฝึก — ประมาณ 1.2 ล้านล้านโทเค็นมัลติโหมดผ่านการฝึกล่วงหน้าแบบก้าวหน้า จากนั้นจึงเป็นการกลั่นแบบออนโพลิซีจากครูหลายตัว ระยะการปรับความชอบแบบต่อต้านการซ้ำซ้อนที่ผู้เขียนเรียกว่า MrDPO และการเรียนรู้แบบเสริมกำลังเฉพาะทาง
• สัญญาอนุญาต — Apache 2.0 ครอบคลุมทั้งคอลเลกชัน โดยมีข้อยกเว้นสำหรับคอมโพเนนต์ของบุคคลที่สามที่ "ยังคงอยู่ภายใต้ข้อกำหนดดั้งเดิมของแต่ละรายการ" ข้อยกเว้นนี้ระบุไว้ แต่ไม่ได้แจกแจงเป็นรายการ
มีตัวแปรแบบควอนไทซ์สี่แบบที่เผยแพร่ควบคู่กับเช็กพอยต์ BF16 และไฟล์ manifest ของตัวแปรเหล่านั้นน่าอ่าน เพราะมีการติดป้ายกำกับไว้อย่างตรงไปตรงมา AWQ W4A16 รวมทั้งหมด 22.69 GiB และ manifest ของมันระบุว่า quantized_unvalidated. NVFP4 W4A16 เป็นไฟล์ safetensors ไฟล์เดียวขนาด 24.11 GiB ซึ่ง manifest อ้างเพียง cpu_NVFP4_weight_artifact_independently_reread — น้ำหนักถูกอ่านซ้ำบน CPU ซึ่งเป็นเพียงการตรวจสอบด้วยเช็กซัม ไม่ใช่การประเมิน ชุด GGUF Q4_K_M ประกอบด้วยสามไฟล์ (ภาษา 22.61 GiB, โปรเจกเตอร์วิสชัน 0.84 GiB, เสียง 1.99 GiB) และ manifest ของมันระบุว่า exported_unvalidated โดยไฟล์ขอบเขตต่อเทนเซอร์ระบุว่า quantized_candidate_not_validated.
variant ที่ห้าขาดหายไป ทั้ง model card และตาราง model-zoo บน GitHub ต่างก็ลิงก์ไปยังรีโพซิทอรี FP8 Block128; Hub ตอบกลับ 401 สำหรับรีโพซิทอรีนี้ ซึ่งเป็นคำตอบเดียวกับที่มันให้กับชื่อรีโพซิทอรีที่ไม่เคยมีอยู่จริง ขณะที่ sibling ที่ยังเปิดใช้งานทุกตัวตอบกลับ 200 คอลเลกชันของ Hugging Face มีช่องว่างที่ตำแหน่ง 1 ซึ่งเป็นตำแหน่งที่รีโพซิทอรีนั้นควรจะอยู่พอดี นี่คือรีลีสที่ยังอยู่ระหว่างการประกอบในขณะที่คุณอ่านข้อความนี้
ตัวเลขที่วัดได้เพียงค่าเดียว และมันคือเสียง
การ์ดโมเดลรายงานผลการประเมินเพียงรายการเดียวที่ผู้จำหน่ายได้รันเอง: MMAR1000 ที่ 72.7% คือ 727 จาก 1,000 เงื่อนไขถูกระบุไว้อย่างครบถ้วน ซึ่งเป็นส่วนที่ดี — ใช้เฉพาะเสียง ถอดรหัสเสียงเต็มรูปแบบที่ 16 kHz โหมด Instruct การถอดรหัสแบบ greedy เอาต์พุตสูงสุด 256 โทเคน ใช้ vLLM 0.18 ที่แพตช์แล้วบน GPU H20 สองตัวพร้อม tensor parallelism
ทุกอย่างอื่นบนการ์ดนั้นเป็นการระบุว่ามีบางสิ่งโหลดขึ้นแล้ว vLLM ที่แพตช์แล้วโหลดเช็กพอยต์บน H20 และเสร็จสิ้นการตรวจสอบการสร้างสำหรับข้อความ รูปภาพ เสียง และวิดีโอที่มีแทร็กเสียง ส่วนเช็กพอยต์ในเครื่องผ่านการโหลดโดยตรงด้วย Transformers และการตรวจสอบการสร้างข้อความบน CPU นั่นคือพื้นฐานขั้นต่ำที่การตัดสินใจด้านการดีพลอยต้องการ และ Tencent ไม่ได้แสร้งทำเป็นอย่างอื่น
มีประเด็นค้างคาใจอยู่หนึ่งจุดที่ควรตามต่อ คู่มือการเสิร์ฟโมเดลใน GitHub repository เดียวกันมีตารางตรวจสอบซึ่งแถวสุดท้ายระบุว่า “การสร้างผลลัพธ์ด้วย GPU หลังจากดาวน์โหลด checkpoint จาก Hub ยังรอดำเนินการ” การ์ดโมเดลระบุว่าการรันบน H20 ซึ่งโหลดจาก Hub สร้างผลลัพธ์เสร็จสมบูรณ์สำหรับทั้งสี่โมดัลลิตี เอกสารสองฉบับที่เขียนโดยทีมเดียวกันขัดแย้งกันเกี่ยวกับขอบเขตสิ่งที่ได้รับการสาธิตแล้ว ข้อความในการ์ดมีความเฉพาะเจาะจงกว่าและน่าจะเป็นข้อมูลล่าสุดมากกว่า ความขัดแย้งนี้เป็นเหตุผลที่สมเหตุสมผลในการกันเวลาไว้หนึ่งวันสำหรับ smoke test ของคุณเอง แทนที่จะกันเวลาหนึ่งสัปดาห์สำหรับการอินทิเกรต
ตารางข้อมูลเสียงของรายงานยังระบุ 73.6 บน MMAR สำหรับเช็กพอยต์นี้ ซึ่งเป็นฮาร์เนสคนละตัวกับการรัน MMAR1000 ของการ์ด และไม่ควรนำไปลบออกจาก 72.7 เพื่อให้ได้ตัวเลข "จริง" การตีความที่ซื่อตรงเพียงอย่างเดียวคือ ตัวเลขเสียงของ Tencent เองอยู่ในช่วงเจ็ดสิบต้น ๆ และยังไม่มีฝ่ายที่สองวัดค่านี้
28 จาก 30 เมื่อเทียบกับ Qwen's omni flash
ตารางที่ 1 ในรายงานเป็นกรณีของ flagship และเป็นกรณีใหญ่ เมื่อพิจารณาเบนช์มาร์กแบบค่าเดียว 30 รายการในตารางนั้น — งานเสียงและภาพร่วม การหลอนแบบเสียงและภาพ ความเข้าใจดนตรี การโต้ตอบ และการสร้างคำบรรยาย — WeMM-Video-35B-A3B ในโหมด Thinking ทำได้ดีกว่า Qwen3.5-Omni-Flash ใน 28 รายการ และด้อยกว่าใน 2 รายการ เมื่อเทียบกับ Seed2.0-Mini-0428 ทำได้ดีกว่าใน 26 รายการ และด้อยกว่าใน 4 รายการ เมื่อเทียบกับ Gemini-3.0-Flash ทำได้ดีกว่าใน 9 รายการ และด้อยกว่าใน 21 รายการ
ชัยชนะที่สำคัญที่สุดไม่ใช่ชัยชนะที่เรียบร้อย:
• Video-MME พร้อมเสียง — 86.4 สำหรับ WeMM-Video-35B-A3B, 79.3 สำหรับ Qwen3.5-Omni-Flash, 83.6 สำหรับ Seed2.0-Mini-0428, 88.6 สำหรับ Gemini-3.0-Flash
• Video-MME v2 พร้อมเสียง — 54.9 เทียบกับ 36.6 และ 51.7 โดย Gemini-3.0-Flash อยู่ที่ 63.2 นำหน้าคู่แข่งแบบเปิดที่ใกล้ที่สุดถึงสิบแปดคะแนนบนสปลิตที่ยากกว่าของเบนช์มาร์กเดียวกัน
• AV-SpeakerBench — 72.6 เทียบกับ 65.2 และ 68.5 แต่ยังตามหลัง Gemini ที่ 75.9 การแยกแยะว่าใครเป็นผู้พูดจากวิดีโอ คือภารกิจที่แยกความแตกต่างระหว่างการหลอมรวมเสียงและภาพที่แท้จริง ออกจากโมเดลภาพที่นำบทถอดเสียงมาแปะไว้เฉย ๆ
• SciVideoBench และ EvaOmni — 69.4 เทียบกับ 51.3 และ 57.8 เทียบกับ 30.4 ทั้งสองกรณีต้องใช้การให้เหตุผลหนัก และทั้งสองกรณีเป็นจุดที่โมเดล omni ที่อ่อนกว่ามักล้มเหลว
ความสูญเสียก็เจาะจงไม่แพ้กันและควรค่าแก่การเอ่ยถึง เพราะตารางที่แสดงเฉพาะชัยชนะคือสิ่งที่บล็อกนี้เกิดขึ้นมาเพื่อหลีกเลี่ยง:
• JointAVBench — 65.9 ตามหลัง Qwen3.5-Omni-Flash ที่ 69.0 และ Gemini-3.0-Flash ที่ 68.4 โดยนำหน้าเพียง Seed2.0-Mini-0428 ที่ 64.7
• MUSIC-AVQA — 79.5 เมื่อเทียบกับ 82.1 ของ Qwen แม้จะนำหน้า 76.2 ของ Gemini ดนตรีคือจุดที่สแต็กเสียงของ Qwen ยังคงได้เปรียบ
• เมื่อเทียบกับ Seed2.0-Mini-0428 — OmniCompass-AV 46.3 เทียบกับ 47.9, OmniVChat 48.9 เทียบกับ 49.8, O-IN-Bench 49.0 เทียบกับ 49.4, ชุดทดสอบของ video-SALMONN 2 28.3 เทียบกับ 32.7 สามในสี่รายการนี้มีผลต่างไม่ถึงหนึ่งจุด
• เมื่อเทียบกับ Gemini-3.0-Flash — ช่องว่างกว้างที่สุดในวิดีโอแบบยาวและวิดีโอที่มุ่งสู่อนาคต: MMOU 74.5 เทียบกับ 84.7, FutureOmni 56.2 เทียบกับ 65.3, OmniVideoBench 55.3 เทียบกับ 63.3, LVOmniBench 52.6 เทียบกับ 59.8 คำว่า “ลดช่องว่างลง” เป็นคำอธิบายที่เหมาะสม แต่ “ปิดช่องว่างได้สนิท” ไม่ใช่
ตัวเลขทั้งหมดข้างต้นเป็นของ Tencent รายงานเองก็ระบุไว้เช่นนั้น — “สำหรับโมเดลที่มีอยู่แล้ว เราจะรายงานผลลัพธ์อย่างเป็นทางการเมื่อมีให้ใช้ และใช้การประเมินของเราเองในกรณีอื่น” — และสลับไปมาระหว่างโหมด Instruct กับ Thinking ตามตาราง ซึ่งรายงานก็ระบุไว้เช่นกัน ยังไม่มีบุคคลที่สามรายใดทำซ้ำผลลัพธ์ใด ๆ เหล่านี้ และทั้ง Artificial Analysis และ LMArena ต่างก็ไม่มีรายชื่อโมเดล WeMM

การเพิ่มหูแทบไม่ทำให้คะแนนการมองเห็นลดลง
ข้อกล่าวอ้างในข่าวประชาสัมพันธ์ฉบับนี้ที่สมควรได้รับความสนใจมากกว่าผลลัพธ์ benchmark ที่เป็นพาดหัวข่าว คือข้อกล่าวอ้างที่เงียบกว่านั้น นั่นคือ การติดตั้งระบบเสียงเข้ากับโมเดลภาษา-ภาพไม่ได้ทำให้ความสามารถด้านภาพลดลงมากนัก การฝึกแบบ omni-modal มักมีต้นทุนบางอย่าง — โมเดลกระจายขีดความสามารถไปยังหลายรูปแบบสัญญาณและสูญเสียความสามารถในวิดีโอที่ไม่มีเสียง
รายงานทดสอบเรื่องนี้โดยตรงด้วยการนำ WeMM-Video-35B-A3B ไปเทียบกับแบ็กโบนของตัวเองคือ Qwen3.6-35B-A3B บนเบนช์มาร์กวิดีโอไร้เสียง 31 รายการ รุ่นเรือธงนำอยู่ 20 รายการและตามหลังอยู่ 11 รายการ และส่วนใหญ่ของทั้ง 11 รายการนั้นห่างกันไม่ถึงหนึ่งจุด
• จุดที่ได้คะแนนเพิ่มขึ้น — TimeLens-Charades 54.8 เทียบกับ 47.4, F-16-NBA 89.9 เทียบกับ 82.8, CrossVid 50.2 เทียบกับ 45.2, OVO-Bench 63.9 เทียบกับ 61.0, TemporalBench 45.9 เทียบกับ 43.3
• จุดที่แพ้ — EgoSchema 74.2 เทียบกับ 77.2, Video-MME 80.4 เทียบกับ 82.5, MVBench 73.1 เทียบกับ 74.6, MLVU 85.3 เทียบกับ 86.2 ส่วนที่เหลือต่างกันเพียงเศษเสี้ยวของคะแนน
อ่านรูปแบบมากกว่าตัวเลข: ผลที่เพิ่มขึ้นกระจุกตัวอยู่ในการยึดโยงเชิงเวลาและการเชื่อมโยงวิดีโอยาว ส่วนผลที่ลดลงอยู่ในวิดีโอแบบegocentric จากมุมมองบุคคลที่หนึ่ง นั่นเป็นการแลกเปลี่ยนที่สมเหตุสมผลสำหรับโมเดลที่ปรับแต่งบนวิดีโอที่มีเสียง เมื่อเทียบกับ Qwen3.5-Omni-Flash บนตารางวิดีโอไร้เสียงเดียวกัน มันนำอยู่ 30 จาก 31 รายการ โดยแพ้เพียง VideoVista 83.5 ต่อ 84.1
ตารางภาพและตารางข้อความแสดงรูปแบบเดียวกัน เมื่อเทียบกับ Qwen3.5-Omni-Flash แล้ว มี 26 จาก 28 benchmark ด้านภาพที่ WeMM ชนะ โดยมี RefCOCO (89.5 เทียบกับ 92.6) และ TallyQA (80.7 เทียบกับ 81.2) เป็นข้อยกเว้น เมื่อเทียบกับ backbone ของตัวเอง ตารางภาพแทบจะเสมอกัน — นำอยู่ 13 ตามอยู่ 14 — และตารางข้อความคือจุดที่ต้นทุนปรากฏชัด: MMLU-Pro 84.7 เทียบกับ 85.2, GPQA 83.8 เทียบกับ 86.0, IMOAnswerBench 74.8 เทียบกับ 78.9, SuperGPQA 63.4 เทียบกับ 64.7 การยอมเสียคะแนน hard reasoning ไปไม่กี่จุดเพื่อแลกกับ "หู" ที่ใช้งานได้จริงนั้นเป็นการแลกเปลี่ยนที่ปกติและมีเหตุผลรองรับ แต่มันก็ยังเป็นการแลกเปลี่ยน และใครก็ตามที่ส่งข้อความระดับบัณฑิตศึกษาผ่าน checkpoint นี้ควรรู้ว่ามีข้อแลกเปลี่ยนนี้อยู่
หน่วยความจำ 36B, การคำนวณ 3B
นี่คือการคำนวณที่ตัดสินว่าโมเดลนี้พร้อมนำไปใช้งานสำหรับคุณหรือไม่ และมันได้มาจากคอนฟิก ไม่ใช่จากคำบรรยาย จากพารามิเตอร์ 36.18B ประมาณ 32.2B อยู่ใน routed experts: 40 เลเยอร์ คูณ 256 experts คูณสามโปรเจกชันที่ขนาด 2,048 คูณ 512 การ routing แบบ Top-8 แตะเพียงหนึ่งในสามสิบสองของส่วนนั้นต่อโทเคน ประมาณ 1.0B พารามิเตอร์ และคำว่า "3B active" บนป้ายกำกับก็สอดคล้องกันเมื่อนับ attention, shared expert และตาราง embedding แล้ว
ดังนั้นค่าใช้จ่ายด้านคอมพิวต์จึงต่ำ แต่ค่าใช้จ่ายด้านหน่วยความจำกลับไม่ใช่:
• BF16 — 67.39 GiB กระจายอยู่ใน 17 shard การตรวจสอบของ Tencent เองใช้ tensor parallelism บน H20 สองตัว ไม่มีตัวเลข tensor-parallel ที่เผยแพร่สำหรับการกำหนดค่าที่ใหญ่กว่า; คู่มือการให้บริการระบุเพียงว่า "วางแผนหน่วยความจำสำหรับน้ำหนัก expert ทั้งหมดและตั้งค่า --tensor-parallel-size ตามความจำเป็น"
• NVFP4 W4A16 — 24.11 GiB ซึ่งพอดีกับการ์ดเดี่ยวขนาด 48 GB โดยยังเหลือที่สำหรับแคช สูตรนี้เป็นสภาพแวดล้อม vLLM 0.31.0 ที่แพตช์แยกต่างหาก พร้อมด้วย ModelOpt mixed precision และ Marlin และรันด้วย --max-num-seqs 1.
• AWQ W4A16 — 22.69 GiB บน vLLM 0.18.0 ที่แพตช์แล้ว โดยใช้การกำหนดค่า compressed-tensors ของ checkpoint เอง
• GGUF Q4_K_M — ชุดไฟล์สามไฟล์ขนาด 24.6 GiB แต่สำหรับรันไทม์เนทีฟของ Tencent เอง ไม่ใช่ llama.cpp หรือ Ollama แมนิเฟสต์ของมันระบุว่าส่งออกแล้วและยังไม่ผ่านการตรวจสอบ
ไม่มีสิ่งใดที่นี่ทำงานบนเอนจินที่ยังไม่ได้แพตช์ รีโพซิทอรีนี้จัดส่งไดเรกทอรีที่ชื่อ patch: โอเวอร์เลย์ซอร์สโค้ดพร้อมแมนิเฟสต์ SHA-256 สำหรับรีลีสต้นทางจำนวนสี่รายการพอดี — vLLM 0.18.0 และ 0.31.0, SGLang 0.5.16 และ 0.5.19 — โดยแต่ละรายการถูกปักหมุดกับชุดค่าผสมเฉพาะของ PyTorch, Transformers และ CUDA 12.9 ต้องมี Python 3.12 และ FFmpeg, TorchCodec ต้องมี CUDA 12 NPP อยู่ในพาธของลิงก์เกอร์ และ SGLang จะคอมไพล์เคอร์เนล CUDA เมื่อใช้งานครั้งแรก การค้นหาในตัวติดตามปัญหาของ vLLM ไม่พบคำขอจากต้นทางสำหรับสถาปัตยกรรมนี้ นี่คืองานโฮสต์เองที่มีการนำโอเวอร์เลย์ไปใช้กับเอนจินอินเฟอเรนซ์ของคนอื่น

รายละเอียดการกำหนดค่า 2 อย่างจำกัดสิ่งที่คุณป้อนให้มันได้จริง คอนฟิกข้อความประกาศไว้ 262,144 ตำแหน่ง แต่คำสั่ง vLLM ของการ์ดเองส่ง --max-model-len 8192 และทุกสูตร SGLang ก็จำกัดบริบทไว้ที่ 8,192 เช่นกัน — ตัวเลขที่ยาวนั้นเป็นพื้นที่เผื่อ ไม่ใช่ค่าที่รองรับ การสุ่มตัวอย่างเฟรมก็เช่นกัน: โปรเซสเซอร์ตั้งค่าเริ่มต้นที่ 2 fps และสูงสุด 128 เฟรม ขณะที่สูตรที่เผยแพร่เขียนทับเป็น 16 เฟรมและงบประมาณ 262,144 พิกเซล ที่ 10 โทเค็นเสียงต่อวินาที บริบท 8,192 โทเค็นจะเท่ากับเสียงเกินสิบสามนาทีเล็กน้อยและไม่มีอย่างอื่นเลย
OrcaRouter ไม่ได้ให้บริการ WeMM-Video-35B-A3B และแคตตาล็อกก็ไม่ได้ระบุ checkpoint ของ WeMM ไว้เลย จึงไม่มีราคาแบบโฮสต์ให้เสนอ สิ่งที่เราให้บริการคือโมเดลที่ตัวนี้ถูกสร้างขึ้นมา: Qwen3.6-35B-A3B อยู่บนแพลตฟอร์มในราคา $0.25 ต่อล้านโทเคนอินพุต และ $1.48 ต่อล้านโทเคนเอาต์พุต ภายใต้บริบท 262,144 โทเคน พร้อมอินพุตข้อความ รูปภาพ และวิดีโอ หากครึ่งหนึ่งของงานที่คุณต้องการคือ "ดูคลิปแล้ววิเคราะห์" มากกว่า "ดูคลิปแล้วถอดเสียงในห้อง" นั่นคือตัวแทนแบบโฮสต์ที่ใช้ได้ภายในบ่ายนี้ แทนที่จะต้องดาวน์โหลด 67 GiB และแพตช์ระดับซอร์ส ราคาตามรายการของผู้ให้บริการส่งต่อโดยบวกกำไร 0% และทุกโมเดลอยู่เบื้องหลัง คีย์เดียวที่เข้ากันได้กับ OpenAI พร้อมการ failover อัตโนมัติ ดังนั้นการลองความเห็นที่สองจึงมีต้นทุนเพียงการเปลี่ยนคอนฟิก ไม่ใช่สัญญาอีกฉบับ
สิ่งที่ไม่มีใครนอก WeChat เคยตรวจสอบ
สี่สิ่งที่ผู้ซื้อปกติจะได้รับจากการเปิดตัว แต่ไม่สามารถได้รับในที่นี้
• การประเมินโดยอิสระ ไม่มีเลย กระบวนการประเมินและทำซ้ำเปิดเผยต่อสาธารณะ ซึ่งเป็นสิ่งที่ดีรองลงมาและไม่ใช่สิ่งเดียวกัน
• เงื่อนไขการประเมิน จำนวนเฟรม งบพิกเซล และความยาวคอนเท็กซ์ที่ใช้ในการรันเบนช์มาร์กไม่ได้ระบุไว้ในรายงาน และสูตรที่จัดส่งมาสุ่มตัวอย่าง 16 เฟรม ในขณะที่โปรเซสเซอร์ตั้งค่าเริ่มต้นเป็น 128 การสุ่มตัวอย่าง 16 เฟรมจากคลิปยาวถือเป็นอินพุตที่แตกต่างจากการสุ่มตัวอย่าง 128 เฟรมจากคลิปเดียวกัน
• ข้อกล่าวอ้างเรื่องการนำไปใช้งานจริง รายงานระบุว่าตระกูลนี้ "ถูกนำไปใช้งานในบริการวิดีโอหลักหลายบริการภายใน WeChat" โดยระบุชื่ออีคอมเมิร์ซผ่านไลฟ์สตรีม การวิเคราะห์ละครสั้น และวิดีโอแบบโต้ตอบ นั่นเป็นข้อกล่าวอ้างที่จริงจังหากเป็นความจริง — ทราฟฟิกในระบบโปรดักชันคือการประเมินเดียวที่ไม่มีใครโต้แย้งได้ — และไม่สามารถตรวจสอบได้จากภายนอกเลย ไม่มีการเผยแพร่ตัวเลขความหน่วง ปริมาณงานต่อหน่วยเวลา จำนวนงานที่ทำพร้อมกัน หรือหน่วยความจำ ที่ใดเลยในรีลีส
• อาร์ติแฟกต์ที่ผ่านการควอนไทซ์ สามในสี่ของตัวแปรที่เผยแพร่แล้วระบุไว้ในแมนิเฟสต์ของตนเองว่ายังไม่ได้รับการตรวจสอบยืนยัน AWQ, GGUF และ NVFP4 เป็นเพียงสิ่งที่เสนอให้ใช้ มิใช่สิ่งที่รับประกัน
ไม่มีข้อใดในนั้นเป็นเหตุผลที่จะปัดตก release นี้ มันเป็นเหตุผลให้อ่านมันในสิ่งที่มันเป็นอยู่อย่างชัดเจน นั่นคือ release งานวิจัยที่มีเอกสารประกอบอย่างดี ซึ่งน้ำหนักโมเดลเรือธงเพิ่งมีอายุไม่กี่ชั่วโมง เปเปอร์มาถึงก่อน รีโพ FP8 ยังไม่ได้ถูกสร้างขึ้น และความนำในการ benchmark เหนือคู่แข่ง omni แบบเปิดที่ดีที่สุดนั้นมากพอที่จะคุ้มค่าต่อการทำซ้ำมากกว่าการตั้งข้อสงสัย
สิ่งที่ทำให้เรื่องนี้ได้ข้อสรุปก็คือรายการเดิม ๆ ที่ไม่เคยเปลี่ยน การ merge เข้า upstream ของ vLLM จะยุติการแพตช์ การทำซ้ำผลลัพธ์ได้อย่างอิสระเป็นครั้งแรกบน Video-MME v2 ที่มีเสียง จะยืนยันหรือเจาะช่องว่างสิบแปดจุดนั้น ราคาแบบโฮสต์ หรือรีโพซิทอรี FP8 ที่หายไป จะบอกคุณได้ว่า Tencent ตั้งใจให้สิ่งนี้ถูกใช้งานจริง หรือเพียงแค่ถูกอ้างอิง จนกว่าสิ่งใดสิ่งหนึ่งในนั้นจะเกิดขึ้น สรุปอย่างซื่อตรงก็คือ WeMM-Video-35B-A3B เป็นเช็กพอยต์โอเพนแบบออมนิมอดัลที่น่าสนใจที่สุดของเดือนนี้ คะแนนด้านวิสัยทัศน์ของมันดูจะยังคงอยู่แม้เพิ่มการได้ยินเข้ามา และตัวเลขทั้งหมดของมันในตอนนี้ล้วนมาจากคนที่เทรนมัน
