
WeMM-Video-4B: โมเดลภาพและเสียง 5.6B ที่เปิดตัวแบบเงียบ ๆ ของ Tencent
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 185 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 826 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 407 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 · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 120 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 41 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 · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 111 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
ไฟล์ที่ระบุชื่อว่า WeMM-Video-4B มีขนาด 10.45 GiB และเมื่อพารามิเตอร์ BF16 หนึ่งตัวใช้สองไบต์ ก็คำนวณออกมาได้ 5.61 พันล้านพารามิเตอร์ ไม่ใช่สี่พันล้าน ข้อมูลเมตา safetensors ของ Tencent เองก็ระบุตรงกันว่า 5,611,746,312 พารามิเตอร์ "4B" ในชื่อคือ backbone ภาษา ไม่ใช่เช็กพอยต์ ความผิดพลาดทางคณิตศาสตร์เล็กน้อยนั้นเป็นทางเข้าที่เหมาะกับตระกูล WeMM-Video เพราะเกือบทุกอย่างที่น่าสนใจของการเปิดตัวนี้คือช่องว่างระหว่างป้ายชื่อกับตัวโมเดลจริง: ตระกูลสี่ขนาดที่เผยแพร่โดยไม่มีโพสต์เปิดตัว ชุด benchmark ที่เอาชนะ Qwen3-Omni-30B-A3B-Instruct และ MiniCPM-o-4.5-9B ในด้านวิดีโอ แต่แพ้ Qwen3.5-Omni-Flash ในด้านเสียง และการฝังตำแหน่ง 256K ที่ทุกคอนฟิกูเรชันที่จัดส่งจริงเลือกตัดเหลือ 8,192 โทเคนด้วยตัวเอง น้ำหนักโมเดลมีอยู่จริง เปเปอร์เปิดเผยต่อสาธารณะ และยังไม่มีใครดาวน์โหลดสิ่งใดจากมันเลย
เนื้อหาต่อไปนี้แยกสามสิ่งที่การ์ด Hugging Face ของตระกูลนี้ปนรวมกันไว้: สิ่งที่วัดได้ในรีโพซิทอรี สิ่งที่เฉพาะรายงานการประเมินของ Tencent เองเท่านั้นที่ระบุ และสิ่งที่ยังไม่มีใครจากภายนอก WeChat Vision ยืนยัน
ไฟล์ที่ชื่อ 4B มีพารามิเตอร์ 5.61 พันล้านตัว
Hugging Face บันทึกจำนวนพารามิเตอร์รวมต่อรีโพซิทอรี และสำหรับเช็กพอยต์ฐาน WeMM-Video ทั้งสี่นั้น จำนวนดังกล่าวสูงกว่าขนาดที่ระบุในชื่อประมาณ 1.2 ถึง 1.6 พันล้านอย่างสม่ำเสมอ
• WeMM-Video-2B — 3.28B ทั้งหมด เทียบกับป้ายกำกับ "2B"
• WeMM-Video-4B — รวม 5.61B เมื่อเทียบกับป้ายกำกับ "4B"
• WeMM-Video-9B — รวม 10.49B เมื่อเทียบกับป้ายกำกับ "9B"
• WeMM-Video-35BA3B — จำนวนรวม 36.18B เมื่อเทียบกับป้ายกำกับ "35B-A3B" ซึ่งมีเพียงสามพันล้านจากจำนวนนั้นที่ใช้งานต่อโทเค็น
การอ่านดัชนี safetensors ของรุ่น 4B ทำให้มองเห็นส่วนเกินได้ชัดเจน ในบรรดาเทนเซอร์ 1,268 ตัวของมัน โมเดลภาษามีพารามิเตอร์ 4.21B สแตกเสียงมี 1.07B และหอภาพมี 0.33B ประมาณสิบเก้าเปอร์เซ็นต์ของเช็กพอยต์คือ "หู" เปเปอร์ยืนยันว่าการตั้งชื่อนั้นเป็นไปโดยเจตนา: โมเดลแบบเดนส์สามรุ่นสร้างบน Qwen3.5-2B, Qwen3.5-4B และ Qwen3.5-9B และโมเดล mixture-of-experts สร้างบน Qwen3.6-35B-A3B
เรื่องนี้สำคัญสำหรับใครก็ตามที่กำลังประเมินขนาดการติดตั้งใช้งาน โมเดล "4B" ที่ต้องมีพื้นที่สำหรับพารามิเตอร์ 5.61B — 10.45 GiB ใน BF16 ก่อนจะรวม KV cache หรือ activation ใด ๆ — ต้องใช้เครื่องที่ต่างไปจากที่ตัวเลขบนการ์ดบ่งบอก
สิบแปดรีโป สิบเก้านาที ไม่มีประกาศ
โมเดลในตระกูลนี้ไม่ได้ถูกปล่อยออกมาทีละตัว การประทับเวลาในการสร้างบน Hugging Face ทำให้รีโพซิทอรีทั้งสิบแปดแห่ง — สี่ขนาดคูณห้าระดับความแม่นยำ — อยู่ในช่วงเวลา 08:53:50 ถึง 08:59:06 UTC ของวันที่ 17 พฤศจิกายน 2026 โดยห่างกันประมาณสิบสี่วินาที ซึ่งเป็นลักษณะเฉพาะของสคริปต์อัปโหลดมากกว่าการที่บุคคลหนึ่งกดเผยแพร่ รีโพซิทอรี GitHub Tencent/WeMM-Videoถูกสร้างเมื่อเวลา 02:29:33 UTC ในวันเดียวกัน โดยคอมมิตเริ่มต้นที่มีเนื้อหาสำคัญมาถึงในวันที่ 19 พฤศจิกายน และการแก้ไข README ยังคงดำเนินต่อไปจนถึงวันที่ 20 พฤศจิกายน

เปเปอร์ตามมาในวันที่ 19 พฤศจิกายน: arXiv 2611.26409 “WeMM-Video: Pushing the Frontiers of Open-Source Omni-Modal Video Understanding” มีผู้เขียนสิบสองคน ส่งเมื่อ 16:58 UTC นี่คือรายงานทางเทคนิคฉบับเต็มที่มีตารางผลลัพธ์เจ็ดตารางและลิงก์ไปยังไปป์ไลน์การประเมินและการทำซ้ำ ดังนั้นนี่ไม่ใช่การปล่อยแบบไม่มีเอกสารประกอบ — แต่เป็นการปล่อยที่มีเอกสารประกอบซึ่งไม่มีใครประกาศ เราหาโพสต์บล็อกของ Tencent หน้าเปิดตัว WeChat Vision ข่าวประชาสัมพันธ์ หรือระดับแบบเสียเงินที่ชี้ไปยังตระกูลนี้ไม่พบ การ์ดโมเดล GitHub README และเปเปอร์บน arXiv คือบันทึกสาธารณะทั้งหมด และสิ่งเหล่านี้ถูกเขียนขึ้นเพื่อกันและกัน
ตัวเลขการตอบรับบอกเรื่องเดียวกัน ณ เวลาที่เขียนนี้ base checkpoint ทั้งสี่ตัวแสดงยอดดาวน์โหลดเป็นศูนย์ และ repository ทั้งสิบแปดแห่งเมื่อรวมกันมีไลก์รวมสามครั้ง ทั้ง Artificial Analysis และ LMArena ต่างก็ไม่มีโมเดล WeMM อยู่ในรายการ ไม่มีสิ่งใดในนั้นเป็นหลักฐานเกี่ยวกับคุณภาพ — มันเป็นหลักฐานเกี่ยวกับการกระจาย และนั่นคือเหตุผลที่ checkpoint 4B ซึ่งทำคะแนนได้สูงกว่า 30B ใน benchmark วิดีโอหลายรายการ จึงไม่มีตัวเลขอิสระใด ๆ ผูกอยู่ด้วย
มีอะไรอยู่ภายใน checkpoint
ถ้าตัดกรอบการนำเสนอแบบตระกูลผลิตภัณฑ์ออกไป 4B ก็คือสแต็ก omni แบบสามทาวเวอร์มาตรฐาน ที่มีตัวเลือก backbone แปลกไปหนึ่งจุด
• หอคอยภาษา — 32 เลเยอร์ ขนาด hidden 2,560, หัว attention 16 หัว เทียบกับหัว key-value 4 หัว, มิติหัว 256, ขนาดคำศัพท์ 248,320 โครงหลักเป็นแบบไฮบริด: มีเลเยอร์ full attention หนึ่งชั้นทุก ๆ บล็อกที่สี่ โดยอีกสามชั้นใช้ linear attention ซึ่งเป็นเหตุผลว่าทำไมสูตรการให้บริการทุกสูตรในรีโพซิทอรีจึงมีแฟล็กแคช SSM แบบ float32 กำกับอยู่
• Vision tower — 24 บล็อกที่ขนาด hidden 1,024 ขนาดแพตช์ 16 การรวมเชิงพื้นที่ 2 แพตช์เชิงเวลา 2 ฉายไปยัง 2,560 เป็นตัวเข้ารหัสดั้งเดิมของ backbone ที่เก็บไว้แทนการสลับเปลี่ยน และเปเปอร์ได้แช่แข็งมันตั้งแต่ระยะก่อนการฝึกครั้งที่สองเป็นต้นไป เนื่องจากมัน "ให้การแทนค่าทางภาพที่แข็งแรงเพียงพออยู่แล้ว"
• หอเสียง — สไตล์ Whisper มีเลย์เอร์เอนโคเดอร์ 32 ชั้นและเดโคเดอร์ 32 ชั้นที่ความกว้าง 1,280 พร้อม Q-Former ระดับหน้าต่างที่บีบอัดหน้าต่าง 0.1 วินาทีให้เป็น 10 โทเคนเสียงต่อวินาที เสียงเข้ามาที่ 16 kHz เป็นชุดละ 30 วินาที นี่คือส่วนที่กำหนดค่าเริ่มต้นจาก Qwen2.5-Omni และด้วยพารามิเตอร์ 1.07B จึงเป็นช่องว่างที่ใหญ่ที่สุดเพียงจุดเดียวระหว่างชื่อกับไฟล์
• Fusion — โทเคนภาพและเสียงจะสลับกันตามลำดับเวลา พร้อมการประทับเวลาข้อความที่ชัดเจน แทนที่จะถูกรวมไว้ในสตรีมแยกกัน
• โหมด — โหมด Instruct สำหรับคำตอบโดยตรง และโหมด Thinking ที่สร้างร่องรอยการให้เหตุผลก่อนการตอบกลับ โดยสลับที่ระดับเทมเพลตแชตด้วย enable_thinking.
• สัญญาอนุญาต — Apache 2.0 ครอบคลุมทั้งคอลเลกชัน โดยไฟล์สัญญาอนุญาตของ Tencent ระบุแยกองค์ประกอบของบุคคลที่สามที่ "ยังคงอยู่ภายใต้ข้อกำหนดต้นฉบับของแต่ละราย" การระบุแยกดังกล่าวไม่ได้แจกแจงรายการในบัตรโมเดล
256K ในการตั้งค่า, 8K ในคำสั่งเสิร์ฟ
ข้อความการกำหนดค่าระบุว่า max_position_embeddings มีค่า 262,144 ทุกคำสั่งสำหรับการให้บริการที่ Tencent เผยแพร่ — ทั้งโปรไฟล์ vLLM ทั้งสองและโปรไฟล์ SGLang ทั้งสอง — ส่งผ่าน max-model-len 8192 หรือ context-length 8192 ตัวเลข 256K เป็นเพียงพื้นที่เผื่อเชิงสถาปัตยกรรม ไม่ใช่การกำหนดค่าที่รองรับ และไม่มีสิ่งใดในรีโพซิทอรีที่อธิบายวิธีการเข้าถึงค่านี้
งบประมาณเฟรมมีลักษณะเดียวกัน ค่าเริ่มต้นของโปรเซสเซอร์เองนั้นค่อนข้างเผื่อแผ่: 2 เฟรมต่อวินาที สูงสุด 128 เฟรม รวม 25,165,824 พิกเซล สูตรของ vLLM เขียนทับทั้งสามค่าให้ต่ำลง — fps 2, max_frames 16, total_pixels 262144 สิบหกเฟรมคือสิ่งที่คุณได้จากการคัดลอกคำสั่ง คลิปที่สุ่มตัวอย่างที่ 16 เฟรมเป็นอินพุตที่แตกต่างจากคลิปที่สุ่มตัวอย่างที่ 128 เฟรม และบทความไม่ได้ระบุว่าการประเมินวิดีโอใช้การสุ่มตัวอย่างแบบใด
• ขีดจำกัดสื่อต่อคำขอ ตามที่มีให้ใช้ — รูปภาพสี่รูป วิดีโอสองรายการ และไฟล์เสียงสองรายการ
• บริบทตามที่จัดส่ง — 8,192 โทเคน โดยเสียงใช้ 10 โทเคนต่อวินาที ก่อนที่จะนับเฟรมวิดีโอใด ๆ
สำหรับโมเดล 4B ตัวเลขสองค่านี้เป็นข้อจำกัดที่ผูกมัดงานจริง แปดพันโทเคนคือเสียงประมาณสิบสามนาทีและไม่มีอะไรอื่น ส่วนวิดีโอที่มีแทร็กเสียงจะใช้โควตากับทั้งสองสตรีมพร้อมกัน การทดสอบมาตรฐานวิดีโอยาวด้านล่างนี้ดำเนินการภายใต้เงื่อนไขที่รีโพซิทอรีไม่ได้ระบุไว้
เกณฑ์มาตรฐานเหล่านี้เป็นของผู้เขียนเอง
ตัวเลขทุกตัวในบทความนี้มาจากรายงานทางเทคนิค WeMM-Video รายงานระบุไว้อย่างชัดเจนว่า — “สำหรับโมเดลที่มีอยู่ เราแสดงผลลัพธ์อย่างเป็นทางการเมื่อมีข้อมูล และแสดงการประเมินของเราเองในกรณีอื่น” — และยังไม่มีบุคคลที่สามรายใดทำซ้ำผลลัพธ์เหล่านี้ได้ โหมดยังสลับไปมาระหว่างตาราง ซึ่งสำคัญกว่าปกติเพราะโหมด Thinking ไม่ได้ฟรี: ตารางวิดีโอรายงาน Thinking สำหรับ 2B, 4B และ 9B ตารางเสียงรายงาน Instruct เนื่องจากผู้เขียนพิจารณาว่าเกณฑ์มาตรฐานเสียงเป็นงาน “การรับรู้โดยตรง” และตารางภาพกับข้อความกลับมาใช้ Thinking การนำแถว 4B ในตารางเสียงไปเปรียบเทียบกับแถวของคู่แข่งในตารางวิดีโอไม่ใช่การเปรียบเทียบ

เมื่อมีข้อแม้นั้นกำกับอยู่ ตารางวิดีโอแบบ omni-modal คือจุดที่ 4B พิสูจน์ว่าขนาดไฟล์ของมันคุ้มค่า
จุดที่ 4B เอาชนะ 30B
ตารางที่ 2 ของบทความนำ {{1}}WeMM-Video-4B{{/1}} มาเปรียบเทียบกับ {{2}}Qwen3-Omni-30B-A3B-Instruct{{/2}} และ {{3}}MiniCPM-o-4.5-9B{{/3}} บน benchmark แบบเสียงและภาพร่วมกัน โดยทั้งหมดอยู่ในโหมด Thinking รุ่น 4B ชนะในรายการส่วนใหญ่ เมื่อเทียบกับโมเดลที่มีขนาดใหญ่กว่าถึงเจ็ดเท่า
• Video-MME พร้อมเสียง — WeMM-Video-4B 83.9, Qwen3-Omni-30B-A3B-Instruct 77.3, MiniCPM-o-4.5-9B 69.2.
• Video-MME v2 พร้อมเสียง — 48.1 เทียบกับ 36.3 และ 28.1 ซึ่งเป็นส่วนต่างที่กว้างที่สุดในตาราง
• Daily-Omni — 82.5 เทียบกับ 70.7 และ 80.2
• WorldSense — 60.3 เทียบกับ 54.0 และ 55.7
• OmniVideoBench — 49.7 เทียบกับ 45.4 และ 37.2
ตารางวิดีโอแบบไม่มีเสียงยิ่งแข็งแกร่งกว่าเดิม และเป็นตารางที่ควรใช้ตัดสินการซื้อ เมื่อตัดแทร็กเสียงออกและทดสอบเฉพาะการมองเห็น: Video-MME 75.7 เทียบกับ 70.5 และ 70.4, LVBench 65.3 เทียบกับ 50.2 และ 50.9, LongVideoBench 74.8 เทียบกับ 63.5 และ 66.0, EgoSchema 74.2 เทียบกับ 66.4 และ 60.4 การนำ 15 คะแนนบน LVBench ที่ขนาด 4B ไม่ใช่ผลจากความคลาดเคลื่อนจากการปัดเศษ ความเข้าใจวิดีโอยาวคือจุดที่โมเดลออมนิขนาดเล็กเคยล้มเหลวมาโดยตลอด
แถวภาพและข้อความนั้นแข่งขันได้มากกว่าจะเป็นฝ่ายเหนือกว่า MMMU 78.4 เทียบกับ 76.9 ของ Qwen3.5-Omni-Flash, MathVista 85.2 เทียบกับ 82.9, DocVQA 96.5 เทียบกับ 95.3, IFEval 91.3 เทียบกับ 85.2 เหล่านี้คือแถวที่ผู้อ่านมีแนวโน้มจะต้องใช้จริงมากที่สุด และค่าก็ยังยืนได้ดี
ตรงไหนที่มันแพ้ และแพ้ให้กับอะไร
ความสูญเสียเหล่านั้นเจาะจงและควรค่าแก่การเอ่ยถึง เพราะตารางที่แสดงเพียงชัยชนะคือสิ่งที่บล็อกนี้ตั้งใจหลีกเลี่ยง
• ด้านเสียง เมื่อเทียบกับโมเดลแฟลชแบบ proprietary — Qwen3.5-Omni-Flash ทำคะแนนได้ 80.4 ใน MMAU และ 74.0 ใน MMAR เมื่อเทียบกับ 75.2 และ 67.3 ของ WeMM-Video-4B ชัยชนะด้านเสียงเพียงรายการเดียวของ 4B คือ MMAU-Pro ที่ 68.1 เมื่อเทียบกับ 64.8
• วิดีโอ ในมุมเหล่านี้ — Video-Holmes 58.8 เทียบกับ 64.3 ของ MiniCPM-o-4.5-9B และ FutureOmni 50.9 เทียบกับ 55.1 ของ Qwen3-Omni-30B-A3B-Instruct และ 56.1 ของ MiniCPM สองเบนช์มาร์กที่คู่แข่งซึ่งเล็กกว่าหรือเก่ากว่าชนะอย่างเด็ดขาด
• รูปภาพและข้อความ — MMMU-Pro 64.7 เทียบกับ 68.2, OCRBench 85.7 เทียบกับ 89.1, GPQA 73.2 เทียบกับ 76.4, MMLU-Pro 78.3 เทียบกับ 79.9 ตามหลังโมเดล proprietary ที่มุ่งเน้นการให้บริการอยู่ระหว่างหนึ่งถึงหกคะแนน ซึ่งสำหรับ checkpoint ขนาด 5.61B แล้ว ถือเป็นตำแหน่งที่ตามหลังได้อย่างน่าภาคภูมิ
ข้อสรุปคือ WeMM-Video-4B ถูกปรับแต่งมาสำหรับวิดีโอที่ผสานภาพและเสียงเข้าด้วยกัน และยังรักษามาตรฐานไว้ได้ในด้านอื่น ๆ หากงานของคุณคือการอธิบายสิ่งที่เกิดขึ้นในคลิปและสรุปสิ่งที่พูดในคลิป ตัวเลขก็อยู่ในเกณฑ์ดี แต่หากงานของคุณคือ OCR ที่มีข้อความหนาแน่นหรือการให้เหตุผลเชิงข้อความระดับบัณฑิตศึกษา เช็กพอยต์เดียวกันนี้ก็เป็นการประนีประนอม
การรันมันหมายถึงการแพตช์รันไทม์ของคุณเอง

ทั้ง vLLM และ SGLang ไม่รองรับสถาปัตยกรรมนี้ใน upstream การค้นหาใน vLLM issue tracker ไม่พบคำขอเกี่ยวกับ WeMM-Video และ repository มีไดเรกทอรีแพตช์แทน: โอเวอร์เลย์ซอร์สโค้ดพร้อมแมนิเฟสต์ SHA-256 สำหรับรีลีส upstream ที่ระบุชัดเจนสี่รายการ — vLLM 0.18.0 และ 0.31.0, SGLang 0.5.16 และ 0.5.19 — โดยแต่ละรายการถูกล็อกไว้กับชุดค่าผสมเฉพาะของ PyTorch, Transformers และ CUDA 12.9 พร้อมทั้งจำเป็นต้องมี Python 3.12 และ FFmpeg และ TorchCodec ต้องมี CUDA 12 NPP อยู่ใน linker path นอกจากนี้ SGLang ยังคอมไพล์ CUDA kernel ในครั้งแรกที่ใช้งาน ดังนั้น C++ toolchain และ Ninja จึงเป็นส่วนหนึ่งของการติดตั้ง
เส้นทาง GGUF ก็ไม่ใช่ทางลัดเช่นกัน มันเป็นชุดรวมสามไฟล์ — ไฟล์ภาษา 4.90 GiB, ตัวฉายภาพ (vision projector) 0.63 GiB และไฟล์เสียง 2.00 GiB — ที่สร้างขึ้นสำหรับ "WeMM native runtime" ซึ่งคุณต้องคอมไพล์จากรีโพซิทอรี ไม่ใช่สำหรับ llama.cpp หรือ Ollama แมนิเฟสต์ของ Tencent เองติดป้ายการส่งออกนี้ว่า exported_unvalidated และไฟล์ขอบเขตที่มาพร้อมกันระบุว่า quantized_candidate_not_validated นั่นเป็นการติดป้ายที่ตรงไปตรงมาอย่างผิดปกติ และควรอ่านตามตัวอักษร: ชุด Q4_K_M ถูกเสนอให้ใช้ แต่ไม่ได้มีการรับรอง
สิ่งที่ Tencent อ้างว่าได้รับการตรวจสอบแล้วนั้นมีขอบเขตแคบ: vLLM ที่แพตช์แล้วโหลดเช็กพอยต์บน H20 และผ่านการตรวจสอบการสร้างสำหรับข้อความ รูปภาพ เสียง และวิดีโอที่มีแทร็กเสียง และเช็กพอยต์ภายในเครื่องผ่านการโหลดด้วย Transformers โดยตรง รวมถึงการตรวจสอบการสร้างข้อความบน CPU ไม่มีตัวเลข throughput, latency, memory footprint หรือ concurrency ใด ๆ สำหรับโมเดลที่จุดขายคือวิดีโอ คำว่า "มันสร้างได้" คือระดับพื้นฐานที่สุดของสิ่งที่การตัดสินใจนำไปใช้งานต้องการ
OrcaRouter ไม่ให้บริการ WeMM-Video-4B แคตตาล็อกของมันไม่มีเช็กพอยต์ WeMM ใด ๆ เลย ดังนั้นจึงไม่มีราคาแบบโฮสต์ให้อ้างอิงและไม่มีปลายทางให้ชี้ไป ปัจจุบันงานนี้เป็นการโฮสต์เองโดยต้องแพตช์ลงในเอนจินอินเฟอเรนซ์ของคนอื่น สำหรับครึ่งงานด้านภาพอย่างเดียว มีทางเลือกแบบโอเพนซอร์สบนแพลตฟอร์ม — Qwen3-VL-235B-A22B-Thinking และ Qwen3-VL-8B-Thinking รับได้ทั้งภาพและเฟรมวิดีโอ — เข้าถึงได้ผ่าน คีย์เดียวที่เข้ากันได้กับ OpenAI โดยไม่มีสิ่งที่เทียบเท่า WeMM สำหรับครึ่งงานด้านเสียง หากมีโฮสต์ที่เข้ากันได้เริ่มให้บริการน้ำหนักโมเดลเหล่านี้ ราคาตามรายการของผู้ให้บริการจะส่งผ่านไปโดยมีมาร์กอัป 0% แต่นั่นเป็นเงื่อนไข ไม่ใช่ข้อเท็จจริงในปัจจุบัน
สิ่งที่ยังไม่ได้รับการยืนยัน
สี่สิ่งที่ผู้ซื้อปกติจะได้รับจากการเปิดตัว แต่ไม่สามารถได้รับในที่นี้
• ราคา ไม่มีเลย ไม่มีเอนด์พอยต์แบบโฮสต์ ไม่มีอัตราคิดค่าต่อโทเคน ไม่มีรายชื่อพาร์ตเนอร์ ต้นทุนเดียวคือ GPU ที่คุณมีอยู่แล้ว
• การประเมินที่เป็นอิสระ ไม่มีรายการใน Artificial Analysis ไม่มีการส่งเข้า arena และไม่มีการทำซ้ำโดยบุคคลที่สาม ไปป์ไลน์การประเมินเป็นแบบสาธารณะ ซึ่งเป็นทางเลือกที่ดีรองลงมาและไม่ใช่สิ่งเดียวกัน
• เงื่อนไขการประเมิน จำนวนเฟรม งบพิกเซล และความยาวคอนเท็กซ์ที่ใช้ในการรันเบนช์มาร์กไม่ได้ระบุไว้ในบทความ และสูตรที่จัดส่งใช้ 16 เฟรม ขณะที่โปรเซสเซอร์ตั้งค่าเริ่มต้นไว้ที่ 128
• ข้อยกเว้นด้านใบอนุญาตของบุคคลที่สาม Tencent ระบุว่าคอมโพเนนต์ภายในคอลเลกชันยังคงอยู่ภายใต้ข้อกำหนดเดิม แต่ไม่ได้แจกแจงรายการเหล่านั้น สแต็กเสียงสืบทอดมาจาก Qwen2.5-Omni และแบ็กโบนมาจาก Qwen3.5 ซึ่งทั้งคู่เป็น Apache 2.0 ถือเป็นเรื่องที่ทำให้อุ่นใจมากกว่าจะเป็นข้อสรุปที่ชี้ขาด
ไม่มีสิ่งใดในนั้นเป็นเหตุผลที่จะมองข้ามการเปิดตัวนี้ มันเป็นเหตุผลที่จะปฏิบัติต่อตระกูลนี้ในสิ่งที่มันเป็นอย่างชัดเจน: สิบแปดรีโพซิทอรีและรายงานทางเทคนิคที่ถูกนำขึ้นออนไลน์ภายในช่วงเวลาสิบเก้านาที โดยข้ามขั้นตอนการประกาศไป เอกสารประกอบดีกว่าการเปิดตัวที่ประกาศแล้วส่วนใหญ่ การกระจายคือศูนย์
สำหรับทีมที่ต้องการความเข้าใจภาพและเสียงแบบร่วมกันบนฮาร์ดแวร์ที่พวกเขาควบคุมเอง WeMM-Video-4B ถือเป็นเช็กพอยต์ขนาดเล็กที่น่าสนใจที่สุดที่เผยแพร่ในเดือนนี้ และตัวเลขด้านวิดีโอก็สมเหตุสมผลกับความพยายามในการแพตช์ สำหรับใครก็ตามที่ต้องการเอนด์พอยต์ให้เสร็จภายในวันศุกร์ คำตอบตรงๆ คือตอนนี้ยังไม่ใช่ — เวตต์มีอยู่แล้ว รันไทม์เป็นเพียงซอร์สโอเวอร์เลย์ และเบนช์มาร์กเดียวที่มีคือของทีมผู้เขียนเอง จับตาการทำซ้ำอย่างอิสระครั้งแรก การ merge vLLM เข้า upstream หรือราคาแบบโฮสต์ted สิ่งใดจะเกิดขึ้นก่อนจะบอกคุณได้มากกว่าอีกแถวหนึ่งใน Table 2
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้
