Một minh họa về ba luồng — một dải phim, một dạng sóng âm thanh và một chồng khối dữ liệu màu xám — hội tụ vào một kênh chấm bi hẹp, với một bản sao viền chấm mờ nhạt hơn của kênh đó lơ lửng phía trên.
Engineering & Research

WeMM-Video-35B-A3B: Trọng số đã cập bến, điểm số là của chính Tencent

Tác giả

Gideon Frost

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Trong ba ngày, kho lưu trữ Hugging Face tencent/WeMM-Video-35BA3B chỉ chứa một tệp: một 1.5 KB .gitattributes. Báo cáo kỹ thuật mô tả WeMM-Video-35B-A3B đã được đăng trên arXiv ngày 19 tháng 11, gọi checkpoint này là một SOTA mã nguồn mở mới cho việc hiểu âm thanh-hình ảnh kết hợp, vượt qua Qwen3.5-Omni-Flash và Seed2.0-Mini-0428 và bám sát Gemini-3.0-Flash. Một độc giả tin báo cáo và bấm vào phần trọng số đã không thấy gì để tải xuống. 67,39 GiB tensor BF16 chỉ xuất hiện lúc 03:57 UTC ngày 20 tháng 11 — sáng nay. Mô hình chủ lực được công bố một ngày trước khi nó tồn tại, và mọi con số gắn với nó cho đến nay đều đến từ nhóm đã huấn luyện nó.

Thời điểm đó không phải là một vụ bê bối, mà là một bản phát hành nghiên cứu bình thường với các bước bị đảo lộn thứ tự. Nhưng điều đó có nghĩa là câu hỏi hữu ích về WeMM-Video-35B-A3B không phải là “nó có tốt không” — báo cáo trả lời điều đó theo hướng có lợi cho chính nhóm, qua bảy bảng — mà là “hôm nay bạn có thể tự mình xác minh những gì, và bạn đang tin vào những gì mà không kiểm chứng.” Kho lưu trữ trả lời nửa đầu tốt hơn hầu hết các bản phát hành.

Các quả cân đã đến vào sáng nay, chứ không phải ngày 17.

Dấu thời gian trên Hugging Face khiến chuỗi sự kiện trở nên rõ ràng đến bất thường. Mười chín kho lưu trữ WeMM-Video trong bộ sưu tập của Tencent được tạo trong khoảng sáu phút vào ngày 17 tháng 11, từ 08:53:50 đến 08:59:06 UTC — dấu hiệu đặc trưng của một script tải lên chứ không phải một người bấm nút xuất bản. Đối với kho lưu trữ 35B-A3B, commit có tiêu đề initial commit lúc 08:53:50 chỉ chứa đúng một tệp, và đó không phải là trọng số. Commit có tiêu đề Upload WeMM-Video-35BA3B BF16 release, mang mười bảy phân mảnh safetensors, được ghi ngày 2026-11-20T03:57:36Z.

Các kích thước nhỏ hơn đã được bổ sung trong cùng buổi sáng: 2B lúc 01:41, 4B lúc 04:08, 9B lúc 05:08. Kho lưu trữ GitHub Tencent/WeMM-Video được tạo vào ngày 17 tháng 11 lúc 02:29 UTC và README của nó vẫn đang được chỉnh sửa lúc 05:09 ngày 20 tháng 11. Báo cáo arXiv, 2611.26409, được gửi vào ngày 19 tháng 11 lúc 16:58 UTC.

Không có gì trong số đó là bất thường đối với một phòng thí nghiệm đang phát hành một họ mô hình. Điều nó thay đổi là tình thế của bất kỳ ai đọc về mô hình trong tuần này: báo cáo mô tả một checkpoint mà trong khoảng ba mươi sáu giờ từng là một lời hứa. Nếu bạn đọc bài đưa tin ngày 19 tháng 11 và thử chạy nó, thì lỗi không phải do bộ công cụ của bạn.

A screenshot of the GitHub repository Tencent/WeMM-Video showing the README revision timestamped about an hour earlier, eight commits, a main branch, and a description calling it a family of omni-modal foundation models by WeChat Vision at Tencent.

Bên trong một checkpoint 36.18B có gì?

Siêu dữ liệu của chính Hugging Face ghi nhận checkpoint ở mức 36,177,564,536 tham số — 36.18B so với nhãn "35B-A3B". Nhãn này không sai, nó chỉ đếm một thứ khác với kích thước tệp, và khoảng cách giữa hai con số chính là điều quan trọng nhất về mặt thực tiễn ở mô hình này.

• Tháp ngôn ngữ — 40 lớp với độ rộng ẩn 2,048, 16 đầu truy vấn so với 2 đầu khóa-giá trị, kích thước mỗi đầu 256, từ vựng 248,320. Cơ chế chú ý là lai: cứ mỗi lớp thứ tư là chú ý đầy đủ và ba lớp còn lại là chú ý tuyến tính, đó là lý do vì sao mọi lệnh phục vụ trong kho mã đều mang cờ bộ đệm SSM float32.

• Chuyên gia — 256 chuyên gia được định tuyến mỗi lớp ở độ rộng trung gian 512, định tuyến top-8, cộng với một chuyên gia dùng chung rộng 512. Trên 40 lớp, tổng cộng có 10.240 chuyên gia được định tuyến.

• Tháp thị giác — 27 khối ở chiều rộng ẩn 1,152, kích thước patch 16, hợp nhất không gian 2, patch thời gian 2, chiếu tới 2,048.

• Âm thanh — Có kiến trúc giống Whisper, 32 lớp encoder và 32 lớp decoder ở độ rộng 1.280, đưa vào một Q-Former cấp cửa sổ để nén mỗi cửa sổ 0,1 giây thành một token duy nhất. Như vậy là 10 token âm thanh mỗi giây, từ đầu vào 16 kHz được chia thành các đoạn 30 giây.

• Nguồn gốc — báo cáo cho biết MoE được xây dựng trên Qwen3.6-35B-A3B và các bộ mã hóa âm thanh được khởi tạo từ Qwen2.5-Omni. Các khung hình video mang dấu thời gian dạng văn bản, và các token thị giác và âm thanh được xen kẽ theo thứ tự thời gian thay vì được gộp vào các luồng riêng biệt.

• Huấn luyện — khoảng 1,2 nghìn tỷ token đa phương thức thông qua quá trình tiền huấn luyện tiến triển, sau đó là chưng cất on-policy đa giáo viên, một giai đoạn ưu tiên chống lặp lại mà các tác giả gọi là MrDPO, và học tăng cường chuyên biệt.

• Giấy phép — Apache 2.0 trên toàn bộ bộ sưu tập, với một ngoại lệ dành cho các thành phần bên thứ ba “vẫn chịu sự điều chỉnh của các điều khoản gốc tương ứng của chúng.” Ngoại lệ được nêu rõ, không được liệt kê chi tiết.

Bốn biến thể lượng tử hóa được công bố bên cạnh checkpoint BF16, và các tệp manifest của chúng đáng để đọc vì cách chúng được dán nhãn rất thẳng thắn. AWQ W4A16 có tổng cộng 22,69 GiB và manifest của nó ghi là quantized_unvalidated. NVFP4 W4A16 là một tệp safetensors 24,11 GiB duy nhất mà manifest chỉ tuyên bố cpu_NVFP4_weight_artifact_independently_reread — các trọng số đã được đọc lại trên CPU, đó là một bước kiểm tra checksum, không phải đánh giá. Gói GGUF Q4_K_M gồm ba tệp (22,61 GiB ngôn ngữ, 0,84 GiB bộ chiếu thị giác, 1,99 GiB âm thanh) và manifest của nó ghi là exported_unvalidated, với tệp phạm vi theo từng tensor ghi là quantized_candidate_not_validated.

Biến thể thứ năm bị thiếu. Thẻ mô hình và bảng model-zoo trên GitHub đều liên kết đến một kho FP8 Block128; Hub trả về 401 cho kho đó, cùng câu trả lời mà nó đưa ra cho một tên kho chưa từng tồn tại, trong khi mọi kho anh em đang hoạt động đều trả về 200. Bộ sưu tập Hugging Face có một chỗ trống ở vị trí 1, đúng nơi mà kho đó lẽ ra phải nằm. Đây là một bản phát hành vẫn đang được hoàn thiện ngay khi bạn đọc những dòng này.

Một con số được đo, và đó là âm thanh

Thẻ mô hình báo cáo đúng một đánh giá do chính nhà cung cấp thực hiện: MMAR1000 đạt 72,7%, tức 727 trên 1.000. Các điều kiện được nêu đầy đủ, và đó là điểm đáng khen — chỉ âm thanh, toàn bộ âm thanh được giải mã ở 16 kHz, chế độ Instruct, giải mã tham lam, tối đa 256 token đầu ra, vLLM 0.18 đã được vá trên hai GPU H20 với song song tensor.

Mọi thứ khác trên thẻ đó đều là lời khẳng định rằng một thứ gì đó đã được tải. vLLM đã được vá đã tải checkpoint trên H20 và hoàn tất các bước kiểm tra tạo sinh cho văn bản, hình ảnh, âm thanh và video có nhạc nền; checkpoint cục bộ đã vượt qua một lần tải trực tiếp bằng Transformers và một bước kiểm tra tạo văn bản trên CPU. Đó là mức sàn tối thiểu mà một quyết định triển khai cần có, và Tencent không giả vờ điều ngược lại.

Có một điểm chưa rõ đáng để đào sâu. Hướng dẫn phục vụ trong cùng kho GitHub có một bảng xác thực mà hàng cuối ghi: “Quá trình sinh trên GPU sau khi tải checkpoint từ Hub vẫn đang chờ xử lý.” Thẻ mô hình nói rằng lần chạy H20, vốn tải từ Hub, đã hoàn tất sinh cho cả bốn phương thức. Hai tài liệu do cùng một nhóm viết không thống nhất về mức độ đã được chứng minh. Tuyên bố trong thẻ mô hình cụ thể hơn và có lẽ cập nhật hơn; sự không thống nhất là lý do chính đáng để dành một ngày cho các bài kiểm thử khói của riêng bạn thay vì một tuần tích hợp.

Bảng âm thanh của báo cáo cũng liệt kê 73.6 trên MMAR cho checkpoint này, đây là một harness khác với lần chạy MMAR1000 của card và không nên bị trừ khỏi 72.7 để tạo ra một con số "thực". Cách đọc trung thực duy nhất là con số âm thanh của chính T​encent nằm ở mức thấp trong khoảng bảy mươi và chưa có bên thứ hai nào đo nó.

28 trên 30 so với Q​wen's omni flash

Bảng 1 của báo cáo là trường hợp của mô hình chủ lực, và đây là một trường hợp lớn. Trên 30 điểm chuẩn đơn trị trong bảng đó — các tác vụ âm thanh-hình ảnh kết hợp, ảo giác âm thanh-hình ảnh, hiểu âm nhạc, tương tác, tạo chú thích — WeMM-Video-35B-A3B ở chế độ Thinking vượt Qwen3.5-Omni-Flash ở 28 và kém ở 2. So với Seed2.0-Mini-0428, mô hình vượt ở 26 và kém ở 4. So với Gemini-3.0-Flash, mô hình vượt ở 9 và kém ở 21.

Những chiến thắng quan trọng nhất không phải là những chiến thắng gọn gàng, ngăn nắp:

• Video-MME có âm thanh — 86,4 cho WeMM-Video-35B-A3B, 79,3 cho Qwen3.5-Omni-Flash, 83,6 cho Seed2.0-Mini-0428, 88,6 cho Gemini-3.0-Flash.

• Video-MME v2 có âm thanh — 54,9 so với 36,6 và 51,7, trong khi Gemini-3.0-Flash đạt 63,2. Dẫn trước mười tám điểm so với đối thủ mã nguồn mở gần nhất trên phần khó hơn của cùng bộ đánh giá.

• AV-SpeakerBench — 72.6 so với 65.2 và 68.5, vẫn đứng sau Gemini ở 75.9. Phân biệt ai đã nói, qua video, là nhiệm vụ tách hợp nhất âm thanh-hình ảnh thực sự khỏi một mô hình thị giác được gắn thêm bản chép lời.

• SciVideoBench và EvaOmni — 69,4 so với 51,3, và 57,8 so với 30,4. Cả hai đều nặng về suy luận; cả hai đều là nơi một mô hình omni yếu hơn có xu hướng sụp đổ.

Những mất mát cũng cụ thể không kém và đáng được gọi tên, bởi vì một bảng chỉ cho thấy những chiến thắng chính là điều mà blog này tồn tại để tránh:

• JointAVBench — 65.9, đứng sau Qwen3.5-Omni-Flash với 69.0 và Gemini-3.0-Flash với 68.4, chỉ xếp trên Seed2.0-Mini-0428 với 64.7.

• MUSIC-AVQA — 79,5 so với 82,1 của Q​wen, tuy vẫn nhỉnh hơn 76,2 của G​emini. Âm nhạc là lĩnh vực mà bộ xử lý âm thanh của Q​wen vẫn còn lợi thế.

• So với Seed2.0-Mini-0428 — OmniCompass-AV 46,3 so với 47,9, OmniVChat 48,9 so với 49,8, O-IN-Bench 49,0 so với 49,4, tập kiểm thử của video-SALMONN 2 là 28,3 so với 32,7. Ba trong số bốn mục đó nằm trong khoảng một điểm.

• So với Gemini-3.0-Flash — khoảng cách lớn nhất ở video dài và hướng tới tương lai: MMOU 74,5 so với 84,7, FutureOmni 56,2 so với 65,3, OmniVideoBench 55,3 so với 63,3, LVOmniBench 52,6 so với 59,8. “Thu hẹp khoảng cách” là cách mô tả công bằng; còn “xóa bỏ khoảng cách” thì không.

Mọi con số ở trên đều là của Tencent. Bản báo cáo tự nói vậy — “Đối với các mô hình hiện có, chúng tôi báo cáo kết quả chính thức khi có sẵn và nếu không thì báo cáo đánh giá của riêng chúng tôi” — và chuyển giữa chế độ Instruct và Thinking tùy theo bảng, điều mà báo cáo cũng nêu rõ. Chưa có bên thứ ba nào tái lập bất kỳ kết quả nào trong đó, và cả Artificial Analysis lẫn LMArena đều không liệt kê mô hình WeMM nào.

A two-column scoreboard headed 'WeMM-Video-35B-A3B vs Qwen3.5-Omni-Flash — the scoreboard', with six shared rows: Video-MME with audio 86.4 against 79.3, Video-MME v2 with audio 54.9 against 36.6, AV-SpeakerBench 72.6 against 65.2, SciVideoBench 69.4 against 51.3, JointAVBench 65.9 against 69.0, and MUSIC-AVQA 79.5 against 82.1.

Việc thêm tai hầu như không làm suy giảm điểm số thị giác.

Tuyên bố trong bản phát hành này đáng được chú ý hơn cả benchmark nổi bật là một tuyên bố ít ồn ào hơn: việc gắn thêm một ngăn xếp âm thanh vào mô hình ngôn ngữ-thị giác không khiến nó mất nhiều năng lực thị giác. Huấn luyện đa phương thức toàn diện thường phải trả giá — mô hình phân tán năng lực trên nhiều phương thức và lùi bước trên video không âm thanh.

Báo cáo kiểm tra trực tiếp điều đó bằng cách đặt WeMM-Video-35B-A3B đối đầu với backbone của chính nó, Qwen3.6-35B-A3B, trên 31 benchmark video không âm thanh. Mô hình chủ lực dẫn trước ở 20 và kém hơn ở 11, và phần lớn trong số mười một mức chênh lệch nằm trong khoảng một điểm.

• Những điểm nó đạt được — TimeLens-Charades 54,8 so với 47,4, F-16-NBA 89,9 so với 82,8, CrossVid 50,2 so với 45,2, OVO-Bench 63,9 so với 61,0, TemporalBench 45,9 so với 43,3.

• Chỗ nó kém hơn — EgoSchema 74,2 so với 77,2, Video-MME 80,4 so với 82,5, MVBench 73,1 so với 74,6, MLVU 85,3 so với 86,2. Phần còn lại chỉ chênh lệch vài phần nhỏ của một điểm.

Hãy đọc xu hướng thay vì con số: các mức tăng tập trung ở khả năng neo thời gian và liên kết video dài, còn mức giảm nằm ở video egocentric góc nhìn thứ nhất. Đó là một đánh đổi hợp lý cho một mô hình được tinh chỉnh trên video có âm thanh. So với Qwen3.5-Omni-Flash trên cùng bảng video im lặng, nó dẫn trước ở 30 trên 31, chỉ thua VideoVista, 83,5 so với 84,1.

Bảng hình ảnh và bảng văn bản cho thấy cùng một hình thái. So với Qwen3.5-Omni-Flash, 26 trong số 28 benchmark hình ảnh thuộc về WeMM, với RefCOCO (89,5 so với 92,6) và TallyQA (80,7 so với 81,2) là các ngoại lệ. So với backbone của chính nó, bảng hình ảnh gần như ngang hòa — 13 mục nhỉnh hơn, 14 mục kém hơn — và bảng văn bản là nơi cái giá thể hiện rõ: MMLU-Pro 84,7 so với 85,2, GPQA 83,8 so với 86,0, IMOAnswerBench 74,8 so với 78,9, SuperGPQA 63,4 so với 64,7. Đánh đổi vài điểm suy luận khó để có một đôi tai hoạt động được là một sự đánh đổi bình thường và có thể biện minh, nhưng đó vẫn là đánh đổi, và bất kỳ ai định đưa văn bản trình độ sau đại học qua checkpoint này nên biết điều đó tồn tại.

36B bộ nhớ, 3B tính toán số học

Đây là phép tính quyết định liệu mô hình này có thể triển khai được cho bạn hay không, và nó đến từ cấu hình chứ không phải từ phần văn xuôi. Trong số 36,18 tỷ tham số, khoảng 32,2 tỷ nằm trong các chuyên gia được định tuyến: 40 lớp nhân 256 chuyên gia nhân ba phép chiếu ở kích thước 2.048 x 512. Định tuyến top-8 chỉ chạm tới một phần ba mươi hai của lượng đó trên mỗi token, tức khoảng 1,0 tỷ tham số, và nhãn “3B active” là nhất quán khi đã tính cả attention, chuyên gia dùng chung và bảng embedding.

Vậy nên, chi phí tính toán thì nhỏ, còn chi phí bộ nhớ thì không:

• BF16 — 67,39 GiB trải trên mười bảy shard. Quá trình xác thực của chính Tencent đã dùng tensor parallelism trên hai H20. Không có con số tensor-parallel nào được công bố cho các cấu hình lớn hơn; hướng dẫn phục vụ chỉ nói "lập kế hoạch bộ nhớ cho toàn bộ trọng số expert và đặt --tensor-parallel-size tùy theo nhu cầu."

• NVFP4 W4A16 — 24,11 GiB, vừa trong một card 48 GB duy nhất và vẫn còn chỗ cho cache. Cấu hình này là một môi trường vLLM 0.31.0 đã được vá riêng với độ chính xác hỗn hợp ModelOpt và Marlin, và nó chạy với --max-num-seqs 1.

• AWQ W4A16 — 22.69 GiB trên vLLM 0.18.0 đã được vá, sử dụng cấu hình compressed-tensors của chính checkpoint.

• GGUF Q4_K_M — một gói gồm ba tệp 24,6 GiB, nhưng dành cho môi trường chạy gốc của chính Tencent, không phải llama.cpp hay Ollama. Manifest của nó ghi rằng nó đã được xuất và chưa được xác thực.

Không có gì ở đây chạy trên một engine chưa được vá. Kho lưu trữ cung cấp thư mục bản vá: các lớp phủ mã nguồn kèm manifest SHA-256 cho đúng bốn bản phát hành thượng nguồn — vLLM 0.18.0 và 0.31.0, SGLang 0.5.16 và 0.5.19 — mỗi bản được ghim vào một tổ hợp PyTorch, Transformers và CUDA 12.9 cụ thể, với yêu cầu Python 3.12 và FFmpeg, TorchCodec cần CUDA 12 NPP trên đường dẫn linker, và SGLang biên dịch kernel CUDA trong lần sử dụng đầu tiên. Tìm kiếm trên trình theo dõi vấn đề của vLLM không thấy yêu cầu thượng nguồn nào cho kiến trúc này. Đây là công việc tự vận hành với một lớp phủ được áp dụng lên engine suy luận của người khác.

A screenshot of the Hugging Face model page for tencent/WeMM-Video-35BA3B showing an Image-Text-to-Text pipeline tag with Transformers and Safetensors, English and Chinese language tags, the wemm_qwen3_5_moe architecture tag, an apache-2.0 licence, and a 36B-parameter BF16 model size.

Hai chi tiết cấu hình giới hạn những gì bạn thực sự có thể đưa vào nó. Cấu hình văn bản khai báo 262.144 vị trí, nhưng lệnh vLLM của chính thẻ mô hình lại truyền --max-model-len 8192, và mọi công thức SGLang cũng giới hạn ngữ cảnh ở 8.192 — con số dài kia chỉ là phần dư địa, không phải một thiết lập được hỗ trợ. Việc lấy mẫu khung hình cũng tương tự: bộ xử lý mặc định ở 2 fps và tối đa 128 khung hình, trong khi công thức được công bố ghi đè thành 16 khung hình và ngân sách 262.144 pixel. Với 10 token âm thanh mỗi giây, một ngữ cảnh 8.192 token chỉ tương đương hơn mười ba phút âm thanh và không có gì khác.

OrcaRouter không cung cấp WeMM-Video-35B-A3B và danh mục hoàn toàn không liệt kê checkpoint WeMM nào, nên không có giá cho bản được host để báo giá. Thứ chúng tôi cung cấp là mô hình mà bản này được xây dựng dựa trên: Qwen3.6-35B-A3B có trên nền tảng với mức $0,25 mỗi triệu token đầu vào và $1,48 mỗi triệu token đầu ra trong ngữ cảnh 262.144 token, với đầu vào văn bản, hình ảnh và video. Nếu phần việc bạn cần là "xem clip và suy luận về nó" chứ không phải "xem clip và ghi lại lời nói trong phòng", thì đó là một phương án thay thế được host có sẵn ngay chiều nay thay vì tải xuống 67 GiB và vá ở mức mã nguồn. Giá niêm yết của nhà cung cấp được chuyển thẳng với mức cộng thêm 0%, và mọi mô hình đều nằm sau một khóa tương thích OpenAI với cơ chế tự động chuyển đổi dự phòng, nên việc thử ý kiến thứ hai chỉ tốn một thay đổi cấu hình thay vì một hợp đồng thứ hai.

Điều mà không ai ngoài WeChat từng kiểm chứng

Bốn điều mà người mua thường nhận được từ một buổi ra mắt mà ở đây không thể có được.

• Đánh giá độc lập.Không có. Quy trình đánh giá và tái tạo được công khai, đó là phương án tốt thứ hai và không phải là cùng một thứ.

• Điều kiện đánh giá. Số lượng khung hình, ngân sách điểm ảnh và độ dài ngữ cảnh được dùng cho các lượt chạy benchmark không được nêu trong báo cáo, và quy trình được phát hành lấy mẫu 16 khung hình trong khi bộ xử lý mặc định là 128. Một mẫu 16 khung hình của một clip dài là đầu vào khác với mẫu 128 khung hình của cùng clip đó.

• Tuyên bố triển khai. Báo cáo nêu rằng dòng mô hình này "được triển khai trên nhiều dịch vụ video cốt lõi trong WeChat", kể tên thương mại livestream, phân tích phim ngắn và video tương tác. Đó là một tuyên bố nghiêm túc nếu đúng — lưu lượng production là phép đánh giá mà không ai có thể tranh cãi — và nó hoàn toàn không thể xác minh từ bên ngoài. Không có số liệu nào về độ trễ, thông lượng, mức đồng thời hay bộ nhớ được công bố ở bất kỳ đâu trong bản phát hành.

• Các artefact lượng tử hoá.Ba trong bốn biến thể đã công bố tự mô tả, ngay trong manifest của chính chúng, là chưa được xác thực. AWQ, GGUF và NVFP4 được cung cấp, chứ không được bảo chứng.

Không điều nào trong số đó là lý do để bác bỏ bản phát hành. Đó là lý do để đọc nó đúng như những gì nó hiển nhiên là: một bản phát hành nghiên cứu được ghi chép đầy đủ, với các trọng số chủ lực mới chỉ vài giờ tuổi, bài báo của nó đến trước, kho lưu trữ FP8 của nó vẫn chưa được tạo, và mức dẫn đầu trên benchmark so với đối thủ omni mở tốt nhất đủ lớn để đáng được tái tạo thay vì hoài nghi.

Điều có thể giải quyết chuyện này vẫn là danh sách quen thuộc đó. Một bản merge upstream vào vLLM sẽ chấm dứt việc phải vá. Một lần tái lập độc lập đầu tiên trên Video-MME v2 có âm thanh sẽ xác nhận hoặc bác bỏ khoảng cách mười tám điểm. Một mức giá cho bản hosted, hoặc kho FP8 còn thiếu, sẽ cho bạn biết liệu T​encent định để thứ này được sử dụng hay chỉ được trích dẫn. Cho đến khi một trong những điều đó thành hiện thực, tóm tắt trung thực là WeMM-Video-35B-A3B là checkpoint omni-modal mở thú vị nhất trong tháng, rằng điểm thị giác của nó dường như vẫn trụ được khi bổ sung khả năng nghe, và rằng mọi con số của nó hiện đều đến từ những người đã huấn luyện nó.