T
TENCENT / tencent/WeMM-Video-4B

WeMM-Video-4B

Chinesisch-englische Modellfamilie zum Verstehen von Text, Bildern, Audio und Video samt Tonspur. Sie liefert Text und bietet direkte Antworten oder Schlussfolgern. Die BF16-Checkpoints mit 2B, 4B, 9B und 35B-A3B wurden am 20. November veröffentlicht; Quantisierungen sind keine neuen Modelle.

01 / ZUSAMMENFASSUNG

Das Wesentliche

ORIENTIERUNGZweisprachiges audiovisuelles Verstehen

Primäre Verwendung angegeben oder vorsichtig aus offizieller Dokumentation abgeleitet.

KONTEXT8.192 Tokens in der Bereitstellungsanleitung

Maximale Eingabekapazität bei Veröffentlichung durch die Quelle.

AUSFAHRTText; separates Ausgabemaximum nicht veröffentlicht

Dokumentierte maximale Erzeugungsgrenze.

ZUGANGHugging Face · herunterladbarer Checkpoint

Verifizierte Verfügbarkeitskanäle.

MODELLTYPMultimodal · Sprache und Audio · Video

Primäre Funktionsfamilie und verifizierte Spezialisierungen.

LIZENZApache 2.0

Deklarierte Bedingungen für API, Gewichte oder Self-Hosting.

02 / TECHNISCHES DATENBLATT

Limits und Integration

API-IDtencent/WeMM-Video-4B
ModelltypMultimodal · Sprache und Audio · Video
ZugangsmodellOffene Gewichte
LizenzApache 2.0
EinsatzSelbst gehostet
Veröffentlichung20 NOV 2026
WissensstichtagNicht veröffentlicht
EingangText · Bild · Audio · Video
AusfahrtText
Kontextfenster8.192 Tokens in der Bereitstellungsanleitung
maximale LeistungText; separates Ausgabemaximum nicht veröffentlicht
SchlussfolgernNicht veröffentlicht
Veröffentlichte Tools
Strukturierte AusflügeNicht veröffentlicht
StapelverarbeitungNicht veröffentlicht
Prompt-CacheNicht veröffentlicht
FeinabstimmungNicht veröffentlicht
Verifizierte PlattformenHugging Face · Transformers
EIGNET SICH BESSER FÜR

Szenen beschreiben, Sprache transkribieren und Bild und Ton gemeinsam auswerten.

SOLLTE BEOBACHTET WERDEN

Die Anleitung nutzt 8.192 Tokens und bis zu vier Bilder, zwei Videos und zwei Audiodateien je Anfrage; dies belegt nicht das praktische Architekturlimit. Eigener Modellcode und Runtime-Patches sind erforderlich. Die 3B aktiven MoE-Parameter bedeuten nicht, dass nur 3B geladen werden müssen.

03 / FÄHIGKEITEN

Was es kann

01

Orientierung

Szenen beschreiben, Sprache transkribieren und Bild und Ton gemeinsam auswerten.

02

Kontext

8.192 Tokens in der Bereitstellungsanleitung · Text; separates Ausgabemaximum nicht veröffentlicht

03

Tools und Integration

Nicht veröffentlicht

04

Zugang

Hugging Face · herunterladbarer Checkpoint

Eingabemodalitäten
TextBildAudioVideo
04 / PREISE

Dokumentierte Kosten

KonzeptWertEinheit/Zustand
StandardeingabeKein offizieller API-Preis veröffentlichtStandardtarif der API
Eingabe aus dem CacheNicht veröffentlichtLesen wiederverwendeter Präfixe
Schreiben oder Speichern im CacheNicht veröffentlichtDie Bedingung variiert je nach Anbieter
StandardausgabeKosten der eigenen InfrastrukturKann Reasoning-Tokens enthalten
Batch-EingabeNicht veröffentlichtAsynchrone Verarbeitung
Batch-AusgabeNicht veröffentlichtAsynchrone Verarbeitung

Kein verifizierter offizieller API-Tarif. Eigenbetrieb benötigt Speicher, Rechenleistung und Wartung; herunterladbare Gewichte machen Inferenz nicht kostenlos.

i Die Preise ändern sich und können von Level, Region oder Kontextlänge abhängen. Überprüfen Sie die Quelle, bevor Sie eine Entscheidung treffen.

05 / BEWERTUNGEN

So lesen Sie die Ergebnisse

“

Keine verifizierte quantitative Bewertung für diese Version.

i Keine verifizierte quantitative Bewertung für diese Version.

Inferama hebt nur dann ein „bestes Ergebnis“ hervor, wenn Metrik, Testsatz, Konfiguration und Datum einen gleichwertigen Vergleich ermöglichen. Die Zahlen des Lieferanten werden als Angaben aus eigener Quelle dargestellt.

06 / VERSIONEN

Chronologie

tencent/WeMM-Video-4B

BF16-Checkpoint; FP8, AWQ, GGUF und NVFP4 sind Formate desselben Modells.

07 / QUELLEN

Rückverfolgbarkeit