Uso principal declarado o inferido con cautela desde la documentación oficial.
WeMM-Video-9B
Familia bilingüe chino-inglés para comprender texto, imágenes, audio y vídeo con su banda sonora. Devuelve texto y permite elegir respuesta directa o razonamiento. Los checkpoints BF16 de 2B, 4B, 9B y 35B-A3B se publicaron el 20 de noviembre; las cuantizaciones no son modelos nuevos.
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
Límites e integración
| ID de API | tencent/WeMM-Video-9B |
|---|---|
| Tipo de modelo | Multimodal · Voz y audio · Vídeo |
| Modelo de acceso | Pesos abiertos |
| Licencia | Apache 2.0 |
| Despliegue | Despliegue propio |
| Lanzamiento | 20 NOV 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Texto · Imagen · Audio · Vídeo |
| Salida | Texto |
| Ventana de contexto | 8.192 tokens en la receta de despliegue |
| Salida máxima | Texto; máximo de salida independiente no publicado |
| Razonamiento | No publicado |
| Herramientas publicadas | |
| Salidas estructuradas | No publicado |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · Transformers |
Describir escenas, transcribir voz y razonar conjuntamente sobre imagen y sonido.
La receta usa 8.192 tokens y hasta cuatro imágenes, dos vídeos y dos audios por petición; no acredita el máximo práctico de la arquitectura. Requiere código personalizado y parches de runtime. Los 3B activos de la variante MoE no equivalen a cargar solo 3B parámetros.
Qué puede hacer
Orientación
Describir escenas, transcribir voz y razonar conjuntamente sobre imagen y sonido.
Contexto
8.192 tokens en la receta de despliegue · Texto; máximo de salida independiente no publicado
Herramientas e integración
No publicado
Acceso
Hugging Face · checkpoint descargable
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
Sin tarifa API oficial verificada. La ejecución propia requiere memoria, cómputo y mantenimiento; los pesos descargables no hacen gratuita la inferencia.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
Cómo leer los resultados
Sin puntuación cuantitativa verificada para esta versión.
i Sin puntuación cuantitativa verificada para esta versión.
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
Cronología
tencent/WeMM-Video-9B
Checkpoint BF16; FP8, AWQ, GGUF y NVFP4 son formatos del mismo modelo.