T
TENCENT / tencent/WeMM-Video-9B

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.

01 / RESUMEN

Lo esencial

ORIENTACIÓNComprensión audiovisual bilingüe

Uso principal declarado o inferido con cautela desde la documentación oficial.

CONTEXTO8.192 tokens en la receta de despliegue

Capacidad máxima de entrada cuando la fuente la publica.

SALIDATexto; máximo de salida independiente no publicado

Límite máximo de generación documentado.

ACCESOHugging Face · checkpoint descargable

Canales de disponibilidad verificados.

TIPO DE MODELOMultimodal · Voz y audio · Vídeo

Familia funcional principal y especialidades verificadas.

LICENCIAApache 2.0

Condiciones declaradas para API, pesos o despliegue propio.

02 / FICHA TÉCNICA

Límites e integración

ID de APItencent/WeMM-Video-9B
Tipo de modeloMultimodal · Voz y audio · Vídeo
Modelo de accesoPesos abiertos
LicenciaApache 2.0
DespliegueDespliegue propio
Lanzamiento20 NOV 2026
Corte de conocimientoNo publicado
EntradaTexto · Imagen · Audio · Vídeo
SalidaTexto
Ventana de contexto8.192 tokens en la receta de despliegue
Salida máximaTexto; máximo de salida independiente no publicado
RazonamientoNo publicado
Herramientas publicadas
Salidas estructuradasNo publicado
Procesamiento por lotesNo publicado
Caché de promptsNo publicado
Ajuste finoNo publicado
Plataformas verificadasHugging Face · Transformers
ENCAJA MEJOR EN

Describir escenas, transcribir voz y razonar conjuntamente sobre imagen y sonido.

CONVIENE VIGILAR

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.

03 / CAPACIDADES

Qué puede hacer

01

Orientación

Describir escenas, transcribir voz y razonar conjuntamente sobre imagen y sonido.

02

Contexto

8.192 tokens en la receta de despliegue · Texto; máximo de salida independiente no publicado

03

Herramientas e integración

No publicado

04

Acceso

Hugging Face · checkpoint descargable

Modalidades de entrada
TextoImagenAudioVídeo
04 / PRECIOS

Coste documentado

ConceptoValorUnidad / condición
Entrada estándarSin tarifa API oficial publicadaTarifa estándar de API
Entrada en cachéNo publicadoLectura de prefijos reutilizados
Escritura o almacenamiento de cachéNo publicadoLa condición varía según proveedor
Salida estándarCoste de infraestructura propiaPuede incluir tokens de razonamiento
Entrada por lotesNo publicadoProcesamiento asíncrono
Salida por lotesNo publicadoProcesamiento 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.

05 / EVALUACIONES

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.

06 / VERSIONES

Cronología

tencent/WeMM-Video-9B

Checkpoint BF16; FP8, AWQ, GGUF y NVFP4 son formatos del mismo modelo.

07 / FUENTES

Trazabilidad