T
TENCENT / tencent/WeMM-Video-2B

WeMM-Video-2B

Famille bilingue chinois-anglais pour comprendre texte, images, audio et vidéo avec bande-son. Elle produit du texte et propose réponse directe ou raisonnement. Les checkpoints BF16 de 2B, 4B, 9B et 35B-A3B ont été publiés le 20 novembre ; les quantifications ne sont pas de nouveaux modèles.

01 / RÉSUMÉ

L'essentiel

ORIENTATIONCompréhension audiovisuelle bilingue

Utilisation principale déclarée ou déduite avec prudence de la documentation officielle.

CONTEXTE8 192 tokens dans la recette de déploiement

Capacité d'entrée maximale une fois publiée par la source.

SORTIETexte ; maximum de sortie distinct non publié

Limite de génération maximale documentée.

ACCÈSHugging Face · checkpoint téléchargeable

Canaux de disponibilité vérifiés.

TYPE DE MODÈLEMultimodal · Voix et audio · Vidéo

Famille fonctionnelle principale et spécialités vérifiées.

LICENCEApache 2.0

Conditions déclarées pour l’API, les poids ou l’auto-hébergement.

02 / FICHE TECHNIQUE

Limites et intégration

ID d’APItencent/WeMM-Video-2B
Type de modèleMultimodal · Voix et audio · Vidéo
Mode d’accèsPoids ouverts
LicenceApache 2.0
DéploiementAuto-hébergement
Lancement20 NOV 2026
Date limite des connaissancesNon publié
EntréeTexte · Image · Audio · Vidéo
SortieTexte
Fenêtre contextuelle8 192 tokens dans la recette de déploiement
puissance maximaleTexte ; maximum de sortie distinct non publié
RaisonnementNon publié
Outils publiés
Sorties structuréesNon publié
Traitement par lotsNon publié
Cache de promptsNon publié
Ajustement finNon publié
Plateformes vérifiéesHugging Face · Transformers
CONVIENT MIEUX À

Décrire des scènes, transcrire la parole et raisonner conjointement sur image et son.

À SURVEILLER

La recette utilise 8 192 tokens et jusqu’à quatre images, deux vidéos et deux audios par requête ; cela n’établit pas le maximum pratique de l’architecture. Code personnalisé et correctifs de runtime sont requis. Les 3B paramètres actifs de la variante MoE ne signifient pas que seuls 3B doivent être chargés.

03 / CAPACITÉS

Ce qu’il peut faire

01

Orientation

Décrire des scènes, transcrire la parole et raisonner conjointement sur image et son.

02

Contexte

8 192 tokens dans la recette de déploiement · Texte ; maximum de sortie distinct non publié

03

Outils et intégration

Non publié

04

Accès

Hugging Face · checkpoint téléchargeable

Modalités d’entrée
TexteImageAudioVidéo
04 / TARIFS

Coût documenté

ConceptValeurUnité/état
Entrée standardAucun tarif API officiel publiéTarif API standard
Entrée en cacheNon publiéLecture de préfixes réutilisés
Écriture ou stockage de cacheNon publiéLa condition varie selon le fournisseur
Sortie standardCoût de l’infrastructure proprePeut inclure des tokens de raisonnement
Entrée par lotsNon publiéTraitement asynchrone
Sortie par lotsNon publiéTraitement asynchrone

Aucun tarif API officiel vérifié. L’hébergement autonome demande mémoire, calcul et maintenance ; des poids téléchargeables ne rendent pas l’inférence gratuite.

i Les prix changent et peuvent dépendre du niveau, de la région ou de la durée du contexte. Vérifiez la source avant de prendre une décision.

05 / ÉVALUATIONS

Comment lire les résultats

“

Aucun score quantitatif vérifié pour cette version.

i Aucun score quantitatif vérifié pour cette version.

Inferama ne met en évidence un « meilleur résultat » que lorsque la métrique, l'ensemble de test, la configuration et la date permettent une comparaison équivalente. Les chiffres du fournisseur sont présentés comme des affirmations provenant de sa propre source.

06 / VERSIONS

Chronologie

tencent/WeMM-Video-2B

Checkpoint BF16 ; FP8, AWQ, GGUF et NVFP4 sont des formats du même modèle.

07 / SOURCES

Traçabilité