T
TENCENT / tencent/WeMM-Video-4B

WeMM-Video-4B

Famiglia bilingue cinese-inglese per comprendere testo, immagini, audio e video con colonna sonora. Restituisce testo e offre modalità diretta o di ragionamento. I checkpoint BF16 da 2B, 4B, 9B e 35B-A3B sono stati pubblicati il 20 novembre; le quantizzazioni non sono nuovi modelli.

01 / RIEPILOGO

L'essenziale

ORIENTAMENTOComprensione audiovisiva bilingue

Uso primario dichiarato o dedotto con cautela dalla documentazione ufficiale.

CONTESTO8.192 token nella ricetta di distribuzione

Capacità di input massima quando pubblicata dalla fonte.

USCITATesto; massimo di output indipendente non pubblicato

Limite massimo di generazione documentato.

ACCESSOHugging Face · checkpoint scaricabile

Canali di disponibilità verificati.

TIPO DI MODELLOMultimodale · Voce e audio · Video

Famiglia funzionale principale e specialità verificate.

LICENZAApache 2.0

Condizioni dichiarate per API, pesi o distribuzione autonoma.

02 / SCHEDA TECNICA

Limiti e integrazione

ID APItencent/WeMM-Video-4B
Tipo di modelloMultimodale · Voce e audio · Video
Modalità di accessoPesi aperti
LicenzaApache 2.0
DistribuzioneHosting autonomo
Rilascio20 NOV 2026
Cutoff della conoscenzaNon pubblicato
EntrataTesto · Immagine · Audio · Video
UscitaTesto
Finestra di contesto8.192 token nella ricetta di distribuzione
rendimento massimoTesto; massimo di output indipendente non pubblicato
RagionamentoNon pubblicato
Strumenti pubblicati
Uscite strutturateNon pubblicato
Elaborazione batchNon pubblicato
Cache dei promptNon pubblicato
Fine-tuningNon pubblicato
Piattaforme verificateHugging Face · Transformers
SI ADATTA MEGLIO A

Descrivere scene, trascrivere parlato e ragionare insieme su immagini e suoni.

DA MONITORARE

La ricetta usa 8.192 token e fino a quattro immagini, due video e due audio per richiesta; non dimostra il massimo pratico dell’architettura. Richiede codice personalizzato e patch del runtime. I 3B parametri attivi della variante MoE non significano caricarne solo 3B.

03 / CAPACITÀ

Cosa può fare

01

Orientamento

Descrivere scene, trascrivere parlato e ragionare insieme su immagini e suoni.

02

Contesto

8.192 token nella ricetta di distribuzione · Testo; massimo di output indipendente non pubblicato

03

Strumenti e integrazione

Non pubblicato

04

Accesso

Hugging Face · checkpoint scaricabile

Modalità di input
TestoImmagineAudioVideo
04 / PREZZI

Costo documentato

ConcettoDi valoreUnità/condizione
Input standardNessuna tariffa API ufficiale pubblicataTariffa API standard
Input in cacheNon pubblicatoLettura di prefissi riutilizzati
Scrittura o archiviazione della cacheNon pubblicatoLa condizione varia in base al fornitore
Output standardCosto dell’infrastruttura propriaPuò includere token di ragionamento
Input batchNon pubblicatoElaborazione asincrona
Output batchNon pubblicatoElaborazione asincrona

Nessuna tariffa API ufficiale verificata. L’esecuzione autonoma richiede memoria, calcolo e manutenzione; pesi scaricabili non significano inferenza gratuita.

i I prezzi cambiano e possono dipendere dal livello, dalla regione o dalla durata del contesto. Controlla la fonte prima di prendere una decisione.

05 / VALUTAZIONI

Come leggere i risultati

“

Nessun punteggio quantitativo verificato per questa versione.

i Nessun punteggio quantitativo verificato per questa versione.

Inferama evidenzia un "miglior risultato" solo quando la metrica, il set di test, la configurazione e la data consentono un confronto equivalente. I dati del fornitore sono presentati come affermazioni provenienti dalla propria fonte.

06 / VERSIONI

Cronologia

tencent/WeMM-Video-4B

Checkpoint BF16; FP8, AWQ, GGUF e NVFP4 sono formati dello stesso modello.

07 / FONTI

Tracciabilità