T
TENCENT / tencent/WeMM-Video-35BA3B

WeMM-Video-35BA3B

Família bilingue chinês-inglês para compreender texto, imagens, áudio e vídeo com banda sonora. Devolve texto e permite escolher resposta direta ou raciocínio. Os checkpoints BF16 de 2B, 4B, 9B e 35B-A3B foram publicados em 20 de novembro; as quantizações não são novos modelos.

01 / RESUMO

O essencial

ORIENTAÇÃOCompreensão audiovisual bilingue

Uso primário declarado ou inferido com cautela a partir da documentação oficial.

CONTEXTO8.192 tokens na receita de implantação

Capacidade máxima de entrada quando publicada pela fonte.

SAÍDATexto; máximo de saída independente não publicado

Limite máximo de geração documentado.

ACESSOHugging Face · checkpoint descarregável

Canais de disponibilidade verificados.

TIPO DE MODELOMultimodal · Voz e áudio · Vídeo

Família funcional principal e especialidades verificadas.

LICENÇAApache 2.0

Condições declaradas para API, pesos ou alojamento próprio.

02 / FICHA TÉCNICA

Limites e integração

ID de APItencent/WeMM-Video-35BA3B
Tipo de modeloMultimodal · Voz e áudio · Vídeo
Modelo de acessoPesos abertos
LicençaApache 2.0
ImplantaçãoAlojamento próprio
Lançamento20 NOV 2026
Data de corte do conhecimentoNão publicado
EntradaTexto · Imagem · Áudio · Vídeo
SaídaTexto
Janela de contexto8.192 tokens na receita de implantação
saída máximaTexto; máximo de saída independente não publicado
RaciocínioNão publicado
Ferramentas publicadas
Passeios EstruturadosNão publicado
Processamento em loteNão publicado
Cache de promptsNão publicado
Ajuste finoNão publicado
Plataformas verificadasHugging Face · Transformers
ADEQUA-SE MELHOR A

Descrever cenas, transcrever fala e raciocinar conjuntamente sobre imagem e som.

CONVÉM MONITORIZAR

A receita usa 8.192 tokens e até quatro imagens, dois vídeos e dois áudios por pedido; não comprova o máximo prático da arquitetura. Exige código personalizado e patches do runtime. Os 3B parâmetros ativos da variante MoE não significam carregar apenas 3B parâmetros.

03 / CAPACIDADES

O que pode fazer

01

Orientação

Descrever cenas, transcrever fala e raciocinar conjuntamente sobre imagem e som.

02

Contexto

8.192 tokens na receita de implantação · Texto; máximo de saída independente não publicado

03

Ferramentas e integração

Não publicado

04

Acesso

Hugging Face · checkpoint descarregável

Modalidades de entrada
TextoImagemÁudioVídeo
04 / PREÇOS

Custo documentado

ConceitoValorUnidade/condição
Entrada padrãoSem tarifa API oficial publicadaTarifa padrão da API
Entrada em cacheNão publicadoLeitura de prefixos reutilizados
Escrita ou armazenamento em cacheNão publicadoA condição varia consoante o fornecedor
Saída padrãoCusto da infraestrutura própriaPode incluir tokens de raciocínio
Entrada por lotesNão publicadoProcessamento assíncrono
Saída por lotesNão publicadoProcessamento assíncrono

Sem tarifa API oficial verificada. A execução própria exige memória, processamento e manutenção; pesos descarregáveis não tornam a inferência gratuita.

i Os preços mudam e podem depender do nível, região ou duração do contexto. Verifique a fonte antes de tomar uma decisão.

05 / AVALIAÇÕES

Como ler os resultados

“

O gráfico de 35B-A3B apresenta Video-MME 86,4, Daily-Omni 83,4 e AVHBench 80,0. São resultados do fabricante segundo os seus protocolos, não reproduzidos pela Inferama. Não se transferem para 2B, 4B, 9B ou quantizações.

BenchmarkResultadoMétricaFonte
Video-MME86,4Pontuação publicadaVer fonte ↗
Daily-Omni83,4Pontuação publicadaVer fonte ↗
AVHBench80,0Pontuação publicadaVer fonte ↗

O Inferama só destaca o “melhor resultado” quando a métrica, o conjunto de testes, a configuração e a data permitem uma comparação equivalente. Os números do fornecedor são apresentados como declarações de sua própria fonte.

06 / VERSÕES

Cronologia

tencent/WeMM-Video-35BA3B

Checkpoint BF16; FP8, AWQ, GGUF e NVFP4 são formatos do mesmo modelo.

07 / FONTES

Rastreabilidade