腾讯联合清华开源 WeMM-Video 全模态视频模型家族

腾讯 WeChat Vision 与清华大学发布 WeMM-Video 中英双语全模态基础模型家族,提供 2B、4B、9B、35B-A3B 多种规格,论文已上传 arXiv(编号 2611.26409)。模型可统一处理文本、图像、音频与视频,结合视频画面与原始音频进行联合视听感知与推理,定位为全模态视频理解基座,并已开源。

2026-11-20 ~ 2026-11-20 · 2 条相关