腾讯发布 WeMM-Video:2B 至 35B 多规格全模态视频模型
ExponentialCookie · reddit · 2026-11-20
腾讯发布 WeMM-Video 全模态多模态大模型家族,提供 2B、4B、9B、35B-A3B 多种规格,论文已上 arXiv(2611.26409)。
模型可结合视频画面与原始音轨进行事件描述、语音转写和视听联合推理,也支持无声视频、纯音频、图像与文本输入,可输出中英文。架构上,视觉与音频编码器将媒体转为 token 交由语言模型处理,视频帧带时间戳;预训练用了约 1.2 万亿多模态 token,后训练包括多教师 OPD、防重复的 MrDPO 和专项强化学习。
所属事件:腾讯联合清华开源 WeMM-Video 全模态视频模型家族(2 条相关)→
「多模态」频道最新
- 阿拉伯创作者实测 HeyGen 剪辑:视频编辑水准上台阶 — aziz4ai · 2026-11-21
- 8 天 2300 次 commit:Claude 造出逐笔毛刷模拟的 AI 油画引擎 aibrush — FotoRe_store · 2026-11-21
- AGI 等不及了:AI 生成音乐视频调侃《GTA6》十三年难产 — Yamapama · 2026-11-21
- Meta AVTR:让多模态模型学会「视觉想象」,16 基准平均提升 4.5 分 — liuzhuang1234 · 2026-11-21
- DeepMind Genie 4 世界模型上线 Comfy 可直接试玩 — EnvironmentalDay7419 · 2026-11-21
- 用CUT+本地ComfyUI拍出Roblox风恐怖短片,工作流公开 — rileygstaliger · 2026-11-21