微信 WeMM-Embedding 已被大规模使用：朋友圈搜索、视频号推荐都在跑，日调用 10 亿次

事件核心：发生了什么

微信 AI 官方在 9 月 4 日宣布开源通用多模态嵌入模型 WeMM-Embedding，共提供 2B、4B、9B 三个版本。据微信团队介绍，该模型支持文本、图像、视频、视觉文档以及任意交错多模态输入，核心能力是将不同类型的内容映射到同一语义空间中，从而支持跨模态的比较与检索。

微信员工透露，该模型已经在微信生态内被广泛采用，覆盖朋友圈搜索、视频号推荐、公众号推荐和微信电商等业务，当前日调用量达到 10 亿次。在国际基准测试 MMEB-v2 上，WeMM-Embedding 排名第一，超越了此前提交的所有开源及闭源模型。目前，该模型的论文已发布在 arXiv，代码仓库位于 GitHub 的 Tencent/WeMM-Embedding 项目下，模型权重也已上架 Hugging Face。

为什么重要

此次开源的价值在于它展示了“大规模验证过”的多模态检索能力，而非实验室阶段的演示产物。日调用 10 亿次的数据意味着该模型经受住了微信真实业务场景的考验，对于企业级用户和研究者来说，这类经过工业级打磨的模型比纯学术开源项目通常具有更高的参考价值和稳定性。

从行业竞争格局看，WeMM-Embedding 选择同时覆盖 2B 到 9B 三个尺寸，兼顾了端侧部署与高精度场景需求。在 MMEB-v2 上超越同类开源和闭源模型，也为微信在基础模型领域的开源生态竞争中增加了一个有说服力的筹码。值得注意的是，嵌入模型（Embedding Model）是大模型应用中连接检索、推荐与生成的关键中间层，微信选择开源这一层，显示出其希望通过生态建设在更大范围内的 AI 应用中占据位置的意图。

对用户/开发者/创作者的影响

对开发者而言，WeMM-Embedding 的开源提供了开箱即用的多模态语义检索工具，减少了在图文视频混合场景下自建嵌入模型的成本。开发者可直接尝试使用其 API 或本地部署版本，构建更精准的视频检索、以图搜视频或跨模态推荐系统。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对创作者和运营者来说，该模型用于视频号推荐和公众号推荐，意味着内容理解将不再单纯依赖标题或文本标签，而是直通视频画面与图像内容本身。这可能导致推荐逻辑更看重视频内容质量与画面信息量，创作者需要更关注视频内容的实际表达密度，而不仅是关键词堆砌。

对普通用户而言，朋友圈搜索和视频号推荐的体验升级将直接体现在搜索结果的相关性上——例如用图片搜朋友圈相关动态，或以视频画面反查来源等操作可能逐步成为日常功能。

值得关注的后续

第一，开源之后是否有外部企业或开发者将其应用于垂直行业的生产环境，这将是检验其通用性的关键标尺。第二，腾讯是否会将 WeMM-Embedding 与大模型 API 服务捆绑商业化，以及价格策略如何制定，值得持续观察。第三，在 MMEB-v2 上排名刷新后，阿里、百度等国内大厂的多模态嵌入模型是否会加速迭代或跟进开源，也将影响该赛道的生态走向。

来源：AIbase