一句话看懂:Hugging Face Papers 收录的一篇论文摘要显示,研究团队发布 WeMM-Video 系列中英双语全模态视频理解模型,覆盖 2B 至 35B-A3B 四个规格;摘要称其旗舰版本在开源模型中刷新全模态视频评测成绩,并逼近 Gemini-3.0-Flash。需要说明的是,目前公开信息仅为论文摘要,全文实验与是否可实际调用尚未核验。
事件核心:发生了什么
根据 2026 年 11 月 19 日公开的论文摘要,WeMM-Video 是一组面向中英文场景的基础模型,提供 2B、4B、9B 和 35B-A3B 四种规模。其核心能力是把文本、图像、音频、视频放进同一套处理框架,重点解决“带声音的视频”这类联合感知与推理任务。
模型采用混合思考模式:既支持非思考的 instruct 模式快速直接作答,也支持逐步显式推理的 thinking 模式。训练方面,摘要称使用了约 1.2 万亿 token 的多模态语料,经过渐进式预训练和多阶段后训练,其中包含多教师 OPD、抗重复的 MrDPO 以及专家 RL 等环节,并在 120 多个基准上做了评测。作者表示会公开模型家族以及评测与复现流程。
为什么重要
视频理解长期是难点,同时处理画面与音轨更考验模型结构。若摘要中的评测结论成立,35B-A3B 版本在开源阵营中领先于 Qwen3.5-Omni-Flash、Seed2.0-Mini-0428 等闭源模型,9B 版本也能超过体量更大的 Qwen3-Omni-30B-A3B-Instruct,说明“小参数+混合思考”路线在多模态场景有竞争力。
更关键的是开源与复现流程的公开。对社区而言,这意味着音视频联合推理不再只由闭源 API 主导,开发者可以在本地或私有环境做二次训练与适配。不过上述排名仅对应论文摘要所述的评测条件和时间,不宜理解为长期稳定排名。
对用户/开发者/创作者的影响
对开发者,2B 和 4B 小模型降低了本地部署和算力门槛,适合做视频摘要、会议记录、字幕理解等应用原型;9B 与 35B-A3B 则偏向更高精度的推理任务。混合思考模式允许按场景在响应速度和推理深度之间切换,对 API 设计有参考价值。
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。
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。
对创作者和企业,音视频联合理解可延伸到内容审核、素材检索、直播分析等方向。但需注意:目前公开信息显示这些只是论文层面的能力描述,暂无已上线产品、价格或商用授权细节,采购决策前应等待模型权重与许可证正式发布。
值得关注的后续
一是模型权重、许可证和推理代码是否按承诺开放,以及实际显存需求;二是第三方在相同基准上的复现结果是否与摘要一致;三是闭源厂商是否跟进类似音频+视频联合评测,以及开源竞品是否推出对标规格。


