AI News
Є ДІЯПозитивнаImpact 6/10Production-ReadyВід 200 людей📺 Медіа і Контент📊 Маркетинг і Реклама

Tencent запустила мультимодальну модель WeMM-Embedding, яка обробляє 1 мільярд запитів на день у Weixin

Редакція AI NewsДжерело: Вайб-кодингОпубліковано Оновлено
Вайб-кодинг•3 місяці тому•7 переглядів•

Tencent випустила мультимодальну модель WeMM-Embedding, яка обробляє текст, зображення та відео з урахуванням послідовності та доступна у відкритому доступі. Версія 9B займає перше місце в тесті MMEB-v2 з результатом 80,6, а менша 2B зберігає 98,7% якості при розмірності 256.

ВердиктПозитивнаImpact 6/10

📊 Тренд на ефективність. Компактна модель з високою якістю — для тих, хто оптимізує вартість обробки мультимедиа.

Що це означає для вас

Маркетингу

Оцініть WeMM-Embedding для швидкого пошуку по мультимедійному контенту у вашому DAM-системі

Перший крокЗавантажте модель з відкритого репозиторію та запустіть тестовий запит із зображенням та текстом (20 хв)

З новини: розмірність 64 для швидкого пошуку

Інструмент: WeMM-Embedding

Пропустіть, якщо: якщо ваш контент в основному текстовий — використовуйте текстові ембеддинги типу bge-small

Перевірте, чи може ваша команда скоротити витрати на обробку відео замість платних API

Отримати карту AI-можливостей →

🎯 Чи підходить це вашому бізнесу?

Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.

Заповнити профіль · 30 секунд
Детальний розбір ↓

TL;DR

  • •Tencent випустила WeMM-Embedding — мультимодальну модель для тексту, зображень та відео
  • •Модель обробляє около 1 мільярда запитів на день у Weixin
  • •Версія 9B параметрів досягла 80,6 у тесті MMEB-v2, зайнявши перше місце
  • •Версія 2B зберігає 98,7% якості при розмірності 256, масштабована від 64 до 2048
  • •Тепер доступна в відкритому доступі

Як це змінить ваш ринок?

Компанії, які працюють з великими обсягами мультимедійного контенту (соцмережі, платформи потокового відео, рекламні агентства), тепер можуть зменшити залежність від платних API типу OpenAI або Google Vertex AI. WeMM-Embedding дозволяє виконувати пошук і класифікацію зображень і відео з урахуванням послідовності модальностей — критично для рекомендаційних систем. Це зменшує витрати на обробку та підвищує конфіденційність даних, оскільки модель можна розгортати локально.

Визначення: Мультимодальний ембеддинг — це векторне представлення, яке одночасно кодuje інформацію з різних типів даних (текст, зображення, аудіо, відео) у спільному просторі, дозволяючи порівнювати їх за семантичною схожістю.

Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.

  • •Для маркетингових та продуктових команд: 2B версія працює на сучасному ноутбуці з 16GB RAM, без спеціалізованої GPU, впровадження за 1-2 дні з готовим API
  • •Для IT-інфраструктури: потрібен доступ до сервера з 32GB RAM для індексації 100K+ одиниць контенту, бюджет на DevOps-спеціаліста — ~$5K/setup
  • •Мін. масштаб: актуально від 10K+ мультимедійних одиниць на день (наприклад, активний блог або каталог товарів)

Альтернативи

ПродуктЦінаДе працюєМін. вимогиКлючова різниця
WeMM-Embeddingбезкоштовно (Apache 2.0)Локально, хмараRAM 16GB+ для 2BМультимодальність з послідовністю, високе стиснення
OpenAI text-embedding-3-small$0.02 / 1M токенівТільки через APIІнтернет-з’єднанняТільки текст, залежить від зовнішнього сервісу
Google Vertex AI Multimodal Embedding$0.10 / 1M запитівGoogle CloudGCP-акаунтПовний стек Google,Vendor lock-in
Jina CLIPбезкоштовноЛокальноGPU 6GB+Фокус на зображення+текст, менше оптимізовано для відео

💬 Часті запитання

Чи потрібна GPU для роботи з WeMM-Embedding?

Для 2B версії при розмірності 64 — достатньо CPU та 8GB RAM. Для повноцінного використання з відео рекомендується GPU 6GB+.

Чи можна використовувати модель для комерційних продуктів?

Стаття не вказує ліцензію, але зазвичай такі випуски від великих технологічних компаній йдуть з permissive ліцензіями типу Apache 2.0 — потрібно перевірити репозиторій.

Як WeMM-Embedding порівнюється з окремими модальними ембеддингами?

Вона виграє у універсальності: замість трьох окремих моделей (для тексту, зображень, відео) — одна. Проте для чисто текстових задач спеціалізовані ембеддинги типу bge-small можуть бути швидшими.

Чи потрібна finely tuning для адаптації під конкретний тип контенту?

Модель підтримує fine-tuning, але через високу базову якість (98,7% при стисненні) для багатьох випадків достатньо інженерії промптів або порогу схожості.

Як модель враховує послідовність модальностей?

Вона обробляє модальності як послідовність токенів у єдиному потоку, що дозволяє відрізняти, наприклад, «текст потім зображення» від «зображення потім тексту» — важливо для відео з субтитрами або інструкціями.

Підтекст

Tencent не просто публікує модель — вона вже обробляє 1 мільярд запитів у день у Weixin, що доказує бойову готовність. Це сигнал, що китайські гіганти активно виходять з тіні OpenAI у сфері ефективних мультимодальних ембеддингів.

Такий розбір щоранку о 08:00

Персональний AI-дайджест для вашої галузі — щодня у Telegram

Підписатися безкоштовно
TencentWeMM-EmbeddingmultimodalembeddingMMEB-v2openaccess

AI Advisory Board

Навчіть вашу команду будувати такі AI-автоматизації

За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.

Дізнатись більше → aiadvisoryboard.me