**Inicio** Últimas noticias y reportajes **Noticias**

WeMM-Video establece un nuevo estándar de código abierto para la comprensión de videos omnimodales Los modelos WeMM-Video de Tencent alcanzan un rendimiento de vanguardia en la comprensión de videos omnimodales de código abierto, unificando el procesamiento de texto, imágenes, audio y video. **Ilustración editorial** No se trata de una captura de pantalla de un producto ni de una fotografía de un evento. **En este artículo**

Tencent ha presentado WeMM-Video, una familia de modelos fundamentales bilingües en chino e inglés diseñados para avanzar en el campo de la comprensión de videos, unificando el procesamiento de texto, imágenes, audio y video. Estos modelos, con tamaños de 2B, 4B, 9B y 35B-A3B, tienen como objetivo abordar los desafíos de la percepción y el razonamiento audiovisual conjunto a través de un enfoque híbrido. Incluyen un modo de instrucción rápido para respuestas directas y un modo de razonamiento detallado, paso a paso.

**Arquitectura técnica y entrenamiento**

Los modelos WeMM-Video se entrenan en un corpus multimodal a gran escala que contiene aproximadamente 1,2 billones de elementos de datos. El proceso de entrenamiento incluye un entrenamiento previo progresivo y una secuencia de entrenamiento posterior en múltiples etapas que incorpora métodos como OPD (Optimal Parameter Discovery), MrDPO (Anti-Replication MrDPO) y aprendizaje reforzado especializado (RL).

Estos métodos están diseñados para mejorar la capacidad de los modelos para manejar tareas complejas y multimodales. WeMM-Video ha demostrado un rendimiento superior en la comprensión y el razonamiento de videos omnimodales, según más de 120 pruebas de rendimiento. El modelo estrella, WeMM-Video-35B-A3B, representa un nuevo estándar de vanguardia en código abierto, superando a modelos propietarios como Qwen3.5-Omni-Flash y Seed2.0-Mini-0428. Además, reduce la brecha de rendimiento con Gemini-3.0-Flash, un modelo propietario líder en el mercado. El modelo compacto WeMM-Video-9B también supera al modelo de código abierto Qwen3-Omni-30B-A3B-Instruct, destacando su eficiencia y capacidad. La familia WeMM-Video está disponible públicamente en GitHub, junto con herramientas para su evaluación y reproducción, lo que fomenta la investigación y el desarrollo en la comunidad de código abierto. El repositorio incluye recursos como una colección de modelos, guías de inicio rápido y ejemplos de uso, tanto en inglés como en chino simplificado. WeMM-Video representa un avance significativo en el campo de la inteligencia multimodal, ya que unifica múltiples modalidades de datos y ofrece un rendimiento de vanguardia. Su lanzamiento en código abierto promoverá la innovación y la colaboración entre investigadores y desarrolladores de todo el mundo.```
  • Código abierto
  • Tencent
  • Inteligencia multimodal
  • Inicie sesión para guardar este artículo Cuenta gratuita: construya su colección de investigación y vuelva a leerlo en cualquier momento.

    ```