Tencent stellt WeMM-Embedding vor: Ein multimodales Modell für die Abfrageverarbeitung
Tencent stellt WeMM-Embedding vor: Ein multimodales Modell für die Abfrageverarbeitung
Tencent hat WeMM-Embedding veröffentlicht, ein neues multimodales Modell, das täglich rund eine Milliarde Abfragen verarbeitet. Das Modell unterstützt Text, Bilder und Videos und bietet flexible Dimensionalitäten für verschiedene Anwendungsfälle.
Tencent hat WeMM-Embedding eingeführt – ein multimodales Modell, das innerhalb der Plattform Weixin täglich etwa eine Milliarde Abfragen verarbeitet.
Das Modell arbeitet mit Texten, Bildern und Videos und berücksichtigt dabei die Reihenfolge ihrer Darstellung.
Die 9-Milliarden-Parameter-Version (9B) belegte den ersten Platz im MMEB-v2-Benchmark mit einer Punktzahl von 80,6.
Die kleinere Version mit 2 Milliarden Parametern behält selbst bei einer Reduktion der Dimensionalität auf 256 noch 98,7 % der Qualität.
Darüber hinaus kann die Dimensionalität ohne erneutes Training des Modells auf 64 reduziert werden, um schnelle Suchvorgänge zu ermöglichen, oder auf 2048 erhöht werden, um genauere Ranglisten zu erzeugen.
WeMM-Embedding ist nun im Open Access verfügbar.
Warum das wichtig ist
AnalyseDieses Modell eröffnet neue Möglichkeiten für die Verarbeitung multimedialer Abfragen, was die Nutzererfahrung in verschiedenen Anwendungen erheblich verbessern kann. Der offene Zugang zum Modell wird zudem die Entwicklung von KI-Technologien weiter fördern.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Tencent stellt Hy4 vor: ein Open-Weight-Modell, das DeepSeek herausfordert
Tencent hat Hy4 veröffentlicht, ein multimodales Modell, das in internen Tests 75,2 Punkte im APEX-Agents-Benchmark erreichte und vor DeepSeek V4.1 Flash-1017 lag. Das Unternehmen will die Modellgewichte veröffentlichen.
Google Gemini Pro (Modell mit unbegrenztem Kontext)
Das Kernarbeitsmodell von Google DeepMind mit einem rekordverdächtigen Kontextfenster von über 2 Millionen Token. Es kann in einer einzigen Anfrage ganze Bücher, lange Videoaufnahmen und massive Codebases analysieren.
MIT-Forschende zeigen, dass GPT-6 Astra andere KI-Modelle durch direkte Gewichtsänderungen verbessern kann
In einem Experiment erhöhte Astra die Genauigkeit von Qwen3.5-0.8B auf MATH-500 von 7,9 % auf 48,1 %, indem nur 0,016 % der Modellgewichte geändert wurden.
JSON – strukturierte Daten für Anwendungen, APIs und KI-Agenten
Ein umfassender praktischer Leitfaden zum JSON-Format: Syntaxregeln, Serialisierung über parse/stringify, Arbeit mit REST-APIs, JSON Schema und strukturierter Output für künstliche Intelligenz.