Tencent lance WeMM-Embedding : un modèle multimodal pour le traitement des requêtes
Tencent lance WeMM-Embedding : un modèle multimodal pour le traitement des requêtes
Tencent a dévoilé WeMM-Embedding, un nouveau modèle multimodal capable de traiter environ un milliard de requêtes par jour. Conçu pour gérer le texte, les images et la vidéo, il offre une flexibilité dimensionnelle adaptée à divers cas d'usage.
Tencent a lancé WeMM-Embedding, un modèle multimodal qui traite approximativement un milliard de requêtes par jour au sein de l'écosystème Weixin.
Le modèle fonctionne avec du texte, des images et des vidéos, en tenant compte de l'ordre dans lequel ces éléments apparaissent.
La version 9B s'est classée première sur MMEB-v2 avec un score de 80,6.
La version plus légère de 2B conserve 98,7 % de sa qualité même à une dimensionalité réduite à 256.
De plus, la dimensionalité peut être réduite à 64 pour des recherches rapides ou augmentée à 2048 pour un classement plus précis — sans nécessiter de réentraînement du modèle.
Désormais, WeMM-Embedding est disponible en accès ouvert.
Pourquoi c'est important
AnalyseCe modèle ouvre de nouvelles possibilités pour le traitement des requêtes multimédias, ce qui pourrait améliorer considérablement l'expérience utilisateur dans diverses applications. La mise à disposition en accès libre favorisera également le développement de technologies IA.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Tencent lance Hy4 : un modèle à poids ouverts qui défie DeepSeek
Tencent a publié Hy4, un modèle multimodal qui a obtenu 75,2 points au benchmark APEX-Agents lors de tests internes, devant DeepSeek V4.1 Flash-1017. L’entreprise prévoit de publier les poids du modèle.
JSON — données structurées pour les applications, les API et les agents IA
Guide pratique complet du format JSON : règles de syntaxe, sérialisation via parse/stringify, intégration avec les API REST, schémas JSON et sortie structurée pour l'intelligence artificielle.
Format CSV : guide complet pour l'automatisation et le travail avec l'IA
Guide pratique sur l'utilisation du format CSV dans les pipelines d'IA : spécification RFC 4180, comparaison avec XLSX et JSON, nettoyage et enrichissement massif des données, codage en Python et prompts prêts à l'emploi.
Google Gemini Pro (Modèle Google à contexte illimité)
Le modèle de travail principal de Google DeepMind, doté d'une fenêtre de contexte record de plus de 2 millions de tokens. Il est capable d'analyser en une seule requête des livres entiers, des vidéos chronométrées et des bases de code massives.