Tencent uruchamia WeMM-Embedding — multimodalny model do przetwarzania zapytań
Tencent uruchamia WeMM-Embedding — multimodalny model do przetwarzania zapytań
Tencent zaprezentował WeMM-Embedding, nowy model multimodalny obsługujący tekst, obrazy i wideo, który przetwarza około miliarda zapytań dziennie w ramach platformy Weixin.
Tencent uruchomił WeMM-Embedding — zaawansowany model multimodalny, który obsługuje około miliarda zapytań dziennie w ekosystemie Weixin.
Model ten jest zdolny do jednoczesnego przetwarzania tekstu, obrazów oraz materiałów wideo, uwzględniając przy tym kolejność ich występowania. Wersja modelu o parametrach 9B zajęła pierwsze miejsce w rankingu MMEB-v2, uzyskując wynik 80,6 punktu. Z kolei lżejsza wersja 2B zachowuje aż 98,7% jakości nawet przy redukcji wymiarowości do 256.
Jedną z kluczowych innowacji jest elastyczność konfiguracji wymiarowości bez konieczności ponownego trenowania modelu. Użytkownicy mogą zredukować wymiarowość do 64 dla szybszego wyszukiwania lub zwiększyć ją do 2048 w celu osiągnięcia wyższej precyzji rankingowej.
Obecnie model WeMM-Embedding jest dostępny w otwartym dostępie na GitHubie.
Dlaczego to ważne
AnalizaUruchomienie tego modelu otwiera nowe możliwości w zakresie przetwarzania zapytań multimedialnych, co może znacząco poprawić doświadczenia użytkowników w wielu aplikacjach. Udostępnienie kodu na zasadach open source przyspieszy rozwój technologii AI poprzez umożliwienie społeczności deweloperskiej dalszych badań i implementacji.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Tencent wypuścił Hy4: model z otwartymi wagami, który rzuca wyzwanie DeepSeek
Tencent wypuścił Hy4 — model multimodalny, który w wewnętrznych testach uzyskał 75,2 punktu w benchmarku APEX-Agents, wyprzedzając DeepSeek V4.1 Flash-1017. Firma planuje opublikować wagi modelu.
Google Gemini Pro (Model Google z ogromnym kontekstem)
Główny model roboczy od Google DeepMind z rekordowym oknem kontekstowym wynoszącym ponad 2 miliony tokenów. Zdolny do analizowania całych książek, nagrań wideo oraz dużych baz kodu w ramach jednego zapytania.
Modele językowe wizji (Vision Language Models / VLM)
Multimodalne modele łączące zdolność do percepcji obrazów wizualnych (poprzez podział na patche) z inteligencją tekstową LLM. Umożliwiają rozpoznawanie obiektów na zdjęciach, analizę złożonych wykresów, odczytywanie paragonów oraz rozumienie interfejsów użytkownika.
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.