腾讯开源 WeMM-Embedding 多模态嵌入模型

腾讯近日开源了 WeMM-Embedding 多模态嵌入模型系列，包含 9B、4B、2B 三个参数规格，模型基于 Qwen3.5 构建，可处理文本、图像、视频、视觉文档以及交错多模态输入，统一输出 4096 维 L2 归一化向量。

模型概览

WeMM-Embedding 是一个通用多模态嵌入模型，覆盖文本、图像、视频和视觉文档四类模态，同时支持多种模态的交错输入。模型输出统一为 4096 维 L2 归一化向量，便于直接用于向量检索、相似度计算与下游任务。

当前版本不支持音频输入，开发者在使用时需留意模态覆盖范围。

规格与开源情况

模型权重已在 HuggingFace 开源，三个规格分别对应不同部署需求：

• 9B 版本：huggingface.co/tencent/WeMM-Embedding-9B
• 4B 版本：huggingface.co/tencent/WeMM-Embedding-4B
• 2B 版本：huggingface.co/tencent/WeMM-Embedding-2B

技术报告随仓库一同发布（github.com/Tencent/WeMM-Embedding/blob/main/assets/WeMM_Embedding_tech_report.pdf），架构细节、训练数据构成与评估方法可查阅该 PDF。

典型应用场景

多模态嵌入的核心价值在于把异构数据映射到同一向量空间，从而支撑跨模态检索、推荐与 RAG 管线。WeMM-Embedding 凭借对视频与视觉文档的原生支持，潜在应用包括：

• 视频内容检索、片段匹配与自动标签
• 截图、扫描件等视觉文档的语义搜索
• 电商场景下图像与文本的联合检索
• 多模态 RAG 中的统一向量召回

仍待验证的问题

目前公开信息尚未披露完整 benchmark 数据与横向对比结果，模型在 MMEB、ViDoRe 等主流多模态嵌入评测上的实际表现有待技术报告与社区复现确认。此外，9B 规模对推理显存要求较高，中小规格的取舍仍是开发者选型时的关键变量。