微信低调开源生产级多模态嵌入模型 WeMM-Embedding

2026年8月26日，X账号“阿易 AI Notes”介绍了腾讯微信视觉团队开源的 WeMM-Embedding 多模态嵌入模型。其关注价值在于，文本、图像、视频和视觉文档被纳入统一向量表示后，搜索和推荐系统可以用更一致的方式处理跨模态内容，同时模型权重和评测代码对开发者开放。

• 腾讯 WeMM-Embedding 官方 GitHub仓库列出2B、4B和9B三个版本，支持文本、图像、视频、视觉文档及交错多模态输入。
• 仓库记录的 MMEB-v2评测中，9B版本平均分为80.6；MMEB-v3中，9B版本为59.5。两个分数属于不同评测设置，不能直接互相比较。
• 官方仓库还显示，2B版本截断到256维后，在 MMEB-v2 的图像和视频任务上保留完整维度表现的98.7%，这是模型方报告的基准结果。
• 低维向量通常可以减少存储和检索计算，但实际成本还取决于索引结构、数据规模、召回率目标和更新频率。
• 仓库提供 vLLM 和 SGLang 的部署示例，并注明当前不支持音频输入，因此适用范围仍由模态和工程条件限定。
• 影响/看点：如果公开权重、低维表示和多模态输入能在真实业务中维持足够召回质量，企业可能降低跨模态检索的接入成本；但榜单成绩不能替代目标数据集上的离线与线上验证。
• 资料依据：Tencent/WeMM-Embedding GitHub仓库，2026年8月，https://github.com/Tencent/WeMM-Embedding；《WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report》2026年8月，https://arxiv.org/abs/2608.24053；X“阿易 AI Notes”原帖，2026年8月26日，https://x.com/AYi_AInotes/status/2092636087147491496

本内容由 AI 生成，仅供参考，请注意甄别