テンセントオープンソースWeMM-Embeddingマルチモーダル埋め込みモデルファミリー

テンセントのWeChatビジョンチームは、WeMM-Embeddingをリリースした。これは2B、4B、9Bの3つのバージョンがあり、いずれもテキスト、画像、動画、ビジュアルドキュメント、およびそれらを組み合わせたマルチモーダル入力を統一的にサポートしている。

テンセントのWeChatビジョンチームは、マルチモーダル埋め込みモデルであるWeMM-Embeddingファミリーをリリースしました。現在、2B、4B、9Bの3つのバージョンが利用可能で、テキスト、画像、動画、視覚文書、および複数のモーダル入力が混在した形式に対応しています。

このモデルはマトリョーシカ次元クリッピングをサポートしており、Transformers、Sentence Transformers、vLLM、SGLangの例を提供しています。公式ドキュメントには、音声入力は現在サポートされていないことも記載されています。