全部
全部

选一篇,慢慢读

从左侧挑一篇,正文会在这里排成书页。

文章与公开阅读资产

WeMM-Video:推动开源全模态视频理解前沿

Video understanding, particularly with accompanying audio, remains a central challenge in multimodal intelligence. In this report, we introduce WeMM-Video, a family of Chinese-English bilingual omni-modal foundation models spanning 2B, 4B, 9B, and 35B-A3B variants. Centering on joint audio-visual perception and reasoni

阅读原文 · Changli Tang, Jie Yang, Tianyi Wang, Lei Li, Daoze Zhang, Zijie Xin, Zhan Liu, Li Li, Jinchang Xu, Fengyun Rao, Chao Zhang, Jing Lyu

乔木风格重写

向阳乔木 · opencode-go/deepseek-v4.1-flash

多模态视频理解里,声音这条线一直是个硬骨头。大多数开源模型要么只做画面,要么把音频当附属输入,真正把“边看边听边推理”做扎实的很少。 WeMM-Video 值得看的地方在于,它把中英双语、全模态(文本、图像、音频、视频)、思考与非思考双模式,还有从 2B 到 35B-A3B 的完整尺寸梯队放在一个开源家族里。这不是单点模型发布,更像一套可复现的工程方案。 论...

  • JK下一篇 / 上一篇
  • S收藏
  • A问 AI
  • I沉浸阅读
  • Esc退出

分享海报

正在生成海报…

主题

字体

开源字体第一次使用时联网下载,只取海报上用到的字。