以下为上游提供的源文稿,可能存在识别错误。
乔木转写是基于源文稿的中文提炼,不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇,慢慢读
从左侧挑一篇,正文会在这里排成书页。
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
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...