腾讯于 2026 年 2 月通过 Hugging Face 发布并开源了 9B 参数的多模态嵌入模型 WeMM-Embedding-9B。该模型基于 Qwen3.5 构建，能够同时处理文本、图像、视频、视觉文档以及交错的多模态输入，并输出 4096 维的 L2 归一化嵌入向量，但不支持音频输入。这一发布标志着腾讯在 AI 基础设施层（尤其是多模态检索与理解）的又一重要布局。
在技术指标上，WeMM-Embedding-9B 在两大主流基准上均取得了领先成绩。在 MMEB-v2 基准（涵盖 78 个数据集）上，其平均分达到 80.6，其中图像任务 Hit@1 为 81.9，视频任务为 74.3，视觉文档任务 NDCG@5 为 83.3，全面超越了同规模的 DME-Medium（78.4）以及更大规模的 VLM2Vec 8B（53.2）等模型。在更全面的 MMEB-v3 基准（覆盖 190 个任务，包含文本、智能体、跨模态检索等）上，其平均分达到 59.5，同样位居榜首，显著领先于 Qwen3-VL-Embedding 8B（53.5）等竞品。值得注意的是，MMEB-v3 中音频任务得分为 0，因为该模型不支持音频输入，但整体表现仍优于多数支持音频的模型。
WeMM-Embedding-9B 的设计强调通用性与实用性。它支持 Matryoshka 嵌入（MRL），允许用户通过截取嵌入向量的前若干维度（如 256 维）来降低存储与计算成本，同时保持较好的检索性能。模型兼容多种主流推理框架，包括 Transformers、Sentence Transformers、vLLM（0.27.0 及以上）以及 SGLang（0.5.9 及以上），并提供了详细的代码示例，便于开发者快速集成。此外，模型支持将文本、图像、视频等不同模态的内容混合编码，例如用户可以用文本查询去匹配包含图像或视频的文档，这为多模态检索增强生成（RAG）等应用提供了便利。
从产业视角看，多模态嵌入模型是连接视觉、语言与视频内容的关键技术，直接影响搜索、推荐、智能体记忆等上层应用的性能。腾讯此次开源 9B 级模型并登顶基准，不仅展示了其在多模态理解领域的技术积累，也可能对现有嵌入模型生态（如基于 CLIP 或纯文本嵌入的方案）形成竞争压力。对于 AI 应用开发者而言，一个开源、高性能且支持视频与文档的嵌入模型，有望降低多模态应用的开发门槛，并推动检索与生成技术的融合。
值得注意的是，该模型基于 Qwen3.5 底座，体现了腾讯与阿里在开源模型生态上的合作趋势。同时，腾讯在模型卡片中引用了技术报告，并鼓励社区引用，显示出其希望通过开源建立技术影响力的意图。不过，目前该模型尚未提供音频支持，这在一定程度上限制了其在全模态场景下的应用，未来是否会扩展音频能力值得关注。总体而言，WeMM-Embedding-9B 的发布是多模态 AI 基础设施领域的一个重要进展，其基准成绩与开源策略可能对行业产生持续影响。