騰訊於 2026 年 2 月通過 Hugging Face 釋出並開源了 9B 引數的多模態嵌入模型 WeMM-Embedding-9B。該模型基於 Qwen3.5 構建，能夠同時處理文本、影像、影片、視覺文件以及交錯的多模態輸入，並輸出 4096 維的 L2 歸一化嵌入向量，但不支援音訊輸入。這一發布標誌著騰訊在 AI 基礎設施層（尤其是多模態檢索與理解）的又一重要佈局。
在技術指標上，WeMM-Embedding-9B 在兩大主流基準上均取得了領先成績。在 MMEB-v2 基準（涵蓋 78 個數據集）上，其平均分達到 80.6，其中影像任務 Hit@1 為 81.9，影片任務為 74.3，視覺文件任務 NDCG@5 為 83.3，全面超越了同規模的 DME-Medium（78.4）以及更大規模的 VLM2Vec 8B（53.2）等模型。在更全面的 MMEB-v3 基準（覆蓋 190 個任務，包含文本、智慧體、跨模態檢索等）上，其平均分達到 59.5，同樣位居榜首，顯著領先於 Qwen3-VL-Embedding 8B（53.5）等競品。值得注意的是，MMEB-v3 中音訊任務得分為 0，因為該模型不支援音訊輸入，但整體表現仍優於多數支援音訊的模型。
WeMM-Embedding-9B 的設計強調通用性與實用性。它支援 Matryoshka 嵌入（MRL），允許使用者通過擷取嵌入向量的前若干維度（如 256 維）來降低儲存與計算成本，同時保持較好的檢索效能。模型相容多種主流推理框架，包括 Transformers、Sentence Transformers、vLLM（0.27.0 及以上）以及 SGLang（0.5.9 及以上），並提供了詳細的程式碼示例，便於開發者快速整合。此外，模型支援將文本、影像、影片等不同模態的內容混合編碼，例如使用者可以用文本查詢去匹配包含影像或影片的文件，這為多模態檢索增強生成（RAG）等應用提供了便利。
從產業視角看，多模態嵌入模型是連線視覺、語言與影片內容的關鍵技術，直接影響搜尋、推薦、智慧體記憶等上層應用的效能。騰訊此次開源 9B 級模型並登頂基準，不僅展示了其在多模態理解領域的技術積累，也可能對現有嵌入模型生態（如基於 CLIP 或純文本嵌入的方案）形成競爭壓力。對於 AI 應用開發者而言，一個開源、高效能且支援影片與文件的嵌入模型，有望降低多模態應用的開發門檻，並推動檢索與生成技術的融合。
值得注意的是，該模型基於 Qwen3.5 底座，體現了騰訊與阿里在開源模型生態上的合作趨勢。同時，騰訊在模型卡片中引用了技術報告，並鼓勵社群引用，顯示出其希望通過開源建立技術影響力的意圖。不過，目前該模型尚未提供音訊支援，這在一定程度上限制了其在全模態場景下的應用，未來是否會擴充套件音訊能力值得關注。總體而言，WeMM-Embedding-9B 的釋出是多模態 AI 基礎設施領域的一個重要進展，其基準成績與開源策略可能對行業產生持續影響。