WeMM-Embedding-2B

WeMM-Embedding-2B 是构建于 Qwen3.5 之上的通用多模态嵌入模型。它支持文本、图像、视频、视觉文档以及交错多模态输入，并返回 2,048 维的 L2 归一化嵌入。不支持音频输入。

安装

pip install torch transformers==5.2.0 "qwen-vl-utils[decord]==0.0.14" \
  "sentence-transformers>=5.7.0" "accelerate>=1.1.0"

Transformers

import torch
from qwen_vl_utils import process_vision_info
from transformers import AutoModel, AutoProcessor

model_id = "tencent/WeMM-Embedding-2B"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModel.from_pretrained(
    model_id, trust_remote_code=True, dtype=torch.bfloat16
).cuda().eval()

messages = [{"role": "user", "content": [
    {"type": "image", "image": "/path/to/image.jpg"},
    {"type": "video", "video": "/path/to/video.mp4"},
    {"type": "text", "text": "This can be any text input."},
]}]
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=False
)
images, videos, video_kwargs = process_vision_info(
    messages,
    image_patch_size=16,
    return_video_kwargs=True,
    return_video_metadata=True,
)
if videos is not None:
    videos, video_metadata = zip(*videos)
    videos, video_metadata = list(videos), list(video_metadata)
else:
    video_metadata = None
inputs = processor(
    text=text,
    images=images,
    videos=videos,
    video_metadata=video_metadata,
    return_tensors="pt",
    **video_kwargs,
).to("cuda")

with torch.inference_mode():
    embedding = model.embedding(**inputs)

可使用任意内容项子集，独立编码文本、图像或视频。

Sentence Transformers

from sentence_transformers import SentenceTransformer

model_id = "tencent/WeMM-Embedding-2B"
model = SentenceTransformer(model_id, trust_remote_code=True)

queries = [
    "Which Llama 4 model variants are available?",
    "How is mapo tofu prepared?",
]
documents = [
    "Mapo tofu is a Sichuan dish of soft tofu simmered in a spicy, numbing sauce of chili bean paste and Sichuan peppercorn.",
    {
        "image": "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/llama4_hgf.png",
    },
    {
        "video": "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/mapo_tofu.mp4",
    },
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# (2, 2048) (3, 2048)

similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[0.0685, 0.5379, 0.0423],
#         [0.7829, 0.1852, 0.4729]])

每个输入都可以是字符串、URL 或路径、PIL.Image，或一个组合了 image、video 和 text 键的 dict。也支持类似如下的聊天消息： {"role": "user", "content": [{"type": "image", "image": ...}, {"type": "text", "text": ...}]} 这是在同一条输入中交错放置多张图片或视频的方式。

Matryoshka 嵌入

embedding_256 = torch.nn.functional.normalize(embedding[..., :256], dim=-1)

使用 Sentence Transformers 时，传入 truncate_dim，让其重新归一化：

embeddings_256 = model.encode_document(documents, truncate_dim=256, normalize_embeddings=True)

请使用 model.config.matryoshka_dimensions 中列出的任一维度。在 MMEB-v2 上，256 维嵌入可保留全维度图像与视频性能的 98.7%。

服务

vLLM 0.27.0：

MODEL_PATH=/path/to/WeMM-Embedding-2B
vllm serve "$MODEL_PATH" \
  --runner pooling \
  --chat-template "$MODEL_PATH/embedding_chat_template.jinja"

SGLang 0.5.9：

MODEL_PATH=/path/to/WeMM-Embedding-2B
python patch_sglang_video.py
python -m sglang.launch_server \
  --model-path "$MODEL_PATH" \
  --is-embedding \
  --enable-precise-embedding-interpolation

评估

MMEB-v2

技术报告表 1 中 78 个数据集上的结果。图像与视频任务采用 Hit@1，视觉文档任务采用 NDCG@5。分数越高越好。

模型	规模	平均	图像	视频	视觉文档
VLM2Vec	2B	47.8	59.7	29.0	44.0
GME	2B	55.4	51.9	33.9	76.8
VLM2Vec-V2	2B	59.3	64.9	34.9	69.2
Qwen3-VL-Embedding	2B	73.2	75.0	61.9	79.2
DME-Small†	2B	74.8	75.9	65.6	79.9
WeMM-Embedding	2B	77.9	79.6	70.8	80.7
WeMM-Embedding	4B	79.2	80.8	72.1	82.0
VLM2Vec	8B	53.2	65.5	34.0	49.1
GME	8B	59.2	56.0	38.6	79.3
Qwen3-VL-Embedding	8B	77.8	80.1	67.1	82.4
DME-Medium†	9B	78.4	79.8	70.8	82.0
WeMM-Embedding	9B	80.6	81.9	74.3	83.3

† 闭源排行榜提交，未公开发布模型权重或公开推理端点。

MMEB-v3

技术报告表 2 中全部 190 项任务的结果。V3-All 包含 78 项 MMEB-v2 任务、53 项文本任务、47 项智能体任务、11 项音频任务以及 MCMR。不支持的任务按零分计。

模型	规模	V3-All	文本	智能体	MCMR	音频
VLM2Vec-V2	2B	38.3	24.5	28.7	4.1	0.0
Omni-Embed-Nemotron	3B	43.5	39.2	36.5	26.1	36.5
E5-Omni	3B	44.6	26.7	36.9	31.9	30.8
Qwen3-VL-Embedding	2B	50.9	39.2	39.3	42.0	0.0
WeMM-Embedding	2B	56.0	45.3	45.1	42.5	0.0
WeMM-Embedding	4B	58.2	47.9	49.0	41.9	0.0
WAVE	7B	26.3	13.7	11.3	8.9	31.8
VLM2Vec	8B	32.9	22.2	19.7	0.9	0.0
LCO-Embedding-Omni	7B	40.6	32.4	27.8	20.0	43.2
GME	8B	43.6	37.1	35.6	27.3	0.0
E5-Omni	7B	47.1	26.9	36.7	41.1	43.0
Tianmu-Emb-Uni	8B	53.3	43.6	39.4	38.8	38.9
Qwen3-VL-Embedding	8B	53.5	42.5	38.4	38.0	0.0
WeMM-Embedding	9B	59.5	48.8	51.0	49.3	0.0

文本结果使用 NDCG@5；智能体、MCMR 和音频结果使用 Hit@1。

引用

如果您觉得本仓库有用，请考虑点亮星标 ⭐ 并提供引用

@article{wemm-embedding,
      title={WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report}, 
      author={Junjie Zhou and Ke Mei and Lei Li and Tianyi Wang and Fengyun Rao and Jing Lyu},
      year={2026},
      eprint={2608.24053},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2608.24053}, 
}

许可证

由腾讯公开发布的 WeMM-Embedding-2B，包括代码、模型参数和权重，均依据 Apache License 2.0 授权。第三方组件仍受其各自原始许可证约束。