Hugging Face Papers ↗ · 2026-11-19
WeMM-Video:推动开源全模态视频理解的前沿
媒体报道 Hugging Face Papers 原文语言:中文
WeMM-Video 是一系列中英双语全模态基础模型,它统一了文本、图像、音频和视频处理,用于联合音视频感知与推理。该模型通过混合思维模式和大规模训练,实现了强劲的开源视频理解结果。
全文
WeMM-Video 是一系列中英双语全模态基础模型,统一文本、图像、音频和视频处理,实现联合的视听感知与推理,采用混合思维模式和大规模训练,取得了强大的开源视频理解效果。
正文为 AI 译文。