Tencentは、Qwen3.5を基盤とした汎用マルチモーダル埋め込みモデルWeMM-Embedding-4Bをリリースしました。このモデルはテキスト、画像、動画、視覚文書、インターリーブされた入力を接受し、2,560次元のL2正規化埋め込みを返します。

このモデルは任意のコンテンツサブセットの独立したエンコーディングをサポートしており、transformersおよびsentence-transformersライブラリと組み合わせてpip installで利用可能です。また、プーリング推論にはvLLM 0.27.0、正確な埋め込み補間にはSGLang 0.5.9との統合も提供しています。

WeMM-Embedding-4BはMMEB-v2ベンチマークの78データセットで強力なパフォーマンスを示しており、画像/動画タスクにはHit@1を、視覚文書にはNDCG@5を使用します。