跳到正文
Hugging Face 每日热门论文·· 3 天前AI 评分74

WeMM-Video 提出中英双语全模态视频理解模型家族

WeMM-Video: Pushing the Frontiers of Open-Source Omni-Modal Video Understanding

AI 导读

WeMM-Video 提出覆盖2B、4B、9B和35B-A3B的中英双语全模态基础模型家族,统一处理文本、图像、音频和视频,并支持非思考指令模式与逐步推理模式。模型使用约1.2 trillion tokens的多模态语料训练,流程包含多教师OPD、抗重复MrDPO和专家RL。报告称,WeMM-Video-35B-A3B在超过120项基准评测中达到开源SOTA,模型家族及评测复现管线已公开。

来源:Hugging Face 每日热门论文 · huggingface.co