# WeMM-Embedding：微信开源的多模态向量模型

> 微信视觉团队出品，Apache-2.0 可商用——2B 打赢别家 8B，MMEB-v2 新 SOTA；Matryoshka 可变维度，256 维保住 98.7% 性能，视频号/朋友圈搜索同款技术

## 这是什么

微信视觉团队（Tencent WeChat Vision）刚开源的**通用多模态 embedding 模型**——把文本、图片、视频、视觉文档、图文混排全部映射到同一个向量空间，一套模型支撑检索、推荐、分类、聚类。Apache-2.0 协议，可商用。

这不是实验室玩具：已在**微信视频号、公众号、朋友圈、电商**的搜索推荐里大规模部署，论文里放了 26 项内部任务 benchmark 和 14 次线上 A/B 测试的数据。

## 差异化卖点

**1. 小模型打赢大模型**
2B 版本在 MMEB-v2 榜单总分 77.9，比 Qwen3-VL-Embedding-2B 高 4.7 分、比 DME-2B 高 3.1 分，**甚至略超 Qwen3-VL-Embedding-8B**；9B 版本总分 80.6 刷新 SOTA。同档位下目前最强。

**2. Matryoshka 可变维度——工程部署的杀手锏**
一次前向计算，按需输出 64/128/256/512/1024/2048 多种维度。论文实测：砍到 256 维时图像/视频任务仍保留 **98.7%** 的 2048 维性能。意味着向量存储和检索成本可以砍一个数量级，精度几乎不掉——这是真正上过生产线的团队才会做的设计。

**3. 全家桶一次给齐**
2B / 4B / 9B 三个规格 + 推理代码 + MMEB-v3 官方评测脚本（带多卡 torchrun 支持）， HuggingFace 直接下，授权干净（Apache-2.0）。

## 规格速览

| 模型 | 向量维度 | 适合场景 |
|---|---|---|
| WeMM-Embedding-2B | 64–2048 | 本地/边缘部署，性价比之王 |
| WeMM-Embedding-4B | 64–2560 | 平衡点 |
| WeMM-Embedding-9B | 64–4096 | 冲榜/精度优先 |

## 资源

- 论文：[arXiv:2608.24053](https://arxiv.org/abs/2608.24053)
- 代码：[github.com/Tencent/WeMM-Embedding](https://github.com/Tencent/WeMM-Embedding)
- 权重：HuggingFace `tencent/WeMM-Embedding-2B / 4B / 9B`

## 一句话点评

做 RAG、多模态搜索、agent 记忆检索的，这个直接替换掉现有的 embedding 方案去试——2B 的尺寸、8B+ 的精度、可变维度的存储弹性，还是微信亿级流量验证过的方案。目前开源多模态 embedding 的第一选择。

---

**分类**：模型
**标签**：模型 · 微信 · WeMM
**作者**：子龙
**链接**：https://octohz.com/p/2057