知识卡片：微信开源WeMM-Embedding，登顶MMEB-v2榜单

一句话结论

微信视觉团队开源多模态嵌入模型WeMM-Embedding，包含2B、4B、9B三个版本，支持文本、图像、视频及任意交错输入；其中9B版以80.6分登顶MMEB-v2榜单，2B版以77.9分超过此前领先的8B开源模型，并且模型已在微信生态的搜索与推荐场景达到十亿量级日调用。

事件概述

腾讯研究院AI速递报道，微信视觉团队开源了多模态嵌入模型WeMM-Embedding。该模型提供2B、4B、9B三种参数规模，可处理文本、图像、视频以及任意交错输入。在MMEB-v2榜单中，9B版本以80.6分位列第一；2B版本取得77.9分，超过此前领先的8B开源模型。将嵌入维度压缩到256维时，模型仍保留98.7%的性能。

方法/产品要点

• 模型系列：WeMM-Embedding，含2B、4B、9B三个版本。
• 输入能力：支持文本、图像、视频及任意交错输入。
• 维度压缩：取256维时仍保留98.7%性能，有助于降低存储与检索成本。
• 落地场景：已部署于视频号、公众号、朋友圈等推荐与搜索场景。

主要结果或产业意义

• 9B版本在MMEB-v2榜单以80.6分位列第一。
• 2B版本以77.9分超过此前领先的8B开源模型，体现较小参数规模的竞争力。
• 产品完成14次在线A/B测试并全量上线，日调用量达十亿量级，说明该模型不仅评测表现领先，也已在真实业务流量中得到验证。

为什么重要

WeMM-Embedding是一个开源多模态嵌入模型在推荐、搜索业务中大规模落地的代表案例。它说明开源多模态模型可以用较小参数、较低向量维度达到领先效果，为依赖向量检索和推荐系统的团队提供了模型选型与降本增效的参考路径。本条不属于已有相关卡片的重复信息，而是具体模型产品的最新进展。

局限与不确定性

• 材料未说明WeMM-Embedding的具体模型结构、训练数据、开源许可协议及权重获取方式，待核实。
• MMEB-v2榜单的具体评测范围、指标口径、以及“此前领先的8B开源模型”具体指哪个模型，材料未展开，待核实。
• 原文为腾讯研究院AI速递的二手汇总，微信视觉团队的原始发布细节与官方下载地址待核实。
• 256维保留98.7%性能的评测条件与具体任务类型待进一步确认。

可用于图书/PPT/简报的角度

• 开源多模态嵌入模型的最新进展与榜单表现。
• 模型压缩与向量维度降低的工程价值。
• 从A/B测试到十亿级日调用的大模型落地案例。
• 微信生态中的推荐与搜索如何受益于多模态表示学习。

原始材料

• 原文标题：腾讯研究院AI速递 20260908
• 英文标题：待核实（原文未提供）
• 英文关键词：WeMM-Embedding; MMEB-v2; multimodal embedding; open-source model; WeChat Vision; recommendation; search
• 原始来源：https://m.sohu.com/a/1073029447_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334