🌟 تنسنت از خانواده مدلهای امبدینگ (Embedding) چندوجهی WeMM-Embedding رونمایی کردتیم WeChat شرکت ت…
انتشار: 2026/08/27 19:53 UTCدریافت: 2026/08/28 03:35 UTCآخرین مشاهده: 2026/08/28 03:35 UTC
🌟 تنسنت از خانواده مدلهای امبدینگ (Embedding) چندوجهی WeMM-Embedding رونمایی کردتیم WeChat شرکت تنسنت، خانوادهای از مدلهای تعبیه چندوجهی را بهصورت متنباز منتشر کرده است. این مدلها که WeMM-Embedding نام دارند، برای ایجاد بردارهای نمایشی یکپارچه از محتوای مختلف طراحی شدهاند.---✨ قابلیتهای کلیدی:🔹 چندوجهی بودن: این مدلها با متن، تصویر، ویدئو، اسناد بصری پیچیده و محتوای ترکیبی کار میکنند و همه را در یک فضای معنایی واحد قرار میدهند.🔹 آموزش با Matryoshka Representation Learning: این روش به کاربران اجازه میدهد در زمان استفاده، ابعاد بردار را کاهش دهند و در مصرف حافظه و محاسبات صرفهجویی کنند.🔹 معماری مبتنی بر Qwen3.5: نسخهی کوچکتر بردارهای نرمالشده با ابعاد ۲۰۴۸ و نسخهی بزرگتر با ابعاد ۴۰۹۶ تولید میکند.🔹 حفظ کیفیت با کاهش ابعاد: مدل ۲ میلیاردی با فشردهسازی تا ۲۵۶ بُعد، همچنان ۹۸.۷٪ از کیفیت اولیه را در وظایف تصویری و ویدئویی حفظ میکند.---📊 عملکرد در بنچمارکها:· مدل ۹ میلیاردی با امتیاز ۸۰.۶ در بنچمارک MMEB-v2 رکورد جدیدی ثبت کرده است.· مدل ۲ میلیاردی از مدل Qwen3-VL-Embedding که ۴ برابر بزرگتر است، بهتر عمل کرده.---💼 کاربرد در دنیای واقعی:این مدلها هماکنون در سیستمهای جستجو و توصیهگر WeChat برای پردازش کانالها، حسابهای کاربری و تجارت الکترونیک استفاده میشوند و در ۱۴ آزمایش A/B آنلاین بهبود عملکرد را نشان دادهاند.---⚙️ دسترسی و مجوز:وزنهای مدل در سه اندازه ۲، ۴ و ۹ میلیارد پارامتری با مجوز Apache 2.0 منتشر شدهاند و از کتابخانههای Transformers، vLLM و SGLang پشتیبانی میکنند.تنها محدودیت فعلی، عدم پشتیبانی از ورودی صوتی است.---🔗 لینکهای مفید:📄 مقاله: arxiv.org/abs/2608.12345🤗 وزنها: huggingface.co/WeChat/WeMM-Embedding💻 گیتهاب: github.com/wechat/WeMM-Embedding---#Tencent #WeMM_Embedding #هوش_مصنوعی #پردازش_چندوجهی🆔 @asrgooyeshpardaz

