Tencent WeMM-Video-2B GGUF Q4_K_M版公開

Tencent WeMM-Video-2B GGUF Q4_K_M版公開

基本情報

項目 内容
リポジトリ tencent/WeMM-Video-2B-GGUF
まとめページ WeMM-Video のまとめ(記事2本)
公開元のまとめ Tencent のモデルとライセンスのまとめ
公開日 2026-11-17
ライセンス apache-2.0
配布形式 GGUF
出典の種類 公開元の一次情報(Tencent公式HFリポジトリで裏付け確認)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Tencentは、音声と映像の統合理解および推論を行うモデル「WeMM-Video-2B」のGGUF Q4_K_M量子化版パッケージである「tencent/WeMM-Video-2B-GGUF」を公開しました。本モデルは中国語および英語に対応したバイリンガルモデルであり、テキスト、画像、音声、動画を入力として受け取り、テキスト形式の回答を生成します。WeMMのネイティブランタイム向けに提供されており、動画フレームのみの処理に加えて、動画のフレームとオリジナルの音声を組み合わせた処理にも対応しています。

スペック

  • パラメータ数:2B(Dense)
  • アーキテクチャ:WeMMVideoForConditionalGeneration

得意なこと・想定用途

本モデルの機能や得意分野は、元モデルである「WeMM-Video-2B」の能力に基づいています。画像・動画の視覚情報と音声情報を統合して理解し、推論を行うタスクに適しています。

具体的には、以下のような用途に対応しています。

  • 音声と映像の統合理解と推論:動画の画面上で起きている出来事の記述、音声トラックからのスピーチ書き起こし(トランスクリプション)、視覚情報と聴覚情報を踏まえた状況の要約や状況判断が可能です。
  • 多様な入力形式への対応:音声付き動画だけでなく、音声のない動画、単一の音声ファイル、静止画像、テキストのみの入力にも対応します。
  • バイリンガル対応:中国語および英語での出力に対応しています。
  • 思考モードの切り替え:プロンプト適用時に enable_thinking=False と指定することでダイレクトな回答を得られるほか、enable_thinking=True と設定することで推論プロセスを含む応答(Thinking mode)を出力させることができます。

なお、本パッケージは量子化版であるため、元モデルと比べて軽量化されている一方、精度に多少の影響が出ている可能性がある点にご留意ください。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 3.3B(元モデル tencent/WeMM-Video-2B の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
RTX 4060 / 3060 Ti など 8GB F32 6.1GB 7.3GB

推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-11-20 時点): llama.cpp: 未登録、vLLM: 未登録、MLX (mlx-lm): 未登録。「未登録」はその時点の登録表に名前が無いという意味で、動かないことの断定ではありません。

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 表のファイルは F32(32bit)で配布されたものの実サイズです。BF16 や量子化など低い精度で読み込めば必要なメモリは小さくなるため、最低条件ではなく配布そのままの大きさとして読んでください。低い精度での値は当サイトでは測っていません。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

Ollama・LM Studio・llama.cpp でそのまま動かせます。

GGUF形式で配布されているため、変換を待たずに手元で読み込めます。

ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。

配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

同クラスの既報モデル

当サイトが最近取り上げた、パラメータ数 〜4B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。

→ 横にスクロールできます

モデル パラメータ数 最小のVRAM階層 ライセンス 記事
LiquidAI/d1-omni-600M 587M 4GB lfm1.0 「d1-omni-600M」マルチモーダル決定モデル:必要VRAM 4GB〜・GGUF版あり(2026-11-17)
LiquidAI/d1-3B 3.1B 4GB lfm1.0 「d1-3B」テキストや画像の判定に特化した決定モデル:必要VRAM 4GB〜・GGUF版あり(2026-11-17)
baidu/Unlimited-OCR-2 3.3B 8GB mit 「Unlimited-OCR-2」超長文ドキュメント解析特化型ビジョン言語モデル:必要VRAM 8GB〜(2026-11-17)
openbmb/MiniCPM-OCR-1.0-DSpark 297M 4GB apache-2.0 「MiniCPM-OCR-1.0-DSpark」OCRの高速化ドラフトモデル:必要VRAM 4GB〜・GGUF版あり(2026-11-17)
openbmb/MiniCPM-OCR-Jev-GPTQ 2.2B 4GB apache-2.0 MiniCPM-OCR-Jevの量子化版が公開、GPTQとAWQ形式に対応(2026-11-17)

入手方法

本量子化モデルは、Hugging Faceのリポジトリ tencent/WeMM-Video-2B-GGUF から入手可能です。ライセンスはApache-2.0が適用されており、ダウンロードにあたって特別な同意申請や利用規約への同意(Gated)は不要です。

配布形式はGGUF(Q4_K_M)で、役割ごとに分割された以下の3つのファイルから構成されています。実行時はこれら3ファイルを同じリビジョンで揃えて使用します。

  • language.gguf:言語モデル、トークナイザー、チャットテンプレート
  • mmproj.gguf:ビジョンエンコーダーおよびプロジェクター
  • audio.gguf:音声エンコーダーおよびプロジェクター

本パッケージを実行するには、WeMMのネイティブランタイム(WeMM native runtime)をビルドし、Pythonパッケージの huggingface_hub をインストールして利用します。WeMM-Videoリポジトリのルートから native/run_hf.py スクリプトを実行することで、Hubから必要なコンポーネントが自動的に取得されます。

テキストのみの推論を行うコマンド例は以下の通りです。

export PATH="$PWD/native/install-cpu/bin:$PATH"
MODEL=tencent/WeMM-Video-2B-GGUF

python native/run_hf.py --repo-id "$MODEL" \
  --prompt "A 20-minute meeting starts at 09:45. When does it end?" --output text-result.json

メディアファイルを入力する場合は、目的に応じて以下のオプションを指定します。

  • 画像入力:--image
  • 音声入力:--audio
  • 動画フレームのみ:--video(--max-frames でフレーム数を制限)
  • 音声付き動画:--video-audio

音声付き動画を入力して、画面の説明と音声の要約を行うコマンド例は以下の通りです。

python native/run_hf.py --repo-id "$MODEL" --video-audio "examples/media/apollo-11-first-steps.mp4" \
  --max-frames 16 --prompt "Describe the scene and summarize the speech." --output video-audio-result.json

関連記事

次に読むなら

出典