概要
TencentのWeChat Visionチームが開発した、約90億パラメータの汎用マルチモーダル埋め込みモデル。異なる種類のコンテンツを共通のベクトル空間で表現する。(github.com)
能力と用途
- テキスト、画像、動画、視覚文書、およびそれらを組み合わせた入力に対応する。
- 出力次元は64、128、256、512、1024、2048、4096から選択できる。
- 検索、推薦、分類、エージェントシステムなどに利用できる。公式報告では、MMEB-v2の平均スコアは80.6とされる。(github.com)
制限と提供形態
- 音声入力には現在対応していない。
- Tencentが公開したコード、モデルパラメータ、重みにはApache License 2.0が適用される。第三者コンポーネントにはそれぞれのライセンスが適用される。
- 埋め込みを生成するモデルであり、回答文の生成を主目的とするモデルではない。(github.com)
公開日
技術報告の初版提出日は2026年8月25日。モデル重みの公開日が同日であることは確認できていない。(arxiv.org)
価格
2026年11月16日確認。Tencent Cloudの中国国内向けおよび国際向けの公式料金資料を調査したが、本モデルに対応する公式API価格は確認できなかった。入力・出力それぞれの課金額、課金単位も未確認。公開重みの自己運用には、別途計算資源などの費用が生じ得る。(cloud.tencent.com)