Black FridayHiggsfield: hasta un 63% menos en el plan anual - Seedance 2.5, Nano Banana Pro, GPT Image Ver oferta →enlace de afiliado
Saltar al contenido

promptowy.com

WeMM-Video de Tencent analiza lo que se ve y lo que se oye en un vídeo

He comprobado qué archivos ofrece Tencent y cuánto ocupan los pesos. Una visita guiada permite evaluar por separado las palabras y las imágenes del vídeo.

Por: 2 min de lectura
Cuatro modelos WeMM-Video para analizar imagen y sonido
Índice 5
  1. Qué incluyen las cuatro versiones
  2. La cámara sigue en un cuadro y la guía ya habla de otro
  3. Preparar la descarga
  4. Fuentes
  5. Preguntas frecuentes

En breve
  • WeMM-Video procesa los fotogramas y el sonido original para responder por escrito.
  • Los pesos BF16 ocupan unos 6,57 GB en la versión 2B y 72,36 GB en la 35B-A3B.

En una visita guiada, la cámara puede quedarse en un cuadro mientras la guía empieza a hablar del siguiente. Si le pedimos a una IA que identifique la obra, ¿en qué pista se apoya? Tencent publicó el 20 de noviembre los pesos de WeMM-Video, una familia que procesa a la vez los fotogramas y el audio original para responder por escrito.

Qué incluyen las cuatro versiones

He comprobado los archivos BF16 en las cuentas oficiales de Tencent. Los tamaños 2B, 4B y 9B son modelos densos. El mayor, 35B-A3B, usa una mezcla de expertos. Solo los pesos ocupan unos 6,57 GB en el 2B y 72,36 GB en el mayor. La descarga completa también lleva archivos de configuración. La memoria para ejecutar el modelo es otro cálculo.

La cámara sigue en un cuadro y la guía ya habla de otro

Con una grabación propia de museo, anotaría de antemano el número que se lee en la cartela y el que menciona la guía. Después pediría al modelo ambos datos por separado y repetiría la consulta con el sonido silenciado. El contraste sirve para detectar atribuciones dudosas. Tencent documenta el inglés y el chino. La precisión con explicaciones en castellano requiere una prueba aparte.

La guía española del Real Patronato sobre Discapacidad distingue subtitulado, audiodescripción y lengua de signos para materiales educativos. Al revisar una respuesta conviene separar el diálogo del detalle visual que permite reconocer la obra.

NASA Goddard muestra aquí el primer paso de Armstrong. El repositorio de Tencent incluye imágenes de esa secuencia del Apolo 11 para comparar una respuesta con audio y otra sin él.

Preparar la descarga

La licencia de los modelos es Apache 2.0, con las condiciones propias de los componentes de terceros indicados. La ficha no publica una tarifa por minuto de vídeo para España.

Puedes estimar el tiempo de descarga y el espacio en disco antes de guardar varios modelos. Para consultar otras opciones está el comparador de modelos de IA.

Fuentes

Preguntas frecuentes

¿A qué hora llegaron los pesos?

El repositorio de código es público desde el 17 de noviembre. Los autores enviaron el artículo el 19. El primer juego completo de pesos BF16 se subió el 20 a las 02:41:08 (2B) y el último a las 06:08:27 (9B), hora peninsular española.

El modelo responde con texto. Sirve, por ejemplo, para describir una acción que aparece en pantalla o responder a una pregunta sobre el sonido original.

Versión polaca

Kinetyra OfertaLovable Pro 132,47 €/añoReplit Core 121,34 €/añoPostHog 54,55 €/añoVer todas las ofertas →
× ‹ powiększenie ›