【免费下载链接】WeMM-Embedding-4B项目地址https://ai.gitcode.com/tencent_hunyuan/WeMM-Embedding-4B点击查看免费下载WeMM-Embedding-4B 是腾讯开源的通用多模态嵌入模型基于 Qwen3.5-4B 构建采用 Apache 2.0 许可证支持商用。它可将文本、图像、视频和视觉文档统一编码为 2560 维向量是企业级搜索、推荐与 RAG 系统的理想选型。本文将带你彻底搞懂它的许可证条款、商用边界和落地最佳实践。一、WeMM-Embedding-4B 是什么一句话概括一个什么都能编码的多模态嵌入模型。传统搜索系统往往需要为文本、图片、视频各维护一套模型而 WeMM-Embedding-4B 只需一个模型就能输出统一语义空间的向量输入文本、图像、视频、视觉文档PDF 页面等、文本与图/视频交错的复合输入输出2560 维 L2 归一化向量余弦相似度即内积语言中英文双语不支持音频输入规划中暂不包含在 MMEB-v2 多模态嵌入基准78 个数据集上4B 版本的综合得分79.2图像任务 80.8、视频任务 72.1、视觉文档任务 82.0直接超越了参数量更大的 Qwen3-VL-Embedding 8B77.8是小模型大能力的代表模型参数量MMEB-v2 平均图像视频视觉文档Qwen3-VL-Embedding2B73.275.061.979.2WeMM-Embedding-4B4B79.280.872.182.0Qwen3-VL-Embedding8B77.880.167.182.4WeMM-Embedding9B80.681.974.383.3二、Apache 2.0 许可你可以合法做什么 ✅WeMM-Embedding-4B 的许可证文件为 LICENSE。其核心条款非常明确腾讯公开发布的代码、模型参数和权重全部采用 Apache License 2.0 许可。Apache 2.0 是业界最友好的商用许可之一对生产落地最关心的权限包括使用场景是否允许说明内部使用企业私有部署✅无任何限制无需开源你自己的系统闭源商用产品集成✅可以嵌入商业产品并闭源销售修改模型/代码后分发✅需保留许可声明并注明修改提供 SaaS 服务✅网络服务不构成分发限制更少再分发模型权重✅需附带 Apache 2.0 许可文本Apache 2.0 附带的一项隐藏福利它包含明确的专利授权条款——任何贡献者授予使用者专利使用权且若有人就本项目发起专利诉讼相关专利授权自动终止。这对企业选型时评估专利风险是重要的加分项。三、商用边界3 个必须看清楚的细节 ⚖️Apache 2.0 虽宽松但能商用不等于没有义务。商用前请核对以下三点1. 第三方组件各有独立许可License 中特别注明项目依赖的第三方组件仍受其原始许可证约束。经核对清单中唯一的开源模型依赖是Qwen3.5-4BAlibaba Cloud同样是 Apache 2.0且腾讯对其做了修改Tencent Modifications版权归腾讯。 实务建议虽然两个许可证恰好都是 Apache 2.0 不产生冲突但仍建议法务在发布产品时保留对 Qwen3.5-4B 的致谢声明Attribution这是 Apache 2.0 分发的硬性要求。2. 许可证声明必须保留若你分发了模型或基于它的代码需保留原始版权声明与许可文本Apache 2.0 第 4 条。最简单的方式原样保留 LICENSE 文件和Copyright (C) 2026 Tencent声明。3. 明确不属于授权范围的事项商标不受许可第 6 条不能把 WeMM、Tencent 等名称用作你产品的商标或品牌名只能在描述来源时合理使用AS IS 免责声明第 7 条模型按现状提供官方不保证适销性或特定用途适配生产环境的质量风险由使用方自行承担责任限制第 8 条贡献者不对任何直接或间接损失负责四、快速上手3 步部署 WeMM-Embedding-4B 第 1 步获取模型仓库git clone https://gitcode.com/tencent_hunyuan/WeMM-Embedding-4B第 2 步安装依赖pip install torch transformers5.2.0 qwen-vl-utils[decord]0.0.14 \ sentence-transformers5.7.0 accelerate1.1.0⚠️ 版本钉住pin很重要README.md 明确要求transformers5.2.0这与 config.json 中声明的transformers_version一致随意升级可能破坏模型加载。第 3 步选择推理方式方式 A离线批量编码Sentence Transformersfrom sentence_transformers import SentenceTransformer model SentenceTransformer(tencent/WeMM-Embedding-4B, trust_remote_codeTrue) embeddings model.encode_document([搜索查询文本, 产品描述])多模态文档可直接传入包含image/video/text键的字典支持文本与图、视频交错混排。方式 B高并发在线服务vLLM推荐生产使用vllm serve /path/to/WeMM-Embedding-4B \ --runner pooling \ --chat-template /path/to/WeMM-Embedding-4B/embedding_chat_template.jinja方式 CSGLang 0.5.9 部署python patch_sglang_video.py # 先对齐视频预处理逻辑 python -m sglang.launch_server \ --model-path /path/to/WeMM-Embedding-4B \ --is-embedding \ --enable-precise-embedding-interpolation五、生产级最佳实践6 条经验清单 1. 用 Matryoshka 截断维度成本立省 80%这是 WeMM-Embedding-4B 最实用的生产技巧。模型支持Matryoshka 嵌入直接截取向量前 d 维并重新归一化即可得到低维向量检索质量损失很小。可用维度定义在 config.json 的matryoshka_dimensions中[64, 128, 256, 512, 1024, 2560]。在线实时检索延迟敏感→ 截断到 256 维离线召回/粗排吞吐敏感→ 128 或 64 维精排/高精度场景→ 完整 2560 维以 1 亿条文档、每条 2560 维 × 4 字节计算存储约 977 GB截断到 256 维后仅需约102 GB向量数据库内存成本直降 90%。2. 坚持 bfloat16 精度模型原生精度为bfloat16见 config.json。GPU 推理务必保持该精度既符合训练配置也是当前推理框架的最优性能档位。3. 理解嵌入的提取位置EOS 位置池化核心推理逻辑在 modeling_wemm_embedding.py 的embedding()方法取序列最后一个有效 tokenEOS 位置的隐状态作为嵌入再做 L2 归一化。这意味着输入序列的完整性很重要——截断要谨慎模板渲染embedding_chat_template.jinja不要手动改动。4. SGLang 视频预处理需打补丁若用 SGLang 0.5.9 服务视频输入必须先运行patch_sglang_video.py。它会将 SGLang 的视频帧采样与图像缩放逻辑对齐到 WeMM-Embedding 的预处理标准如IMAGE_FACTOR从 28 改为 32与patch_size16 × spatial_merge_size2匹配否则视频嵌入质量会明显下降。5. 注意音频场景的能力空白模型明确不支持音频。在 MMEB-v3 榜单中其 Audio 项得分为 0。如果你的业务需要图文音全模态检索需另选 Omni 类模型或将音频先转写为文本再走本模型。6. 长文本能力可放心利用模型最大位置编码为262144 tokensconfig.json 的max_position_embeddings且采用线性注意力 全注意力混合结构每 4 层 1 次全注意力长文档、多页 PDF 视觉文档的编码成本远低于传统全注意力模型适合企业知识库场景。六、仓库文件地图关键文件在哪里 ️文件作用LICENSEApache 2.0 许可全文 第三方组件Qwen3.5-4B清单modeling_wemm_embedding.py核心嵌入逻辑EOS 池化 L2 归一化modeling_st_wemm.pySentence Transformers 封装encode_query/encode_documentembedding_chat_template.jinjavLLM 服务端直接分词模板chat_template.jinja通用聊天模板patch_sglang_video.pySGLang 视频预处理对齐补丁config.json模型架构、Matryoshka 维度定义processor_config.json图像/视频处理器参数patch 16、fps 2、最多 768 帧七、常见问题 FAQ ❓Q1WeMM-Embedding-4B 可以商用吗需要付费吗可以商用且免费。代码、参数、权重均为 Apache 2.0无使用费、无 API 收费。只需遵守保留许可声明、尊重第三方组件原始许可的义务。Q2我把模型集成到 SaaS 里对外收费需要开源我的代码吗不需要。Apache 2.0 不要求下游闭源。但如果你再分发了模型或修改后的代码需附 Apache 2.0 许可文本并注明修改。Q34B 版本和 9B 版本怎么选4B 在 MMEB-v2 上得分 79.2与 9B80.6差距仅 1.4 分而推理成本约省一半以上。显存和 QPS 紧张时优先选 4B追求极限精度再上 9B。Q4向量维度必须用 2560 吗不必。利用 Matryoshka 特性可任选64/128/256/512/1024/2560按需平衡精度与存储/延迟成本。写在最后WeMM-Embedding-4B 是合规友好 性能过硬的典型Apache 2.0 许可让企业可以直接商用2560 维统一向量 Matryoshka 截断让检索成本可控vLLM/SGLang 两条现成部署路径则让生产落地开箱即用。对于正在搭建多模态搜索、内容理解或 RAG 系统的团队它值得纳入首选评估清单。动手前建议先花 5 分钟通读一遍 LICENSE 第 4~8 条把分发义务和免责条款内化到你们的发布流程中——这是生产级落地的第一课。赞分享【免费下载链接】WeMM-Embedding-4B项目地址https://ai.gitcode.com/tencent_hunyuan/WeMM-Embedding-4B点击查看免费下载相关推荐终极Segment Anything模型Apache 2.0许可证指南合法使用与商业落地最佳实践终极Segment Anything模型Apache 2.0许可证指南合法使用与商业落地最佳实践 Segment Anything Model SAM 是一款人工智能基础模型计算机视觉Apache-2.0许可证与引用规范tf_efficientnet_cc_b0_4e.in1k生产落地前必知的5件事Apache 2.0许可证与引用规范tf_efficientnet_cc_b0_4e.in1k生产落地前必知的5件事 在将 tf_efficientnet_cStep-Audio-EditX-8bit能商用吗Apache-2.0与FunASR许可证边界完整解读Step Audio EditX 8bit能商用吗Apache 2.0与FunASR许可证边界完整解读 Step Audio EditX 8bit 是阶跃星辰上一篇【快速上手】Apache RocketMQ 教程下一篇Rundeck 开源自动化服务安装与使用指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考