Tencent が WeMM-Embedding-9B を投入 ── 画像・動画・テキストの混在入力に対応
マルチモーダル検索のハードルが高い理由の一つは、入力形式の多様性でした。テキストだけならまだしも、画像や動画、そしてそれらが混在したドキュメントをどうベクトル化するかが課題だった。Tencentがこの問題を「Qwen3.5ベースの9Bモデル」で解決してきたのか、その実装の細部に注目してみます。
▸何が変わったのか
WeMM-Embedding-9Bは、テキスト、画像、動画、視覚ドキュメント、およびこれらが交互に並んだ「インターリーブド（interleaved）」マルチモーダル入力を単一モデルで処理できるのが最大の特徴です。出力されるベクトルは4,096次元のL2正規化済みで、audio（音声）入力には非対応と明記されています。技術的にはQwen3.5がベースとなっており、TransformersやSentence Transformersのライブラリを通じて、`trust_remote_code=True` を指定することで簡単に統合できます。単一模態だけでなく、画像とテキスト、動画とテキストなどを同じプロンプト内で並べ替えることなく一貫したエンコードを行う設計が採用されています。
◈前モデル / 競合との比較
提供テキストには競合他社モデル（例: OpenAIのembeddingモデルやClaudeの視覚機能など）との直接的なベンチマーク比較数値は記載されていません。ただし、オープンソースであり、pip install だけで導入可能な点、およびテキスト・画像・動画・混合入力を単一APIで完結させる点で、複数モデルを組み合わせる従来の手法よりもアーキテクチャがシンプルであることが特徴として挙げられます。
◈技術背景と意義
通常、テキスト検索と画像検索では別のモデルを使ったり、事前にデータ进行加工したりする必要がありました。しかし、このモデルは「何を投げても同じ次元（4,096次元）のベクトルに変換できる」ユニバーサルな設計です。つまり、ユーザーが「この画像の説明は何か」とテキストで問いかけ、対象が画像ファイルであっても、モデル内部で意味的な類似度を計算できるということです。Qwen3.5という強力な基盤の上に、マルチモーダル情報を統合する層を載せることで、複雑な入力処理を簡素化しています。
▸こんな人・用途に
[‘テキストクエリと画像・動画ライブラリを横断的に検索したい企業内ナレッジベース構築’, ‘図解や動画が混在したマニュアル・ドキュメントから、自然言語で特定箇所を抽出したい開発者’, ‘マルチモーダルRAG（検索拡張生成）パイプラインの簡素化を図りたいAIエンジニア’]
◆入手方法・リンク
Hugging Faceの「tencent/WeMM-Embedding-9B」コレクションからモデル重みと技術レポート（PDF）が公開されています。GitHubリポジトリ（Tencent/WeMM-Embedding）でもコードが確認できます。導入は `pip install` による依存パッケージの取得と、TransformersまたはSentence Transformersライブラリへのロードで完了します。
SOURCE: Tencent (2026-08-25)
