你拿一张商品图去搜索，想同时找到说明文字、演示视频和图文手册，传统系统往往要分头处理。WeMM-Embedding想把这几扇门合成一个入口：它不直接回答问题，而是把不同媒介转成Embedding——一串代表内容含义的数字，让语义相近的材料在数学空间里靠得更近，方便搜索与RAG（先找资料、再让模型作答）调用。
据腾讯Hugging Face模型页，WeMM-Embedding提供2B、4B和9B三个版本，均以Qwen3.5为基础。其中9B版可接收文本、图片、视频、视觉文档和图文交错输入，统一输出4096维、经过L2归一化的向量——简单说，就是把向量长度拉到同一尺度，便于跨媒介排序。它还支持截取较短向量，以降低存储和检索成本。
值得关注的不是又多了一种输入，而是这些输入终于能共用一套检索坐标：RAG的资料库可以从纯文本继续扩到视频和复杂文档。边界也很明确：官方称其不支持音频，现有材料也未提供可独立核查的效果数字。