Tencent ปล่อย WeMM-Embedding ใต้ Apache-2.0 — โมเดล embedding มัลติโมดัลที่รุ่น 2B แซงคู่แข่ง 8B และรุ่น 9B ขึ้น SOTA MMEB-v2 ที่ 80.6

โมเดล embedding คือชิ้นส่วนที่ไม่มีใครเขียนพาดหัวถึง แต่ถ้าคุณสร้าง RAG หรือระบบค้นหาภายในองค์กร มันคือสิ่งที่ตัดสินว่าระบบของคุณจะหาเอกสารที่ถูกต้องเจอหรือไม่ — โมเดลภาษาที่เก่งแค่ไหนก็ช่วยไม่ได้ถ้า retriever ส่งเอกสารผิดมาให้

25 สิงหาคม 2026 ทีมของ WeChat (Tencent) เผยแพร่รายงานทางเทคนิคของ WeMM-Embedding บน arXiv และภายในเช้าวันที่ 26 สิงหาคม น้ำหนักทั้งสามขนาดก็ขึ้น Hugging Face ครบ — 2B, 4B และ 9B ใต้ Apache-2.0 จริง ๆ (ตรวจไฟล์ LICENSE แล้ว: เป็น Apache-2.0 เต็มรูปแบบ ไม่มีเงื่อนไขเพิ่มเติมจาก Tencent มีเพียงคอมโพเนนต์ของบุคคลที่สามที่ยังอยู่ใต้สัญญาเดิมของตัวเอง)

โมเดลเดียว รับทุกอย่างสลับกันได้ ยกเว้นเสียง

WeMM-Embedding สร้างบนฐาน Qwen3.5 (รุ่น 9B ใช้ Qwen/Qwen3.5-9B) และรับอินพุตได้เป็น ข้อความ ภาพ วิดีโอ เอกสารเชิงภาพ (visual document) และการสลับกันของทั้งหมดนี้ในอินพุตเดียว แล้วคืนเวกเตอร์ 4,096 มิติ ที่ผ่าน L2-normalize มาแล้ว

จุดที่ใช้งานจริงได้ทันที:

• Matryoshka embeddings — ตัดมิติลงเหลือ 256, 512 ฯลฯ แล้ว renormalize ได้เลยโดยไม่ต้องเทรนใหม่ ซึ่งลดค่าเก็บใน vector DB ลงเป็นสิบเท่าเมื่อยอมแลกความแม่นยำนิดหน่อย
• เสิร์ฟผ่าน vLLM 0.27.0 ด้วย --runner pooling หรือ SGLang 0.5.9 — ไม่ต้องรอใครมาเขียน adapter ให้
• ใช้ผ่าน sentence-transformers ได้ตรง ๆ ด้วย encode_query / encode_document

และข้อจำกัดที่ต้องพูดให้ชัด: ไม่รองรับเสียง ซึ่งจะสำคัญมากตอนอ่านตารางคะแนนชุดที่สอง

ตัวเลข — 2B ที่แซง 8B คือหัวใจของข่าวนี้

บน MMEB-v2 (78 ชุดข้อมูล งานภาพและวิดีโอวัดด้วย Hit@1 ส่วนเอกสารเชิงภาพวัดด้วย NDCG@5):

โมเดล	ขนาด	AVG	Image	Video	VisDoc
VLM2Vec-V2	2B	59.3	64.9	34.9	69.2
Qwen3-VL-Embedding	2B	73.2	75.0	61.9	79.2
WeMM-Embedding	2B	77.9	79.6	70.8	80.7
WeMM-Embedding	4B	79.2	80.8	72.1	82.0
Qwen3-VL-Embedding	8B	77.8	80.1	67.1	82.4
WeMM-Embedding	9B	80.6	81.9	74.3	83.3

ตัวเลขที่ควรหยุดอ่านคือ รุ่น 2B ทำ 77.9 ขณะที่ Qwen3-VL-Embedding รุ่น 8B ทำ 77.8 — โมเดลที่เล็กกว่าสี่เท่าเสมอกับตัวที่เคยนำอยู่ นั่นแปลว่าค่า GPU ในการ index คลังเอกสารของคุณลดลงได้จริงโดยไม่เสียคุณภาพ ส่วนช่องที่ WeMM ทิ้งห่างชัดที่สุดคือ วิดีโอ (74.3 เทียบ 67.1 ของ Qwen 8B)

บน MMEB-v3 ที่กว้างกว่ามาก (190 งาน = 78 งานของ v2 + 53 งานข้อความ + 47 งาน agent + 11 งานเสียง + MCMR):

โมเดล	ขนาด	V3-All	Text	Agent	MCMR	Audio
Qwen3-VL-Embedding	8B	53.5	42.5	38.4	38.0	0.0
E5-Omni	7B	47.1	26.9	36.7	41.1	43.0
Tianmu-Emb-Uni	8B	53.3	43.6	39.4	38.8	38.9
WeMM-Embedding	9B	59.5	48.8	51.0	49.3	0.0

ตรงนี้ต้องอ่านอย่างระวัง: งานที่โมเดลไม่รองรับจะถูกให้คะแนนศูนย์ ดังนั้น WeMM ได้ Audio 0.0 เพราะมันไม่รับเสียงเลย ไม่ใช่เพราะทำได้แย่ ถ้าโจทย์ของคุณต้องค้นหาข้ามเสียงด้วย โมเดลอย่าง E5-Omni ที่ได้ 43.0 คือคู่แข่งที่ต้องพิจารณา แม้คะแนนรวมจะต่ำกว่ามาก และแม้จะโดนหักคะแนนหมวดเสียงไปเต็ม ๆ WeMM-9B ก็ยังนำ V3-All อยู่ 6 จุด โดยช่องที่โดดคือ งาน agent 51.0 เทียบ 38-39 ของคู่แข่ง

อีกจุดที่ควรรู้: คู่แข่งที่ชื่อ DME-Small / DME-Medium ในรายงานถูกกำกับว่าเป็น การส่งคะแนนขึ้นลีดเดอร์บอร์ดแบบปิด ไม่มีน้ำหนักหรือ endpoint สาธารณะ — เทียบกันได้บนกระดาษ แต่ทำซ้ำไม่ได้

นี่ไม่ใช่โมเดลวิจัย มันรันจริงอยู่แล้ว

รายละเอียดที่ทำให้งานนี้น่าเชื่อกว่ารายงานทั่วไป: Tencent ระบุว่า WeMM-Embedding ถูกดีพลอยจริงในสเกลของ WeChat แล้ว ทั้งใน Channels, Official Accounts, Moments และบริการอีคอมเมิร์ซ พร้อมผลจากเบนช์มาร์กภายใน 26 งาน และ A/B test ออนไลน์ 14 ครั้ง

โมเดลที่ผ่าน A/B test บนผู้ใช้ระดับพันล้านมาแล้วมีน้ำหนักต่างจากโมเดลที่ชนะเฉพาะบนลีดเดอร์บอร์ด — เพราะมันแปลว่ามีคนต้องรับผิดชอบเมื่อผลการค้นหาแย่ลง

มุมมอง AI Curator

ผมอยากให้คนไทยที่ทำ RAG สนใจข่าวนี้มากกว่าข่าวโมเดลภาษาตัวใหม่ ๆ ที่ออกมาทุกสัปดาห์ เพราะในระบบ RAG ที่ผมเห็นทีมไทยสร้างกัน จุดที่พังบ่อยที่สุดไม่ใช่ LLM แต่คือ retriever — คนทุ่มเวลาเลือกระหว่าง Qwen กับ Llama กับ Claude แล้วใช้ embedding model ตัวไหนก็ได้ที่หยิบมาจากทูทอเรียล พอระบบตอบผิดก็ไปโทษว่าโมเดลโง่ ทั้งที่ปัญหาคือเอกสารที่ถูกต้องไม่เคยถูกดึงขึ้นมาตั้งแต่แรก

สิ่งที่ WeMM เปลี่ยนได้จริงคือ ค่าใช้จ่ายในการ index: เมื่อรุ่น 2B ให้คุณภาพเท่ารุ่น 8B บวกกับ Matryoshka ที่ตัดมิติลงได้ ทีมเล็ก ๆ ที่ต้อง index เอกสารหลักแสนหน้าบนงบจำกัดได้ทางเลือกที่จับต้องได้ขึ้นมาก — และการรับ เอกสารเชิงภาพ ได้ตรง ๆ (VisDoc 80.7 ที่ 2B) แปลว่าคุณอาจไม่ต้องต่อไปป์ไลน์ OCR แยกสำหรับเอกสารสแกน ซึ่งเป็นสภาพจริงของเอกสารราชการและสัญญาไทยจำนวนมาก

แต่ข้อควรระวังที่สำคัญที่สุดสำหรับผู้อ่านไทย และผมอยากให้ชัดเจน: model card ระบุภาษาไว้แค่ zh และ en — ไม่มีภาษาไทย และเบนช์มาร์กทั้ง MMEB-v2 และ v3 ก็ไม่ได้วัดภาษาไทย ฐาน Qwen3.5 มีความสามารถหลายภาษาติดมาอยู่บ้าง แต่ “มีติดมาบ้าง” กับ “ผ่านการปรับให้ดีแล้ว” ไม่ใช่เรื่องเดียวกัน อย่าเห็นเลข 80.6 แล้วสรุปว่าใช้กับคลังเอกสารภาษาไทยได้ทันที วิธีที่ถูกต้องคือประกอบชุดคำถาม-เอกสารภาษาไทยของคุณเองสัก 200-300 คู่ แล้ววัด recall@k เทียบกับ embedding ตัวที่คุณใช้อยู่ ก่อนจะย้ายทั้งระบบ ต้นทุนของการทดสอบนี้คือหนึ่งวันทำงาน ส่วนต้นทุนของการ re-index ผิดตัวคือหลายสัปดาห์

ภาพใหญ่: ปีนี้ embedding มัลติโมดัลกำลังรวมร่างจาก “หลายโมเดลต่อกัน” เหลือ โมเดลเดียวที่รับทุกอย่าง และการที่ Tencent ปล่อยตัวที่ดีที่สุดใต้ Apache-2.0 แทนที่จะเก็บเป็น API แบบที่เคยทำ คือข่าวดีสำหรับคนสร้างระบบ

แหล่งข่าว

• WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report — arXiv 2608.24053
• tencent/WeMM-Embedding-9B — Hugging Face
• tencent/WeMM-Embedding-2B — Hugging Face
• Tencent/WeMM-Embedding — GitHub