Команда WeChat Vision выкатила WeMM-Embedding: три модели (2B, 4B, 9B параметров) в одном репозитории вместо отдельных эмбеддингов под каждую модальность. Поддерживают текст, изображения, видео, визуальные документы и перемешанные входы. Что внутри. Matryoshka-подход: вектор можно обрезать до нужной ширины (64–4096 измерений) и перенормализовать — направление в пространстве сохраняется. Это упрощает работу с памятью в продакшене. Результаты. На MMEB-v2 (78 датасетов) модели набирают 77.9 / 79.2 / 80.6 среднего балла. На MMEB-v3 (190 задач) — 56.0 / 58.2 / 59.5. Аудио не поддерживается вообще: на MMEB-v3 за него ноль. На MMEB-v3 результаты заметно ниже из-за большего числа задач — вероятно, модель не везде одинаково сильна. Бенчмарки ставили авторы, а не независимая сторона. Лицензия и коммерческие условия не раскрыты. Что это значит: попытка закрыть задачу «единый эмбеддинг для всего» в одном репозитории, но без аудио, без сравнения с конкурентами и с сомнительной воспроизводимостью (рекомендуют transformers==5.2.0 — новые версии могут отличаться в препроцессинге).