微信WeMM-Embedding多模态模型日调用量达10亿次

驱动中国9月8日消息，微信自研的多模态嵌入模型WeMM-Embedding已在微信生态内完成大规模部署，朋友圈搜索等高频场景率先启用该技术，当前每日调用量达10亿次。这一数字背后，是微信将AI多模态理解能力从技术演示推向真实业务的关键一步。

多模态嵌入模型的核心任务，是让机器在同一个向量空间里表示图文、音视频等异构数据。WeMM-Embedding通过将文字查询与图像内容映射到同一语义坐标，使系统能够理解“用户输入一句话”与“图片里呈现的画面”之间的深层关联。相比依靠文件名、标签等浅层信息的传统检索方式，这种能力让搜索不再局限于文本匹配，而是走向真正的语义理解。

在朋友圈搜索场景中，用户过去很难通过描述性语句找到特定图片或内容。随着WeMM-Embedding的引入，用户可以使用“去年夏天在海边拍的合照”这类自然语言描述，系统通过多模态语义对齐，直接返回与该描述在视觉与语义上最匹配的朋友圈内容。这种体验的提升，使得朋友圈这个原本封闭、非结构化的私域内容池，具备了高效精准的再检索能力。

除了朋友圈搜索，WeMM-Embedding还被应用到微信内更广泛的内容理解与分发链路中。从信息流排序到多媒体内容分类，从评论语义分析到小程序服务匹配，该模型正在充当微信内容生态的底层语义引擎。每天10亿次的调用量，相当于微信内部每分钟就有近70万次请求由该模型处理，足见其已深度融入日常服务的毛细血管。

值得关注的是，WeMM-Embedding是微信团队自主研发的模型。选择自研路线，意味着微信可以根据自身平台的内容特点、用户行为和数据分布进行针对性训练，而不是简单采用通用的第三方方案。这种做法在检索精度、部署成本和数据安全方面都更具可控性，也为后续在更多业务中复用AI能力提供了统一的技术底座。

从行业视角看，多模态嵌入模型正在成为搜索与推荐系统升级的必经之路。全球范围内，类似的技术思路已在多个主流产品中得到验证，但能够在拥有十亿级用户量的超级应用中做到如此高频的调用，依然属于少见范本。微信通过这一实践，既验证了多模态模型在超大规模真实场景下的工程可行性，也为国内互联网产品如何落地AI技术提供了参考路径。

目前，WeMM-Embedding仍处于持续迭代之中。随着微信对模型理解能力、推理效率和多语言泛化能力的进一步打磨，可以想见，该模型未来还有望覆盖更多交互形态——无论是语音助理、智能客服，还是更具主动性的内容推荐，都将受益于这套不断进化的多模态语义基础设施。