واجهة مقارنة رئيسية مكوّنة من لوحتين بعنوان WeMM-Video-35B-A3B مقابل Alibaba Wan 2.7، مع عنوان فرعي: 22,754 صوتًا مقابل صفر: تسرد اللوحة اليسرى 36.18 مليار معامل، و67.39 GiB BF16، و0 تنزيلات، ولا صف في لوحة الصدارة تحت شارة الأوزان المفتوحة، بينما تسرد اللوحة اليمنى Elo 1,074 للتحرير، و22,754 صوتًا، و16.90 دولارًا في الدقيقة، والمركز التاسع على لوحة الصدارة تحت شارة واجهة برمجة تطبيقات مدفوعة حسب الاستخدام.
Guides & Insights

WeMM-Video-35B-A3B مقابل Alibaba Wan 2.7: 22,754 صوتًا مقابل صفر

الكاتب

Alistair Wren

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

الرقم الوحيد الخاص بطرف ثالث هنا

صف التحرير في Wan 2.7 مدعوم بشكل غير معتاد. فـ22 ألف صوت ليست عينة من لوحة المتصدرين يمكن تجاهلها باعتبارها ضوضاء؛ إذ يعني فاصل ±8 أن المركز التاسع مستقر أمام كل ما دونه، كما أن شهر الإصدار المرتبط بالصف هو أبريل 2026، لذا كان أمام الأصوات سبعة أشهر لتتراكم.

تظهر العائلة نفسها مرتين إضافيتين على اللوحات، ولا تتفق الصفوف الثلاثة بعضها مع بعض، وهذا بحد ذاته أمر مفيد بالمعلومة:

• AA-Video-Editing v1.1 — المرتبة التاسعة، Elo 1,074 ±8، 22,754 عينة، أبريل 2026، 16.90 دولارًا لكل دقيقة.

• AA-Video-T2V v2.1 — مُدرَج باسم Wan2.7-260612، في المرتبة 20، بتقييم Elo 1,035 ±13، و6,965 عيّنة، يونيو 2026، بسعر 9.00 دولارات للدقيقة. المورّد نفسه، ومهمة مختلفة، وثلث عدد العيّنات، وسعر أقل بنسبة 47% من سعر التحرير.

• AA-Video-I2V v2.1 — لا يوجد صف. وان 3.0 موجود في تلك اللوحة في المركز الثاني عشر بـ 1,109؛ أما وان 2.7 فليس كذلك. تعلن المجموعة عن قدرة تحويل الصورة إلى فيديو، لذا هذه فجوة في الساحة وليست فجوة في المنتج، لكنها تعني أن النموذج لم يُصنّف قط في المهمة التي سيلجأ إليها معظم الناس أولاً.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

اقرأ الثلاثة معًا، والخلاصة الصادقة هي أن Wan 2.7 نموذج فيديو متوسط المستوى ومدروس، يمتلك قاعدة أدلة قوية حقًا واحدة (التحرير)، وأخرى أضعف (النص إلى فيديو)، وخانة فارغة واحدة. ومع ذلك، يظل هذا دليلاً خارجيًا أكثر بكثير مما يمتلكه الطرف الآخر في هذه المقارنة.

What A​libaba is selling, and at what rate

Wan 2.7 منتج بأربعة أوضاع: النص إلى فيديو، والصورة إلى فيديو، والمرجع إلى فيديو، وتحرير الفيديو. تتضمن عناصر التحكم الموثقة تكييف الإطار المفتاحي الأول والأخير، وحتى خمس صور للموضوع وخمسة مقاطع مرجعية، وإخراجًا بدقة تتراوح من 720p إلى 1080p، وصوتًا أصليًا، ومقاطع تتراوح مدتها من ثانيتين إلى 15 ثانية. تُحتسب الفاتورة بالثانية وفق السعر المعلن، مما يجعل توليد مقطع مدته 15 ثانية بدقة 1080p تكلفة يمكنك حسابها قبل الضغط على زر البدء، بدلًا من رصيد ائتماني تكتشفه لاحقًا.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

نقطة التحقق التي وصلت هذا الصباح

إصدار WeMM-Video-35B-A3B قابل للتتبع بوضوح على نحو لا تتيحه معظم الإصدارات الهادئة، لأن Hugging Face يضع طوابع زمنية على التسلسل بأكمله. ظهر المستودع في 08:53:50 UTC يوم 17 نوفمبر ولم يكن فيه سوى ملف gitattributes أولي. تقرير arXiv رقم 2611.26409 قُدِّم في 19 نوفمبر عند 16:58 UTC، وقد أُعيدت مراجعته مرة واحدة بالفعل، عند 06:15 UTC يوم 20 نوفمبر. التزام أوزان BF16 مؤرخ بـ 2026-11-20T03:57:36Z. أُنشئ مستودع GitHub، Tencent/WeMM-Video، في 17 نوفمبر عند 02:29 UTC، ويحمل تسع نجوم، وصفر تفرعات، وصفر إصدارات منشورة، وكان README الخاص به لا يزال قيد التحرير عند 06:34 UTC من صباح اليوم.

الورقة سبقت التنسورات بنحو إحدى عشرة ساعة، وبطاقة النموذج لا تزال تُعاد كتابتها بينما يُكتب هذا. هذا الترتيب هو القصة. لم يكن هناك منشور إطلاق، ولا صفحة تسعير، ولا نقطة نهاية مستضافة، ولا بيان صحفي، ولا حساب إعلانات — لا شيء مما يفعله المورّد عادةً عندما يريد أن يُلفت الانتباه إلى نموذج.

ما يحتويه المستودع فعلاً محدَّد:

• الحجم — 36,177,564,536 معاملًا، BF16، موزّعة على سبعة عشر جزءًا من safetensors يبلغ مجموعها 67.39 GiB. تشير تسمية "35B-A3B" إلى شيء مختلف عن حجم الملف؛ ويُوضَّح الفارق أدناه.

• بناء FP8 عاد فعلًا. عندما نُشرت الورقة، أعاد مستودع FP8 Block128 الذي تشير إليه البطاقة الرمز 401 — وهو الرد نفسه الذي يمنحه Hub لاسم لم يوجد قط. أصبح متاحًا الآن: 36.09 GiB في ملف safetensors واحد، تم إيداعه في 05:53:01 UTC، بعد ساعتين من رفع BF16، مع 33.6B معامل بصيغة E4M3 و2.56B متروكة بصيغة BF16. أيًا كان ما كان يحدث في 16:58 UTC من 19 نوفمبر، لم يكن الإصدار مكتملًا.

• ثلاثة متغيّرات مكمّمة إضافية — AWQ W4A16 بحجم 22.72 GiB موزّعة عبر 52 شظية لكل طبقة، وNVFP4 W4A16 بحجم 24.11 GiB في ملف واحد، وحزمة GGUF Q4_K_M بحجم 25.46 GiB مقسّمة إلى ملف لغة بحجم 22.61 GiB، ومُسقِط بحجم 0.84 GiB، ومُرمّز صوتي بحجم 1.99 GiB. اثنان من تلك الثلاثة يصفان نفسيهما بأنهما غير مُتحقّق منهما في بياناتهما الوصفية الخاصة. أما نسخة NVFP4 فلا تدّعي سوى أنه أُعيدت قراءة الأوزان على CPU، وهذا مجموع تحقّق وليس تقييمًا.

• بيئات التشغيل — لا شيء هنا يعمل على محرك جاهز. يوفّر المستودع طبقات تراكب مصدرية مع قوائم تجزئة SHA-256 لأربعة إصدارات منبعية بالضبط: vLLM 0.18.0 و0.31.0، وSGLang 0.5.16 و0.5.19. يمرّر كل أمر خدمة منشور سياقًا بطول 8,192 رمزًا، وتوازيًا تنسوريًا عبر وحدتي GPU، وخط أنابيب وسائط مقيّدًا بـ16 إطارًا و262,144 بكسل. ولا يعثر البحث في متتبع مشكلات vLLM على أي طلب منبعي لهذه البنية.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

كل رقم جودة مرتبط بـ WeMM-Video-35B-A3B مصدره الفريق الذي درّبه. وتقول الورقة ذلك صراحةً — "نُبلّغ بالنتائج الرسمية حيثما توفرت وبتقييماتنا الخاصة خلاف ذلك" — والرقم الوحيد على البطاقة الذي تُذكر شروطه بالكامل ليس حتى نتيجة فيديو: MMAR1000، صوت فقط، بفك ترميز عند 16 kHz، فك ترميز جشع، وجهازا H20. أما بقية البطاقة فتسجّل تحميل نقطة التحقق. مقابل 22,754 صوتًا، هذه فئة مختلفة من الأدلة وينبغي قراءتها على هذا النحو.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

تشير الخسارتان إلى الاتجاه المعاكس وتستحقان التكرار: {{1}}JointAVBench عند 65.9 خلف نتيجة Qwen البالغة 69.0{{/1}}، و{{2}}MUSIC-AVQA عند 79.5 خلف نتيجة Qwen البالغة 82.1{{/2}}. كلاهما يعتمد كثيرًا على الصوت. لا تتفوق نقطة تحقق أكبر في كل مكان، والمواضع التي لا تتفوق فيها هي المواضع التي حظيت فيها منظومة Qwen الصوتية بوقت أطول لتنضج.

لم يُعَد إنتاج أي من ذلك. لا تُدرج Artificial Analysis ولا LMArena أي نموذج WeMM بأي حجم، والإعجابات الثلاث على المستودع ليست مراجعة أقران. إذا كنت تختار بين هذين النموذجين لأداء مهمة، فأنت تقارن 22,754 صوتًا بجدول وقّعه المؤلفون.

كلاهما يسجّل الفيديو، لكن واحدًا فقط يعيده

الفرق البنيوي سهل الذكر ويصعب المبالغة في أهميته. يقبل Wan 2.7 النصوص والصور والمقاطع المرجعية والفيديو، ويعيد الفيديو. ويقبل WeMM-Video-35B-A3B النصوص والصور والصوت والفيديو مع مساره الصوتي، ويعيد النص. أما وضع التحرير في Wan 2.7 فهو الأقرب إلى الجانب الآخر — إذ يتلقى لقطات ويعيد لقطات — لكن الإخراج يظل بكسلات، ولا يوجد إعداد يجعله يصف ما قام بتحريره.

تحدّ الحدود القصوى على كل جانب من خط الأنابيب الذي يمكنك بناؤه:

• الحد الأقصى في Wan 2.7 هو المدة. من ثانيتين إلى خمس عشرة ثانية لكل عملية توليد، بدقة 720p إلى 1080p، وتُحسب التكلفة لكل ثانية. يبلغ سعر مقطع مدته خمس عشرة ثانية بتعرفة التحرير حوالي 4.23 دولارًا قبل أي محاولات إعادة.

• حدّ WeMM-Video-35B-A3B هو السياق وأخذ العينات. يعتمد المعالج افتراضيًا على إطارين في الثانية، وبحد أدنى أربعة إطارات، وبحد أقصى ستة عشر إطارًا، وميزانية إجمالية قدرها 262,144 بكسل — أي نحو ثماني ثوانٍ من التغطية وفق الوصفة المُصدَرة. تحدّ أوامر الخدمة السياق عند 8,192 رمزًا وتسمح بأربع صور ومقطعي فيديو ومقطعي صوت لكل طلب. بمعدل عشرة رموز صوتية في الثانية، يمثل ذلك السياق نحو ثلاث عشرة دقيقة من الصوت إذا أنفقته على الصوت وحده.

• عدم التطابق.يمكن لـ Wan 2.7 إنتاج خمس عشرة ثانية من اللقطات؛ بينما تنظر وصفة WeMM المضمَّنة إلى ثماني ثوانٍ. إذا كان خط المعالجة لديك يُصيِّر مقطعًا ثم يسأل نموذجًا عمّا حدث فيه، فإن الواصف كما هو مُهيَّأ يعاين نحو نصف المخرجات. هذا إعداد عليك تغييره عمدًا، وليس حدًا من حدود البنية — فالقيمة الافتراضية للمعالج نفسه تسمح بـ128 إطارًا.

مزوّدان، نموذج واحد، مفتاح واحد

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

أي رقم تختاره فعليًا؟

إذا كان المُخرَج النهائي هو لقطات فيديو، فإن Wan 2.7 هو الوحيد من بين الاثنين الذي ينتجها، ولا يبقى من القرار سوى ما إذا كان سعر 16.90 دولارًا للدقيقة للتحرير أو 9.00 دولارات للدقيقة للتحويل من النص إلى فيديو قابلاً للدفاع أمام لوحة تصنيف يتقاضى فيها المتصدر الحالي 12.00 دولارًا ويتفوق عليه في المهمتين معًا. المركز التاسع والمركز العشرون مركزان محترمان في منتصف الميدان. لكنهما ليسا سببًا لاختيار الجيل السابق.

إذا كان المُخرَج عبارة عن بيان حول لقطات تمتلكها بالفعل، فإن WeMM-Video-35B-A3B هو الوحيد من بين الاثنين الذي ينتجه، ويتلخص القرار في ما إذا كان بإمكانك تحمّل محرك استدلال مُرقّع، وتنزيل بحجم 67.39 GiB أو تنزيل FP8 بحجم 36.09 GiB، ووحدتَي معالجة رسومية بتوازٍ تنسوري، ونافذة أخذ عينات مدتها ثماني ثوانٍ — للحصول على واصف من فئة 36B ذي أرقام سمعية بصرية قوية ومصدرها الطرف الأول بالكامل.

الفخّ هو التعامل مع «Elo 1,074 على 22,754 صوتًا» و«86.4 في Video-MME مع الصوت» باعتبارهما قابلين للمقارنة. أحدهما قياس جماهيري لخدمة يستطيع أي أحد استدعاءها. والآخر جدول من مورّد عن نقطة تحقّق لم تكن تحوي أي أوزان حتى صباح اليوم. كلاهما يستحق القراءة. لكن واحدًا فقط منهما دليل.