بطاقة عنوان مكتوب عليها «WeMM-Video-4B vs FastFrames Video Generation» وعنوان فرعي «درز صامت»، لوحتان تفصل بينهما قرص «vs»، تسرد اليسرى 5.61B، وفيديو وصوت كمدخل ونص كخرج، و1.07B منها مخصّصة للأذنين، و16 إطارًا كحد أقصى، وApache 2.0، وتسرد اليمنى 1.3B و14B، ونص كمدخل وفيديو كخرج، و81 إطارًا بدقة 832×480، و36 مللي ثانية لكل إطار على B200 واحدة وApple AMLR، وتذييل مكتوب فيه «أرقام WeMM وفق ما أبلغ عنه المورّد؛ وأرقام FastFrames وفق المؤلفين».
Engineering & Research

WeMM-Video-4B مقابل FastFrames لتوليد الفيديو: درزٌ صامت

الكاتب

jinhao.song

تاريخ النشر

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

FastFrames Video Generation وصل في 16 نوفمبر 2026، وWeMM-Video-4B في 17 نوفمبر، وكلاهما كتنزيلات أوزان مرفق بها ورقة علمية، ولا يملك أي منهما منشور إطلاق يستحق هذا الاسم. هذا التزامن هو السبب الوحيد لقراءتهما مقابل بعضهما بعضًا، لأنهما لا يؤديان المهمة نفسها: يحوّل FastFrames جملة إلى 81 إطارًا من فيديو صامت، بينما يحوّل WeMM-Video-4B الفيديو إلى وصف، بما في ذلك وصف لما يُقال فوقه. السؤال المثير ليس أيهما أفضل، بل ما يحدث عندما تضع أحدهما خلف الآخر — والجواب أن الدرز بينهما صامت، وهو ما يعطّل بهدوء أغلى جزء من نقطة حفظ WeMM.

كل ما ورد أدناه إما قابل للقياس في المستودعين أو مُبلَّغ عنه من قِبل مؤلفي الورقتين. لم يُشغِّل أيًّا من النموذجين أحدٌ لم يكتب قسم التقييم الخاص به، ولا يتوفر لأي منهما سعر مستضاف أو صف في ساحة أو إعادة إنتاج من طرف ثالث. وحيثما يأتي رقم من جدول خاص بالبائع فإنه يُوسم على هذا النحو.

ما الذي يضعه FastFrames على القرص

FastFrames هو نموذج انتشار للفيديو ذاتي الانحدار مُقطَّر من Wan2.1، نشرته Apple وCornell على arXiv بالمعرّف 2611.23226 في 17 نوفمبر، مع إتاحة الأوزان قبل ذلك بيوم. يتوفر بحجمين — FastFrames-S بـ1.3 مليار معامل وFastFrames-L بـ14 مليارًا — وتقوم الفكرة على زمن الوصول لا على الدقة. على وحدة B200 واحدة، ينتج النموذج الصغير إطارًا في 36 مللي ثانية، وهو أسرع من تشغيل المقطع نفسه: توليد مدة 5.06 ثوانٍ يستغرق نحو 2.9 ثانية. أما النموذج الكبير فيحقق 45 مللي ثانية لكل إطار موزعة على ثماني وحدات B200، ويتدهور إلى 158 مللي ثانية على وحدة GPU واحدة، وهو أبطأ من الزمن الحقيقي. وتفيد Apple أيضًا بوجود تراجع في الأداء بنسبة 25 إلى 50 بالمئة على وحدات H100 بدلًا من B200.

صيغة الإخراج ثابتة وضيقة: 832×480، و16 إطارًا في الثانية، و81 إطارًا لكل توليد — أي أكثر بقليل من خمس ثوانٍ — وتُدار بمُوجّه نصي وحده. لا يوجد تكييف صوري، ولا إدخال إطار مفتاحي، ولا وضع استمرارية، ولا تحكم بالكاميرا في الإصدار المُطلق. كذلك لا يوجد صوت: لا مُفكِّك ترميز صوتي، ولا كامن صوتي، ولا مسار صوتي. ويُبلِغ المؤلفون عن إجماليات VBench قدرها 84.23 للنموذج الصغير و84.44 للنموذج الكبير عند 480p باستخدام مُوجّهات وبذور متطابقة، وهي درجة جيدة لنموذج تتمثل نقطة بيعه في أنه سريع، وهي الرقم الوحيد للجودة في الإصدار.

إلى أين تذهب 1.07 مليار معلمة

WeMM-Video-4B هو الابن الأوسط في عائلة من أربعة أحجام ضمن مجموعة WeChat Vision التابعة لـ Tencent — 2B و4B و9B كثيفة و35B-A3B خليط خبراء — جرى رفعها جميعًا خلال نافذة زمنية مدتها تسع عشرة دقيقة في 17 نوفمبر، مع التقرير التقني، arXiv 2611.26409، الذي تبعه في 19 نوفمبر. الاسم يقلل من الحقيقة: تسجّل بيانات safetensors الوصفية 5,611,746,312 معاملًا، أو 10.45 GiB بتنسيق BF16، لأن "4B" يشير إلى العمود الفقري اللغوي Qwen3.5-4B وليس إلى نقطة الحفظ.

قراءة فهرس الموترات تفسّر السبب. فمن أصل 1,268 موترًا، يحمل نموذج اللغة 4.21 مليار معلمة، ويحمل برج الرؤية 0.33 مليار، ويحمل مكدّس الصوت 1.07 مليار. وما يقرب من خُمس نقطة التحقق هذه هو مُشفّر-مُفكّك على طراز Whisper — 32 طبقة مُشفّر و32 طبقة مُفكّك بعرض 1,280، مع Q-Former على مستوى النافذة يضغط نوافذ بمدة 0.1 ثانية إلى 10 رموز صوتية في الثانية، ويُغذّى عند 16 كيلوهرتز في مقاطع من 30 ثانية. ويُهيَّأ ذلك المكدّس من Qwen2.5-Omni.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-4B showing an Image-Text-to-Text pipeline tag, Safetensors and custom-code tags, an Apache 2.0 licence, a BF16 block reading 10.45 GiB of weight files, a size panel reading 6B params and 10.5 GB, and a Quantizations section listing four sibling repositories.

• توليد فيديو FastFrames — نصٌّ يدخل، وإطاراتٌ تخرج، ولا صوت على الإطلاق في خط المعالجة.

• WeMM-Video-4B — إدخال الإطارات والصوت، وإخراج النص، مع معالجة الصوت بواسطة برج مخصص بسعة 1.07B بدلاً من استنتاجه من وحدات البكسل.

• التداخل — لا يوجد على مستوى النموذج. كلاهما حزم أوزان مرخّصة بموجب Apache أو Apple ولا توجد نقطة نهاية خلفها، وكلاهما يتوقع منك أن تمتلك المسرّع.

المقطع الوحيد الذي تصنعه FastFrames صامت

إذا تتبعت ذلك حتى النهاية، تصبح مشكلة التركيب ملموسة. فإذا ربطت WeMM-Video-4B خلف FastFrames Video Generation — أن تُنتج لقطة، ثم تصفها لتتمكن من فهرستها أو تصفيتها أو فحص جودتها — فإن كل مقطع تسلمه للواصف لا يحتوي على مسار صوتي. وبرج الصوت ذو الـ1.07 مليار معامل ليس لديه ما يستمع إليه. ولا يُصدر Q-Former أي شيء، وتختزل مرحلة الدمج إلى مسار الرؤية.

هذا ليس عيبًا في أي من النموذجين؛ بل هو حقيقة تتعلق بخط المعالجة، وله نتيجة قابلة للقياس، لأن ورقة WeMM تُبلّغ عن اختبارات الفيديو الصامت بشكل منفصل. على مستوى الرؤية وحدها، يسجل WeMM-Video-4B 75.7 في Video-MME، و65.3 في LVBench، و74.8 في LongVideoBench، و74.2 في EgoSchema. أما أرقامه المشتركة للصوت والصورة — 83.9 في Video-MME مع الصوت، و82.5 في Daily-Omni — فهي التي تبرر حجم الملف، وهي بالضبط ما لا يستطيع خط معالجة يُغذّى بـ FastFrames الوصول إليه.

الصياغة الصادقة لهذا الاقتران هي أن FastFrames يستخدم نحو 80 بالمئة من نقطة تحقق WeMM. إذا كان هدفك هو حلقة كتابة تعليقات على لقطات مولّدة، فإن نموذجًا بصريًا فقط بنصف الحجم سيؤدي العمل نفسه؛ وإذا كان هدفك فهم لقطات تحتوي على صوت، فلا يستطيع FastFrames توفير المدخلات. تلتقي الأداتان عند نقطة تكون إحداهما فيها نصف خاملة.

Screenshot of the Tencent/WeMM-Video GitHub repository showing six stars and zero forks, a README describing an omni-modal video understanding family from WeChat Vision, and a file tree containing patch, native, examples, licenses and a THIRD_PARTY_NOTICES file.

رقمان للسرعة، بلا وحدات مشتركة

يبدأ كلا الإصدارين بادعاء بشأن زمن الاستجابة، والادعاءان غير قابلين للمقارنة، وهذه هي الطريقة الأكثر شيوعًا التي تُشوَّه بها هذه المقارنة على الإنترنت.

تبلغ 36 مللي ثانية لدى FastFrames لكل إطار إخراج على وحدة B200 واحدة، وتُقاس مقابل التشغيل. لا ينتج WeMM-Video-4B إطارات؛ بل إن تكلفته هي تكلفة فك ترميز النص ضمن ميزانية وسائط محددة بسقف. تلك الميزانية أضيق مما توحي به الإعدادات الافتراضية للمعالج. تحدد وصفة vLLM في المستودع max_frames 16 مقابل إعداد افتراضي للمعالج قدره 128، fps 2، وسقف إجمالي للبكسل قدره 262,144، مع طول سياق يبلغ 8,192 رمزًا. يستهلك الصوت 10 رموز لكل ثانية قبل احتساب أي إطار واحد.

القراءة العملية: مقطع مدته 20 ثانية ومقطع مدته 5 ثوانٍ يصل كلاهما إلى الواصف في صورة ست عشرة إطارًا، والمقطع الذي يحتوي على مسار صوتي يستهلك سياقه على مسارين في آنٍ واحد. يمنحك FastFrames حركة بمعدل 16 إطارًا في الثانية من المخرجات؛ بينما يرى WeMM-Video-4B عرض شرائح ويستنتج الحركة. لا يخبرك أي من الرقمين بأي شيء عن الآخر، والصفحة التي تضع «36 ms» بجوار «8K context» إنما تقارن ميزانية العرض بميزانية القراءة.

Two-column scoreboard headed 'WeMM-Video-4B vs FastFrames Video Generation', the left column listing direction, 5.61B total parameters, a 1.07B audio stack, an 8,192-token and 16-frame budget, Apache 2.0 and no independent benchmark, the right listing text in and video out, 1.3B small and 14B large, no audio, 81 frames at 832 by 480, Apple AMLR and no independent benchmark, with a footer reading 'WeMM figures vendor-reported; FastFrames figures per the authors and not independently reproduced.'

التراخيص تحسم الأمر هنا أكثر من النتائج.

بالنسبة لمقارنةٍ بهذا القدر من شح الأدلة المستقلة، فإن سطر الترخيص يحمل وزنًا في القرار أكبر مما يحمله أي معيار أداء في أيٍّ من الورقتين، وهما يقعان على طرفين متقابلين من الطيف.

• توليد فيديو FastFrames — شروط AMLR الخاصة بشركة Apple على الأوزان، مع مكونات العرض التجريبي LingBot-World v2 بموجب CC BY-NC-SA 4.0. إن "NC" هي القيد المهم: أوزان مفتوحة، وليست مفتوحة للاستخدام التجاري.

• WeMM-Video-4B — بترخيص Apache 2.0 عبر المجموعة، مع ملف ترخيص من Tencent ينص على أن المكونات التابعة لجهات خارجية "تظل خاضعة لشروطها الأصلية الخاصة بكل منها". لم يُفصَّل الاستثناء، وهو فجوة حقيقية وليس مجرد شكليات بالنظر إلى أن مكدس الصوت ينحدر من Qwen2.5-Omni والعمود الفقري من Qwen3.5، وكلاهما بترخيص Apache 2.0.

• كلاهما — نقاط تحقق كاملة لمراحل التدريب وخط أنابيب تقييم في المستودع، وهو أمر غير معتاد من حيث قابلية إعادة الإنتاج بالنسبة لإصدارات من هذا النوع، ويُعد أفضل بديل متاح للتقييم المستقل الذي يفتقر إليه كلاهما.

توصيل واصف خلف مُصيّر

إذا بنيتَ الحلقة على أي حال، فالسؤال الهندسي هو أين يقع نموذج النص، لأن هناك ثلاث قفزات نصية وواحدة منها فقط اختيارية.

• توسيع الموجّه — تتحوّل ملاحظة اللقطة إلى موجّه FastFrames. ضروري، لأن نموذج انتشار مُقطّر بحجم 1.3B لا يملك متسعًا لتفسير تعليمات غامضة.

• الوصف — يُرسَل المقطع المُصدَّر إلى WeMM-Video-4B ويعود كنصٍ نثري، وهي الخطوة التي تجعل اللقطات قابلة للبحث.

• الاختيار — النص هو ما يحدد ما إذا كان المقطع سيُحتفظ به، وهي الخطوة التي يجب أن تكون منخفضة التكلفة، لأنك تدفع ثمنها عند كل مرشح وليس عند كل ناجٍ.

تلك القفزتان الخارجيتان هما إكمالان نصيّان عاديان، وهما الجزء الذي يغطيه OrcaRouter فعليًا من هذه المنظومة: مفتاح واحد متوافق مع OpenAI عبر أكثر من 200 نموذج، مع تمرير أسعار قوائم المزوّدين دون هامش ربح (0%) بحيث يصل تغيير سعر المورّد في اليوم نفسه، والتبديل التلقائي عند الفشل بحيث يصبح تجاوز حدّ المعدل في منتصف دفعة من ألف مقطع إعادة محاولة بدلًا من فجوة. لا يتوفر FastFrames Video Generation ولا WeMM-Video-4B على المنصة — فكلاهما أوزان تُنزَّل، ولا تحوّل أي طبقة توجيه نقطة تفتيش إلى نقطة نهاية. ما يزيله الموجّه هو عمل التكامل حول النموذجين اللذين تستضيفهما بنفسك.

ما الذي لا يزال غير مؤكد؟

• جودة مستقلة — لا يوجد صف في Artificial Analysis، ولا إدخال في Arena، ولا إعادة إنتاج من جهة خارجية لأيٍّ من النموذجين. VBench 84.44 وVideo-MME 83.9 مُبلَّغ عنهما من المؤلفين ولم يُشغّلهما أي شخص آخر.

• شروط التقييم — لا تذكر ورقة WeMM عدد الإطارات ولا ميزانية البكسل ولا طول السياق المستخدمة في اختبارات الفيديو الخاصة بها، بينما تستخدم الوصفة المضمّنة 16 إطارًا حيث يضبط المعالج القيمة الافتراضية على 128. هذه الفجوة كبيرة بما يكفي لتؤثر على صفوف الفيديو الطويل.

• السعر — لا يملك أيٌّ منهما سعرًا. لا نقطة نهاية مستضافة، ولا تسعير لكل ثانية، ولا قائمة شركاء. التكلفة هي وحدة معالجة الرسوميات التي تملكها، بالإضافة إلى طبقة vLLM أو SGLang المُرقَّعة التي يتطلبها مستودع WeMM، لأن كلا المحركين لا يدعم هذه البنية في المشروع الأصلي.

• القابلية للاستخدام التجاري على جانب Apple — يعني AMLR، بالإضافة إلى ترخيص عرض تجريبي غير تجاري، أن المُصيّر، وليس الواصف، هو الجزء من هذه السلسلة الذي ستوقفه المراجعة القانونية.

السؤال الذي يختار واحدًا

اسأل عمّا هو الأرتيفاكت الخاص بك. إن كان ملفًا، فلا يمكن إنتاجه إلا بواسطة FastFrames، وستخطّط حول دقة 480p، وخمس ثوانٍ، وصمت، وترخيص غير تجاري. وإن كان ادّعاءً حول لقطات تملكها بالفعل — ماذا يحدث، ومَن يتحدث، وما هو المسموع — فلا يمكن إنتاجه إلا بواسطة WeMM-Video-4B، وستخطّط حول ستة عشر إطارًا مأخوذًا كعينات وثمانية آلاف رمز.

إذا كان الأمر يشمل كليهما، فأنت تبني نظامًا مكوّنًا من نموذجين تكون نقطة الالتحام بينهما صامتة، وأقل نسخة صحيحة من حيث التكلفة لذلك النظام لا تستخدم نقطة تحقق omni بحجم 5.61B لوضع تعليقات نصية على الإخراج الصامت. استخدم نموذج رؤية للمقاطع المُصيَّرة، وأبقِ WeMM-Video-4B للقطات المصدرية التي تحمل صوتًا. هذه بنية أقل أناقة من بنية نموذج واحد يتولى كل شيء، وهي البنية التي تدعمها الأرقام.

ما لا يقدّمه أيٌّ من الإصدارين حتى الآن هو الشيء الذي من شأنه أن يحسم الأمر: تجربة تشغيل يجريها شخص لم يكتب الورقة البحثية. فقد أطلقت مختبران عملًا جدّيًا في مجال الفيديو في الأسبوع نفسه دون إعلان، وهو أمر أكثر إثارة للاهتمام بشأن نوفمبر 2026 من أي خلية مفردة في مقاييس الأداء.