بطاقة عنوان تحمل «WeMM-Video-4B vs HiDream-O1-Video-1.0» مع العنوان الفرعي «نوعان من الضيق»، لوحتان تفصل بينهما قرص «vs»، تحمل اليسرى عنوانًا فرعيًا «أوزان مفتوحة، بلا نقطة نهاية» وتسرد 5.61 مليار معامل، وApache 2.0 وvLLM أو SGLang المُرقعين، وتحمل اليمنى عنوانًا فرعيًا «مستضاف، مدخل واحد» وتسرد معاملات غير منشورة، وصورة مرجعية واحدة و5.80 دولارات لكل دقيقة، مع تذييل يقول «قراءة لوحة Artificial Analysis بتاريخ 20 نوفمبر 2026.»
Guides & Insights

WeMM-Video-4B مقابل HiDream-O1-Video-1.0: نوعان من الضيق

الكاتب

jinhao.song

تاريخ النشر

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

HiDream-O1-Video-1.0 وWeMM-Video-4B كلاهما يصف نفسه على نحو أوسع مما يتصرف به فعلاً. يعلن إصدار الإطلاق من HiDream عن نموذج يستقبل نصاً وصوراً وفيديو ويعيد من خمس إلى عشرين ثانية من لقطات بدقة 1080p مع صوت متزامن؛ أما واجهة API الموثّقة فتقبل صورة مرجعية واحدة بالضبط ونصاً توجيهياً اختيارياً. يستقبل WeMM-Video-4B نصاً وصوراً وفيديو وصوتاً ويعيد نصاً، وهذا وصف دقيق — غير أن النموذج لا يُقدَّم كخدمة في أي مكان، لذا فإن ما يقبله نظرياً لا تحصل عليه إلا بعد ترقيع محرك الاستدلال الخاص بك. أحدهما مقيَّد بعقد الخدمة الخاص به، والآخر بكونه لا يملك أي عقد خدمة على الإطلاق. تلك هي المقارنة بأكملها، وكل ما يلي تفاصيل متفرعة عنها.

لا يمكنك اليوم استدعاء أيّ من النموذجين بالوضع الذي تشدّد عليه ورقتُه البحثية. ويعتمد مقدار أهمية ذلك على أيّ نصف من الفجوة تستطيع سدّه بنفسك، وهذه مسألة تتعلق بالتراخيص ووحدات معالجة الرسوميات لا بالجودة.

الصف، والإصدار الذي يستند إليه

لدى HiDream-O1-Video-1.0 قياس مستقل. ووفق قراءة في 20 نوفمبر 2026، على لوحة AA-Video-I2V v2.1، فإنه يحتل المرتبة 14 عند Elo 1,101 بفاصل ثقة 95 بالمئة قدره ±14، أي نطاق من 1,087 إلى 1,115، استنادًا إلى 6,976 صوتًا، ومسجّل كإصدار أغسطس 2026، بسعر 5.80 دولارات لكل دقيقة من الفيديو المُولّد.

قبل ستة أسابيع، على v1.0 من اللوحة، كان النموذج نفسه في المركز السادس عند 1,175 ±10 عبر 3,231 صوتًا. إذا قُرئ ذلك دون عناية، فهو انهيار. لكنه ليس كذلك، والسبب جدير بالذكر صراحةً لأنه الخطأ الأكثر شيوعًا عند التعامل مع هذه اللوحات: v1.0 وv2.1 أداتان مختلفتان بمقاييس Elo مختلفة، ومجموعات تصويت مختلفة، وتصنيف مختلف. لا تنتقل الدرجة بينهما، لذا فالمسافة بين 1,175 و1,101 ليست قياسًا لمقدار تدهور النموذج. ما تغيّر فعلًا حقيقي — فالمرتبة الرابعة عشرة مكان أسوأ من المرتبة السادسة وفق قواعد اللوحة الحالية — لكن الحساب الذي يربط بينهما غير موجود.

لا يملك WeMM-Video-4B صفًا على أي لوحة، والغياب بنيوي وليس مراجعة معلّقة. تصنّف لوحات فيديو الذكاء الاصطناعي المشاهد المولّدة. لا يمكن إدراج نموذج يقرأ الفيديو ويكتب جملًا في تصويت بين مقطعين. وإلى أن توجد ساحة شاملة الوسائط لفهم الفيديو، فكل رقم يخص WeMM-Video-4B هو رقم T​encent نفسها.

ما الذي تقبله واجهة برمجة تطبيقات HiDream فعليًا

سطح التقديم موثّق وهو ضيّق، بطرق تتطابق مباشرةً مع ادعاءات الإطلاق.

• المدخل — صورة مرجعية واحدة بالضبط، تُقدَّم كرابط URL عام أو بترميز Base64 بحجم يتراوح بين 40 كيلوبايت و20 ميغابايت. الأمر النصي (prompt) اختياري وقيمته الافتراضية فارغة. يذكر الإعلان الفيديو ضمن مدخلات النموذج؛ لكن مخطط الطلب لا يتضمن أي حقل مخصص له.

• الدقة — لا يوجد محدد. تحافظ النتيجة على نسبة العرض إلى الارتفاع للصورة المرجعية. لا يمكن التحكم في ادعاء 1080p الوارد في الإعلان من خلال الطلب.

• المدة — قيمة منطقية واحدة، force_10s، وقيمتها الافتراضية false. إذا تُركت على false يختار النموذج؛ وإذا ضبطتها على true فستحصل على عشر ثوانٍ. النطاق المعلن من خمس إلى عشرين ثانية لا يحتوي على حقل رقمي.

• الصوت — لا يتم إتاحة أي إدخال صوتي أو معامل لتوليد الصوت، على الرغم من الصوت الأصلي المتزامن الذي يصفه الإصدار.

• عقد النتيجة — غير متزامن. تُرسِل الطلب، وتحصل على task_id، ثم تستعلم دوريًا. result.status = 1 يعني أن كل مهمة فرعية وصلت إلى حالة نهائية، وليس أن التوليد قد نجح؛ النجاح هو sub_task_results[].task_status = 1، حيث 3 لفشل التوليد و4 لمراجعة السلامة.

إذن، النموذج الذي يمكنك استدعاؤه هو مُحرِّك رسوم متحركة للصور بوضعين للمدة. أما النموذج الموصوف في بيان الإصدار فهو مُولِّد مشترك للنص والفيديو والصوت بمدة مخططة. كلا العبارتين موثقتان من الشركة نفسها، والفرق بينهما هو خارطة طريق وليس تناقضًا.

ما الذي يطلب منك WeMM-Video-4B بنائه

ليس على الطرف الآخر أي التزام بأن يكون ضيقًا، لأنه لا توجد نقطة نهاية. إن WeMM-Video-4B يضم 5,611,746,312 معاملًا — أي 10.45 GiB من أوزان BF16 — وقد صدر بموجب Apache 2.0 ضمن عائلة من أربعة أحجام ظهرت جميعها خلال نافذة زمنية مدتها تسع عشرة دقيقة في 17 نوفمبر 2026، وتلاه التقرير التقني arXiv 2611.26409 في 19 نوفمبر.

يتطلب الحصول على إجابة منه جهدًا لا يراه مستخدمو HiDream أبدًا. لا يدعم vLLM ولا SGLang هذه البنية في المشروعين الأصليين؛ إذ يشحن المستودع تصحيحات تراكب المصدر لأربع إصدارات محددة من المشاريع الأصلية — vLLM 0.18.0 و0.31.0، وSGLang 0.5.16 و0.5.19 — كل منها مثبّت على توليفة محددة من PyTorch وTransformers وCUDA 12.9، مع Python 3.12 وFFmpeg وسلسلة أدوات C++ إضافة إلى Ninja لتجميع النواة عند أول استخدام في SGLang. حزمة GGUF مبنية لبيئة تشغيل أصلية تُجمّعها من المستودع، لا لـ llama.cpp، وتصنّفه Tencent exported_unvalidated.

ما تحصل عليه مقابل ذلك هو واصف يضم حزمة صوتية كبيرة على نحو غير معتاد: 4.21 مليار معامل من نموذج لغوي مشتق من Qwen3.5-4B، و0.33 مليار لبرج الرؤية، و1.07 مليار من مشفّر-فاكّ ترميز صوتي على طراز Whisper يغذّي Q-Former بمعدل 10 رموز في الثانية. ما يقرب من خُمس نقطة التحقق عبارة عن آذان، ولهذا فإن درجاتها الصوتية-البصرية المشتركة هي المثيرة للاهتمام.

الأوضاع التي تتم فيها مقارنة كل نموذج

المقارنة العادلة هنا ليست "أيّهما أفضل" بل "أيّ نمط هو الذي يمكنك الوصول إليه فعلاً"، والجوابان يقعان في موضعين مختلفين.

• HiDream-O1-Video-1.0 — الوضع المتاح: تحويل الصورة إلى فيديو، إطار مرجعي واحد، نسبة أبعاد ثابتة، عشر ثوانٍ أو اختيار النموذج، دون تحكم في الصوت. الوضع المُقيَّم: تحويل الصورة إلى فيديو. تتوافق اللوحة وواجهة API.

• WeMM-Video-4B — الوضع المتاح: فيديو مع مسار صوتي كمدخل، ونص كخرج، عند 16 إطارًا مُعاينًا و8,192 رمزًا كما هو مُشحون. الوضع المُقيَّم: تُورد الورقة وضع Thinking على جداول الفيديو، وInstruct على جدول الصوت، وThinking مرة أخرى على الصورة والنص، ولا تذكر عدد الإطارات ولا طول السياق المستخدم.

• كلاهما — مُبلَّغ عنه من البائع حيثما وُجد رقم، ولم يُعِد أي طرف ثالث إنتاج أيٍّ منهما. وتكمن ميزة HiDream في أن أحد التكوينات قد صوّت عليه أشخاص لا يعملون لدى HiDream.

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

السؤال الصوتي، الذي يستطيع طرف واحد فقط الإجابة عنه

يولّد HiDream الصوت ويفهمه WeMM-Video-4B. يبدو هذان في قائمة ميزات وكأنهما القدرة نفسها، لكنهما ليسا كذلك، وبالنسبة لفريق يبني خط معالجة، فإن هذا الفرق يحدد أيّهما يكون ذا صلة أصلًا.

على جانب التوليد، تصف إصدارة HiDream عملية واحدة تُنمذج النص والفيديو والصوت معًا بدلًا من إضافة الصوت لاحقًا، بحيث تتشارك حركة الشفاه والأجواء المحيطة والفعل المادي الجدول الزمني نفسه. أما إمكانية توجيه ذلك فهي مسألة منفصلة: فالطلب الموثّق لا يتيح أي معامل خاص بالصوت، ولا ينشر الإعلان عدد المسارات، لذا فإن صلاحية الحوار والموسيقى والمؤثرات كمسارات صوتية منفصلة غير مؤكدة في النقطتين كلتيهما.

من جانب الفهم، يسجل WeMM-Video-4B ‏83.9 في Video-MME مع الصوت مقابل 77.3 لـ Qwen3-Omni-30B-A3B-Instruct و69.2 لـ MiniCPM-o-4.5-9B، و82.5 في Daily-Omni مقابل 70.7 و80.2. ويخسر في اختبارات الأداء الصوتي البحت أمام نموذج فلاش احتكاري — MMAU ‏75.2 مقابل 80.4، وMMAR ‏67.3 مقابل 74.0 — مع فوز واحد في MMAU-Pro بنتيجة 68.1 مقابل 64.8. تلك أرقام Tencent من الجدول 2، جُريت في وضع Thinking، ولم يكررها أحد خارج المختبر.

الخلاصة الصادقة هي أنّ أحد النموذجين يولّد صوتًا لا يمكنك فحصه بعد، في حين يفحص الآخر صوتًا عليك أن توفّره. ولا أيٌّ منهما أداة الصوت التي يريدها خط إنتاج، حتى يكتسب الأول معاملًا صوتيًا ويكتسب الثاني مضيفًا.

حيث يفيد الموجّه وحيث لا يمكنه ذلك

لا يقدّم OrcaRouter أيًا من النموذجين. لا توجد نقطة نهاية WeMM — فلا يتضمن الكتالوج أي نقطة تحقق WeMM — ولا يوجد مسار HiDream كذلك؛ إذ يمكن الوصول إلى HiDream-O1-Video-1.0 عبر منصة HiDream الخاصة وعدة منصات طرف ثالث. ولا شيء مما يلي يزعم أننا نستضيف أيًا منهما.

المكان الذي يُثبت فيه الموجّه جدواه في هذه المواجهة هو الترحيل نفسه، والأداة لذلك هي لغة التوجيه DSL بدلًا من قائمة النماذج. كلا هذين النموذجين يقف خلف سطح تقديم يبدو مؤقتًا بوضوح — أحدهما معاينة بإدخال واحد وبعلم طرفية ثنائي الحالة، والآخر تراكب مصدر مثبّت على إصدارات محددة من المنبع — والمكدس الذي يثبّت أيًّا منهما بشكل صلب هو مكدس ينكسر عند ملاحظة إصدار صادرة عن شخص آخر. سياسة توجيه تحدّد نموذجًا أساسيًا ونموذجًا احتياطيًا، ويمكنها مقارنة نموذجين داخل طلب واحد بدلًا من تكاملين، تحوّل ذلك الخطر إلى إعدادات. وهذا يعمل عبر نقطة نهاية واحدة متوافقة مع OpenAI عبر أكثر من مئتي نموذج بأسعار قائمة المزوّدين الممرَّرة بهامش ربح 0%، لذا يسري تغيير سعر المورّد في اليوم نفسه. وبالنسبة للجزء الخاص بالرؤية فقط من حمل عمل WeMM، فإن Qwen3-VL-235B-A22B-Thinking وQwen3-VL-8B-Thinking كلاهما على المنصة الآن — وهو التفاف على نقطة التحقق omni المفقودة، وليس بديلًا عن برج الصوت الخاص بها.

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

أي ضيق يمكنك التعايش معه

إذا كنت بحاجة إلى لقطات في هذا الربع وكانت صورة مرجعية واحدة كافية، فإن HiDream-O1-Video-1.0 هو الوحيد من بين الاثنين الذي يمتلك نقطة نهاية قابلة للاستدعاء، وقيوده موثّقة بما يكفي للتكامل معها في غضون فترة ما بعد الظهر. خصّص ميزانية قدرها 5.80 دولارات للدقيقة، وخطّط لعشر ثوانٍ أو لما يختاره النموذج، واقرأ حالة المهمة الفرعية بدلًا من مؤشر الطرفية.

إذا كنت بحاجة إلى معرفة ما تحتويه لقطات تمتلكها بالفعل — بما في ذلك ما يُقال فوقها — فإن WeMM-Video-4B هو الوحيد من بين الاثنين القادر على الإجابة، وثمن الدخول هو محرك استدلال مُرقّع، ونقطة تحقق بحجم 10.45 GiB، وميزانية أخذ عينات من 16 إطارًا ينبغي ضبطها قبل أن تثق بنتيجة فيديو طويل.

ما لا يمنحك إياه أيٌّ منهما هو الشيء الذي تعد به صفحة المقارنة عادةً: مهمة مشتركة لترتيبهما بناءً عليها. فهما ليسا إجابتين عن سؤال واحد. بل هما نموذجان سطحاهما العامّان أصغر من أوراقهما البحثية، والحكم الهندسي المفيد هو أيّ تلك الفجوات يمكنك سدّها بعتادك الخاص.

مقارنات في هذه المقالة1

مستخرج من هذه المقالة