بطاقة عنوان تحمل «WeMM-Video-9B vs Alibaba Wan 2.7» مع عنوان فرعي «فاتورة ونقطة حفظ»، ولوحتان تفصلهما قرص «vs»: اللوح الأيسر موسوم بـ«الأوزان فقط» ويسرد 9B من المعاملات الكثيفة، و19.54 GiB من شرائح BF16، وApache 2.0 وبلا سعر، بينما اللوح الأيمن موسوم بـ«API محدّدة الاستخدام» ويسرد Elo 1,074 على AA-Video-Editing v1.1 و16.90 دولارًا لكل دقيقة.
Guides & Insights

WeMM-Video-9B مقابل Alibaba Wan 2.7: فاتورة ونقطة تحقق

الكاتب

jinhao.song

تاريخ النشر

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

ابدأ بالفاتورة. Alibaba Wan 2.7 لديه سعر بالدقيقة على لوحتَي فيديو من Artificial Analysis ونطاق مدة موثّق، مما يجعله واحدًا من النماذج القليلة للفيديو التي يمكنك حساب تكلفتها قبل أن تكتب سطرًا واحدًا من الشيفرة. WeMM-Video-9B ليس له سعر على الإطلاق. نشرته مجموعة WeChat Vision التابعة لـ Tencent في 17 نوفمبر 2026 بوزن 19.5 جيجابايت من أوزان Apache-2.0 — خمسة أجزاء BF16، وبطاقة نموذج، ومسودة arXiv تحمل الرقم 2611.26409 — ثم لم تقل شيئًا. لا منشور إطلاق، ولا صفحة تسعير، ولا نقطة نهاية مستضافة، ولا تقديم إلى أي لوحة. وبعد ثلاثة أيام، لا تزال المستودعات تُظهر صفر تنزيلات بينها. لذا فالمقارنة الصادقة ليست بين Wan 2.7 وWeMM-Video-9B من حيث الجودة؛ بل هي خدمة مُقاسة الاستهلاك مقابل أثر غير مسعّر، والرقمان اللذان قد ترغب في وضعهما جنبًا إلى جنب غير موجودين للسبب نفسه على الجانبين.

كل ما يلي يفصل بين ثلاثة أمور: ما تنص عليه وثائق Wan 2.7 ولوحتا الصدارة، وما يدّعيه مستودع WeMM-Video-9B وورقته البحثية، وما لم يكرره أحد خارج أيّ من المختبرين. وهذا التصنيف الثالث هو حيث تقع معظم مواد WeMM-Video-9B، والتظاهر بخلاف ذلك سيكون أسرع وسيلة لجعل هذا العمل عديم الفائدة.

يُحتسب Wan 2.7 بالدقائق

بطاقة أسعار علي بابا الخاصة بـ Wan 2.7 واضحة على نحو غير معتاد بالنسبة لنموذج فيديو. فالمجموعة منتج بأربعة أوضاع — تحويل النص إلى فيديو، وتحويل الصورة إلى فيديو، وتحويل المرجع إلى فيديو، وتحرير الفيديو — والتسعير الذي يظهر على اللوحات رقم مباشر لكل دقيقة بدلًا من نظام أرصدة يتعين عليك الهندسة العكسية لفهمه.

• AA-Video-Editing v1.1 — يحتل Wan 2.7 المرتبة التاسعة عند Elo 1,074 ±8 على 22,754 عينة، وشهر الإصدار أبريل 2026، و$16.90 لكل دقيقة. الفاصل هو الأضيق في لوحة الصدارة خارج المراكز الثلاثة الأولى، وهذا ما يمنحك إياه اثنان وعشرون ألف صوت.

• AA-Video-T2V v2.1 — تظهر العائلة نفسها باسم Wan2.7-260612 في المرتبة 20 على Elo 1,035 ±13 عبر 6,965 عينة، يونيو 2026، بسعر 9.00 دولارات في الدقيقة. المورد نفسه، مهمة مختلفة، سعر مختلف، وElo لا يُحوَّل إلى درجة التحرير.

• Wan 2.7 ليس موجودًا على لوحة تحويل الصورة إلى فيديو على الإطلاق. أما Wan 3.0 فهو موجود — في المركز الثاني عشر برصيد 1,109 — وهذا الغياب يستحق قراءة متأنية. لا يعني ذلك أن Wan 2.7 لا يستطيع تحريك صورة ثابتة؛ بل يعني أن الساحة لم تصنّفه هناك. تُعلن حزمة Alibaba بالفعل عن التحكم في الإطار المفتاحي الأول والأخير، وما يصل إلى خمس صور للموضوع وخمسة مقاطع مرجعية، وإخراج بدقة من 720p إلى 1080p مع صوت أصلي. القدرة التي لا تقيسها اللوحة تظل قدرة.

ملاحظة سياقية مهمة لإعداد الميزانية: إن Wan 2.7 هو الجيل السابق. أما Wan 3.0 فيتصدّر الآن كلًا من لوحة تحويل النص إلى فيديو (1,176) ولوحة التحرير (1,197)، وهو الأرخص بين الاثنين في تحويل النص إلى فيديو بسعر 12.00 دولارًا في الدقيقة مقابل سعر التحرير لدى Wan 2.7 البالغ 9.00 دولارات. إذا كنت تختار نموذج Alibaba اليوم بدلًا من المقارنة بين نموذجين، فقد تغيّر القرار بالفعل.

ما هي نقطة التحقق 9B في الواقع

WeMM-Video-9B ليس مولّد فيديو، وهذه الجملة الواحدة تؤدي معظم العمل في هذه المقارنة. إنه نموذج فهم للفيديو: تعطيه الإطارات إضافة إلى المسار الصوتي الأصلي، فيعيد إليك نصًا. الوصف، والنسخ، والاستدلال الزمني، والإجابة عن الأسئلة حول لقطات تمتلكها بالفعل.

يتميز المستودع بتحديد غير معتاد لما يحتويه، وهي النقطة الوحيدة التي يتفوق فيها الإصدار الهادئ على الإصدار الصاخب. يسرد سجل Hugging Face عدد 10,488,603,384 معاملًا موزعة على 1,305 موترات، بصيغة BF16، وبحجم 19.54 GiB موزعة على خمس شرائح. التقسيم مفصّل: عمود فقري لغوي بحجم 7.94B يتضمن تضمينًا رمزيًا بحجم 1.02B، ورأس إخراج غير مشترك الأوزان بحجم 1.02B، وبرج صوتي بنمط Whisper بحجم 1.08B بطبقات 32 عند عرض 1,280 خلف Q-Former من طبقتين، وبرج رؤية بحجم 0.46B من 27 كتلة عند عرض مخفي 1,152 مع حجم رقعة 16 ودمج مكاني 2×2. تتكون حزمة اللغة من 32 طبقة عند مخفي 4,096، و16 رأس انتباه مقابل 4 رؤوس مفتاح-قيمة عند بُعد رأس 256، مع انتباه خطي هجين — طبقة انتباه كامل واحدة لكل ثلاث طبقات خطية — و262,144 تضمينًا موضعيًا.

ما يمنحك ذلك عمليًا هو مدخلات واسعة ومخرجات ضيقة. تدخل الفيديو والصوت والصور والنص. ويخرج النص، بالإنجليزية أو الصينية. لا يوجد توليف إطارات في أي مكان من البنية، ولن يُنتج أي قدر من التوجيه إطارًا واحدًا.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

ساعتان لا تلتقيان

المقارنة التي تحسم أمرًا ما فعليًا تدور حول الوقت والمال، ولكلٍّ من الجانبين حدٌّ أقصى.

• الحد الأقصى في Wan 2.7 هو المدة. من ثانيتين إلى خمس عشرة ثانية لكل عملية إنشاء، بدقة من 720p إلى 1080p، مع الفوترة لكل ثانية. مقطع 1080p مدته خمس عشرة ثانية أمر معروف سلفًا قبل أن تضغط على زر البدء.

• الحدّ الأقصى لـ WeMM-Video-9B هو السياق. يُعيّن المعالج افتراضيًا على إطارين في الثانية بحد أدنى 4 إطارات وحد أقصى 128 إطارًا وميزانية إجمالية قدرها 100,663,296 بكسل. وتلغي وصفة vLLM المضمّنة كل ذلك وتخفضه إلى 2 إطار في الثانية و16 إطارًا عند 262,144 بكسل — أي نحو ثماني ثوانٍ من التغطية تُؤخذ بالعيّنة من منتصف المقطع. كما تمرر كل أوامر الخدمة في المستودع طول سياق قدره 8,192 رمزًا، وعند عشر رموز صوتية في الثانية يكون ذلك نحو ثلاث عشرة دقيقة من الصوت إذا أنفقت الميزانية على الصوت وحده.

• عدم التطابق.يُنتج Wan 2.7 خمس عشرة ثانية من اللقطات. أما WeMM-Video-9B، كما يُشحن، فينظر إلى ثماني ثوانٍ. إذا كانت خط أنابيبك تولّد مقطعًا ثم تسأل نموذجًا عمّا حدث فيه، فإن الواصف يعاين نصف الناتج. هذا ليس عيبًا في أي من المنتجين؛ بل هو إعداد عليك تغييره عمدًا، والمثال الموجود في المستودع نفسه لا يغيّره لك.

المجلس الذي لا يضم أيًّا منهما

إليك المشكلة البنيوية في هذه المواجهة، موضحة بصراحة. كل لوحة فيديو لدى Artificial Analysis تصنّف المقاطع المولّدة. تحويل النص إلى فيديو، وتحويل الصورة إلى فيديو، وتحرير الفيديو — الثلاثة جميعًا تأخذ نموذجًا يُنتج بكسلات وتصنّفه وفق تفضيل بشري ثنائي. أما WeMM-Video-9B فيُنتج رموزًا.

ليس الأمر أن WeMM-Video-9B حصل على نتيجة سيئة. بل إنه لا يمكن إدخاله. لدى Wan 2.7 صفّان، وكلاهما بفواصل زمنية ضيقة بما يكفي للجدال حولها؛ أما WeMM-Video-9B فليس لديه أي منها، ولن يكون لديه أي منها حتى يبني شخص ما ساحة لفهم الفيديو. وهذا يعني أن الدليل الوحيد على الجودة بالنسبة لموضوع هذه المقالة هو جدول المؤلفين أنفسهم.

هذا الجدول ليس أمرًا هيّنًا. في وضع التفكير ضمن المهام الصوتية البصرية المشتركة، يتفوّق checkpoint‏ 9B على Qwen3-Omni-30B-A3B-Instruct في 35 من 37 رقمًا مشتركًا — ‏Video-MME مع الصوت 85.1 مقابل 77.3، وDaily-Omni ‏83.6 مقابل 70.7، وSciVideoBench ‏64.2 مقابل 49.9، وOmniReasoningBench ‏43.9 مقابل 24.1 — ويخسر في واحدة فقط، FutureOmni بنتيجة 53.7 مقابل 55.1. وعلى الفيديو الصامت مقابل backbone‏ Qwen3.5-9B الخاص به، يتقدّم على F-16-NBA ‏(88.7 مقابل 75.8) وTimeLens، ويخسر أمام MLVU وLVBench وVideoVista وVSI-Bench وMVBench. تقول الورقة إنها تورد "نتائج رسمية حيث تتوفر، وتقييماتنا الخاصة فيما عدا ذلك"، وهو الإفصاح الصحيح، وهو أيضًا السبب في أن أيًا من ذلك ليس مستقلًا.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

أين يتناسب OrcaRouter

لا يتم تقديم أيٍّ من الطرازين عبر OrcaRouter، وهذا المقال لن يتظاهر بخلاف ذلك. يمكن الوصول إلى Wan 2.7 عبر واجهة API الخاصة بـ Alibaba وعدة منصات تابعة لجهات خارجية؛ ويمكن الوصول إلى WeMM-Video-9B عن طريق تنزيله.

ما ينتمي إلى هنا هو جانب الفوترة، لأن السبب في أن الفرق تنتهي إلى مقارنة أداة توليد بأداة وصف هو أن كليهما يُوصَلان إلى المسار نفسه. يمرر OrcaRouter سعر القائمة لدى المزوّد مباشرةً عند هامش ربح 0%، وهذا يعني أن تخفيض سعر المزوّد يظهر في فاتورتك في اليوم نفسه الذي يظهر فيه في فاتورتهم، بدلًا من الانتظار إلى أن يعيد أحد الموزّعين التسعير. وإذا تحوّل سعر التحرير البالغ $16.90 في Wan 2.7 إلى $12.00 كما تحوّل سعر Wan 3.0، فستراه في الفاتورة التالية. وبالنسبة لعبء عمل يكون فيه أحد الشقين محاسَبًا بالثانية والآخر نقطة تحقق تستضيفها بنفسك، فإن إظهار النصف المحاسَب بالتكلفة الفعلية هو الفرق بين ميزانية يمكنك التنبؤ بها وأخرى لا يمكنك ذلك.

أي واحد يجب تخصيص ميزانية له؟

إذا كان المُخرَج النهائي لقطات فيديو، فإن Wan 2.7 هو الوحيد من بين الاثنين القادر على إنتاجه، ويتقلص القرار إلى ما إذا كان سعر 16.90 دولارًا في الدقيقة للتحرير أو 9.00 دولارات في الدقيقة للتحويل من النص إلى فيديو تنافسيًا مقابل بقية لوحة التصنيف. وهو في المركزين التاسع والعشرين على الترتيب، أي في منتصف المجال في كليهما.

إذا كان المُخرَج عبارةً عن بيان حول مادة مصوّرة تملكها بالفعل، فإن WeMM-Video-9B هو الوحيد من بين الاثنين القادر على إنتاجه، ويتقلّص القرار إلى ما إذا كان بإمكانك تحمّل تثبيت نسخة معدّلة من vLLM أو SGLang، ونقطة استرجاع بحجم 19.54 GiB، ونافذة معاينة مدتها ثماني ثوانٍ، للحصول على واصف من فئة 9B بأرقام سمعية-بصرية قوية حقًا.

الفخ هو قراءة $16.90 و$0.00 كأنهما الكمية نفسها. أحدهما سعر مُحتسب بالقياس لخدمة يمكنك طلبها بعد ظهر اليوم. والآخر هو غياب خدمة، ويُدفع ثمن هذا الغياب في أعمال التكامل وفي أن لا أحد خارج Tencent أخبرك بما إذا كانت الأرقام صحيحة.