بطاقة عنوان تحمل «WeMM-Video-9B مقابل Hailuo 2.3» مع عنوان فرعي «ست ثوانٍ صامتة»، ولوحتان تفصلهما أسطوانة «مقابل»: اليسرى بعنوان WeMM-Video-9B مع شارة «أوزان مفتوحة» وصفوف تقول «19.54 GiB BF16»، «يقرأ 16 إطارًا بمعدل 2 fps»، «8 ثوانٍ من التغطية»، «يقبل إدخالًا صوتيًا»، «لا تكلفة لكل مقطع»؛ واليمنى بعنوان Hailuo 2.3 مع شارة «API بمحاسبة استهلاك» وصفوف تقول «6 ثوانٍ بدقة 1080p»، «10 ثوانٍ بدقة 768p»، «إخراج صامت»، «دون تحكم في الإطار النهائي»، «حوالي $0.48 لكل مقطع».
Guides & Insights

WeMM-Video-9B مقابل Hailuo 2.3: ست ثوانٍ صامتة

الكاتب

jinhao.song

تاريخ النشر

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

Both of these models will let you down in exactly one place, and it is the same place. Hailuo 2.3 produces six seconds of 1080p video and no sound at all. WeMM-Video-9B reads sixteen sampled frames of video, which at the shipped sampling rate is about eight seconds of coverage, and returns text. Neither one is a general-purpose video system, and neither is on a leaderboard you can point at. M​iniMax shipped Hailuo 2.3 in April 2026 and has since moved on to a model that does appear on those boards; T​encent's WeChat Vision group put WeMM-Video-9B on Hugging Face on 17 November 2026 with no announcement, no endpoint and no price. That leaves two releases that are each, in their own way, a bounded tool — and the boundary is the interesting part.

A note on sourcing before anything else, because this piece leans on it. The Hailuo 2.3 numbers come from M​iniMax's own pricing and documentation plus third-party per-second trackers, since the model has no independent Elo. The WeMM-Video-9B numbers come from the repository manifests, the model card and arXiv 2611.26409. Nothing here has been reproduced outside the labs that published it, and where a figure is vendor-reported the text says so.

الست ثوانٍ ليست إعدادًا افتراضيًا.

حدّ المدة في Hailuo 2.3 خاصية مُدرَّبة، وليس إعدادًا. ستّ ثوانٍ بدقة 1080p. وعشر ثوانٍ إذا خفّضت الدقة إلى 768p. لا يوجد تكييف لإطار النهاية، لذا لا يمكنك أن تطلب منه أن ينتهي عند تكوين نهائي محدّد كما يمكنك مع نموذج الإطار المفتاحي، ولا يوجد مسار صوتي أصلي على الإطلاق — فالمخرجات صامتة، وأي صوت تريده يجب أن يُضاف لاحقًا في سلسلة المعالجة أو يُولَّد بشكل منفصل.

يجري التسعير عبر نقاط مدفوعة مسبقًا بدلًا من سعر منشور لكل ثانية، مما يجعل مقارنات التكلفة أصعب مما ينبغي. ست ثوانٍ بدقة 768p على الفئة القياسية تساوي نقطة واحدة؛ وعشر ثوانٍ بدقة 768p أو ست ثوانٍ بدقة 1080p تساوي نقطتين. أما النسخة Fast فتقع عند نحو 0.7 نقطة للحالة القصيرة و1.1 إلى 1.3 للحالة الطويلة. وتضعها أدوات التتبع الخارجية التي حوّلت ذلك إلى دولارات عند نحو 0.08 دولار في الثانية، أو نحو 0.48 دولار لمقطع مدته ست ثوانٍ.

• المدة — Hailuo 2.3: 6 ثوانٍ بدقة 1080p، و10 ثوانٍ بدقة 768p. WeMM-Video-9B: لا توجد مدة إخراج، لأنه لا ينتج أي فيديو.

• الصوت — Hailuo 2.3: لا شيء، الإخراج صامت. WeMM-Video-9B: برج بأسلوب Whisper بحجم 1.08B يفرّغ المسار الصوتي الذي تقدمه ويستدل عليه.

• التحكم — Hailuo 2.3: بدون تهيئة الإطار النهائي. WeMM-Video-9B: من 4 إلى 128 إطارًا قابلة للضبط، وأخذ عينات افتراضي بمعدل 2 fps.

ما يتفوّق فيه Hailuo 2.3 حقًا هو الأمر ذاته الذي يتحدّث عنه مستخدموه: حركة الكاميرا السينمائية، وحركة الإنسان وتعبيرات الوجه الدقيقة، والمظهر الأسلوبي القريب من الرسوم المتحركة الذي يصمد أفضل من معظم النماذج في المهام غير الواقعية. تلك قوة حقيقية لا يمكن قياسها على لوحة تقييم، وهذا جزء من سبب عدم ظهور النموذج على أيٍّ منها قط.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

لا يحتوي اللوح على صف لأيّ منهما.

عند الاطلاع بتاريخ 20 نوفمبر 2026، لا تُرجع لوحات فيديو Artificial Analysis الثلاث كلها — AA-Video-T2V v2.1 وAA-Video-I2V v2.1 وAA-Video-Editing v1.1 — أي نتيجة لـ Hailuo 2.3. ليست مرتبة منخفضة. لا يوجد إدخال.

هذا الغياب له سببان مختلفان، ويجدر فصلهما. لا يمكن تصنيف WeMM-Video-9B: فلوحات الصدارة تقيّم المشاهد المولّدة وفق التفضيل الثنائي، والنموذج الذي يُخرج رموزًا ليس لديه ما يقدّمه. أما Hailuo 2.3 فكان يمكن من حيث المبدأ تصنيفه ولم يُصنَّف — مخرجات بدقة 1080p يستطيع مقيّم مشاهدتها، لا تقديم، ولا صف سعر، ولا عدد عينات.

إذن، الدليل الوحيد على الجودة في هذه المقارنة يقع في الجانب الذي لا يملك منتجًا. تذكر ورقة WeMM-Video-9B، في وضع التفكير على معايير الصوت والصورة المشتركة، تفوقًا على Qwen3-Omni-30B-A3B-Instruct في 35 من أصل 37 رقمًا مشتركًا — Video-MME مع الصوت 85.1 مقابل 77.3، وDaily-Omni 83.6 مقابل 70.7، وEvaOmni 50.7 مقابل 26.1 — وخسارة واحدة، FutureOmni عند 53.7 مقابل 55.1. ومقابل نموذجها الأساسي Qwen3.5-9B على الفيديو الصامت، تحقق مكاسب على F-16-NBA وTimeLens وتخسر على MLVU وLVBench وVideoVista وMVBench. كل ذلك ضمن أداة التقييم الخاصة بالمؤلفين أنفسهم، كما هو معلن في الورقة.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

الجيل الذي يلي Hailuo 2.3

Hailuo 2.3 is not M​iniMax's current model, and pretending otherwise would be a disservice to anyone budgeting this quarter. The successor, M​iniMax H3, was released on 31 July 2026 and does appear on the boards.

• AA-Video-T2V v2.1 — M​iniMax H3 at 768p ranks 3rd on Elo 1,161 ±13 over 8,386 samples, listed July 2026 at $4.80 per minute.

• AA-Video-I2V v2.1 — المركز الخامس عند Elo 1,134 ±14 على 6,594 عينة، بالمعدل نفسه.

• AA-Video-Editing v1.1 — المركز السادس في Elo 1,126 ±10 على 9,688 عينة، بسعر 9.60 دولارًا في الدقيقة.

Third on text-to-video and fifth on image-to-video at $4.80 a minute is a different conversation from Hailuo 2.3's unranked, point-priced, six-second offering. If you are choosing a M​iniMax model rather than comparing one, H3 has already won that argument inside the vendor's own lineup.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

لماذا تُعدّ الثماني ثوانٍ أكثر أهمية مما تبدو عليه

تتجاوز وصفة WeMM-Video-9B المرفقة إعدادات المعالج الافتراضية السخية الخاصة بها — 2 إطار/ثانية، وحدّ أدنى 4 إطارات، وحدّ أقصى 128، وميزانية 100,663,296 بكسل — وتخفضها إلى 2 إطار/ثانية و16 إطارًا عند 262,144 بكسل، مع أخذ العينات حول منتصف المقطع. ستة عشر إطارًا بمعدل اثنين في الثانية تعني ثماني ثوانٍ من التغطية، وتبدأ التغطية في المنتصف.

ضع ذلك إلى جانب ست ثوانٍ من Hailuo 2.3، وسيتضح أمر ما. من جهة، ينتج Hailuo 2.3 لقطات أقل مما يستطيع WeMM-Video-9B النظر إليه: فمقطع Hailuo مدته ست ثوانٍ يتسع داخل نافذة الواصف مع مساحة فائضة. لكن وضع عشر ثوانٍ بدقة 768p لا يتسع، وكذلك أي شيء تولّده بنموذج آخر ثم تسلّمه إلى WeMM-Video-9B للمراجعة. يبلغ الحد الأقصى للجانب المرئي من خط المعالجة نحو ثماني ثوانٍ، بينما يمكن للجانب الصوتي أن يستوعب نحو ثلاث عشرة دقيقة عند عشر رموز في الثانية، وكل أمر خدمة في المستودع يمرّر طول سياق قدره 8,192 رمزًا، ما يجعل هذا التفاوت القيد الملزم.

• إذا كنت تُنشئ — يمنحك Hailuo 2.3 ستّ ثوانٍ، صامتة، مع حركة كاميرا قوية وتفاصيل بشرية.

• إذا كنت تراجع — يمنحك WeMM-Video-9B ثماني ثوانٍ من الإطارات المأخوذة كعينات بالإضافة إلى المسار الصوتي الكامل، مع وصف باللغة الإنجليزية أو الصينية.

• الوصل — يوجد توليد صامت لمدة ست ثوانٍ داخل كلتا النافذتين، وهي التهيئة الوحيدة التي يكون فيها هذا الاقتران نظيفًا.

التحويل عند الفشل هو الجزء غير النظري.

Neither model is served through OrcaRouter, and that is stated here rather than buried. Hailuo 2.3 is reachable through M​iniMax's own platform and several third-party platforms; WeMM-Video-9B is reachable by downloading 19.54 GiB of Apache-2.0 weights.

ما يهم في خط معالجة يمزج بين مُولِّد وواصف هو ما يحدث عندما يتعطل أحد طرفيه. أما في OrcaRouter، فإنّ تجاوز الفشل يتجاوز نموذجًا مقيّدًا بمعدل الطلبات أو يعيد أخطاءً من دون أن يضطر المستدعي إلى إعادة كتابة عميله، كما أن لغة التوجيه DSL تتيح لك التعبير عن ذلك كسياسة بدلًا من كومة من منطق إعادة المحاولة. وبالنسبة لعبء عمل تكون فيه خطوة الوصف نقطة تحقق محلية وخطوة التوليد واجهة برمجية مستضافة، فإن النصف المستضاف هو النصف الذي يتعطل — وأن يتجاوز الفشل إلى نموذج مماثل بدلًا من إفشال المهمة أجدى من فارق سعر هامشي.

ست ثوانٍ إما أن تكون كافية أو لا تكون.

إذا كان المطلوب هو ست ثوانٍ من فيديو 1080p صامت تتسم بثقة سينمائية، فإن Hailuo 2.3 يقدّم ذلك، والسؤال الحقيقي الوحيد هو ما إذا كان تسعير النقاط يتفوق على البدائل المحسوبة بالثانية للحجم الذي تحتاجه. تحقق من فئة العشر ثوانٍ بدقة 768p قبل أن تعتمد الفئة القصيرة كمعيار؛ فتكلفة النقاط تتضاعف، وليس السعر لكل ثانية.

If the deliverable is a written account of footage, WeMM-Video-9B does that with the strongest audio-visual numbers in the family and no independent confirmation of any of them. Budget for a patched vLLM or SGLang install and for the fact that you will be the first person outside T​encent to run it in anger.

ليس أيٌّ منهما منصة فيديو عامة. إنهما أداتان محدودتان بحدّ الثماني ثوانٍ والستّ ثوانٍ، والاختيار بينهما مسألة أيّ حدّ يمكنك تحمّل بلوغه.