
WeMM-Video-9B مقابل Wan 3.0: ثوانٍ تُباع، ثوانٍ تُشاهد
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 182 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 356 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 87 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 147 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
Wan 3.0 يبيع ثوانٍ من الفيديو. WeMM-Video-9B يعيد قراءتها. هذه هي المقارنة بأكملها، وهي السبب في أن معركة مواصفات بُعدًا ببُعد بين هذين الاثنين ستكون قريبة من كونها بلا معنى: أحدهما نموذج توليد يُعيد ملف MP4، والآخر نموذج فهم شامل متعدد الوسائط يُعيد جملة. إنهما ليسا متنافسين. بل هما نصفا خط أنابيب واحد — أنتِج مقطعًا، ثم افحصه — والسؤال المثير للاهتمام ليس أيهما يفوز، بل أين يتوقف كل واحد منهما عن أن يكون قابلًا للاستخدام.
واحد منهما فقط هو الخبر. رفعت تنسنت WeMM-Video-9B وثمانية عشر مستودعًا شقيقًا في نافذة مدتها خمس دقائق بدأت عند 08:53:50 UTC في 17 نوفمبر 2026، ونشرت التقرير التقني باسم arXiv 2611.26409 في 19 نوفمبر، ولم تعلن أيًا من ذلك: لا منشور مدونة، ولا صفحة إطلاق، ولا طبقة مدفوعة. عند كتابة هذه السطور، يُظهر مستودع 9B صفر تنزيلات، وتُظهر المجموعة بضع إعجابات، ولا يقدّم أي مزوّد استدلال هذا النموذج. Wan 3.0 هي الحالة المعاكسة تمامًا — وضعتها علي بابا في نسخة تجريبية عامة في 6 أغسطس 2026 وأطلقتها رسميًا في 24 أغسطس، أي ثمانية وثمانين يومًا قبل هذا المقال، وهي تتصدر حاليًا لوحتي تصنيف مستقلتين. كل ما يلي عن Wan 3.0 يتعلق بمنتج مُطلق ومُسعّر ومُقيّم بشكل مستقل. كل ما يتعلق بـ WeMM-Video-9B يأتي إما من مستودعه الخاص أو من ملف PDF الخاص بالمؤلفين، وهذان هما المكانان الوحيدان اللذان يوجد فيهما أي رقم عنه.
ما الذي يُرجعه كل واحد منها فعليًا
يجدر وضع سطور المواصفات جنبًا إلى جنب تحديدًا لأنها تصف مهامًا مختلفة.
• المخرجات — WeMM-Video-9B يُرجع نصًا، بالصينية أو الإنجليزية. Wan 3.0 يُرجع مقطعًا مُولّدًا تصل مدته إلى 30 ثانية مع صوت أصلي.
• الإدخال — يستقبل النموذج 9B إطارات الفيديو مع مسارها الصوتي الأصلي، والفيديو الصامت، والصوت المستقل، والصور والنصوص، ويمكنه الاستدلال على جميعها دفعةً واحدة. ويستقبل Wan 3.0 مطالبات نصية وصورية وفيديو وصوتية، إضافةً إلى المستندات — بشكل فريد ضمن عائلته —: doc وxls وppt وpdf وmd وtxt، حتى 100 ميغابايت أو 50 صفحة لكل ملف، تُحوَّل مباشرةً إلى فيديو.
• الأوزان — WeMM-Video-9Bتوفّر أوزان Apache 2.0 على Hugging Face بصيغة BF16 إضافةً إلى أربع نسخ مُكمَّمة (FP8 Block128، AWQ W4A16، GGUF Q4_K_M، NVFP4 W4A16). ولا تملك Wan 3.0 أي أوزان منشورة؛ فهي واجهة برمجية تطبيقات مغلقة تعمل بنظام العدّاد.
• السعر — لا يوجد سعر مستضاف للطراز 9B، لأن لا شيء يستضيفه؛ فتكلفتك هي وحدة معالجة رسومات وبيئة تشغيل معدّلة ووقتك أنت. يفوتر Wan 3.0 لكل ثانية من الإخراج: 0.3 و0.6 و1.2 يوان لكل ثانية عند 480p و720p و1080p — أي نحو 0.05 دولار و0.10 دولار و0.20 دولار — وهو ما تعيّره Artificial Analysis إلى 12.00 دولارًا في الدقيقة على لوحات الصدارة الخاصة به.
• درجات مستقلة — لا توجد لـWeMM-Video-9B. لا تُدرج Artificial Analysis أي نموذج WeMM على أي لوحة. يحتل Wan 3.0 المرتبة الأولى في لوحة النص إلى فيديو الخاصة بـ Artificial Analysis عند Elo 1,176 (فاصل ثقة 95% من 1,163 إلى 1,189، 8,243 عينة)، والمرتبة الأولى في لوحة تحرير الفيديو الخاصة بها عند 1,197 (1,187 إلى 1,207، 9,919 عينة)، والمرتبة الثانية عشرة في الصورة إلى فيديو عند 1,109.

فجوة السعر ليست فجوة سعر
اثنا عشر دولارًا في الدقيقة هو الرقم الذي سيقتبسه الناس، وهو رقم خاطئ للمقارنة به مع أي شيء يخص 9B، لأن الفاتورتين تقيسان كميتين مختلفتين. يتقاضى Wan 3.0 مقابل المدة المنتجة. WeMM-Video-9Bلا يفرض أي رسوم لكل وحدة على الإطلاق — بل يفرض تكلفته عبر العتاد الذي تملكه بالفعل، والطريقة الصادقة لتسعيره هي حساب مقدار ما يشغله من بطاقة وعدد المقاطع التي يمكنك تمريرها في الساعة.
يمكن قياس رقم الإشغال من المستودع. تبلغ نقطة حفظ BF16 19.54 GiB من ملفات الأوزان و10,488,603,384 معاملًا موزعة على 1,305 موترات — أي 10.49 مليار وليس تسعة، لأن "9B" في الاسم تشير إلى العمود الفقري اللغوي Qwen3.5-9B وليس إلى المكدس بالكامل. أما بناء AWQ W4A16 فيبلغ 12.86 GiB. وهذا خفض بنسبة 34% وليس 75% كما توحي وصفة رباعية البتات، والسبب ظاهر في ملفات بيان المُصدِّر: لا تُضغط سوى مصفوفات التغذية الأمامية الكثيفة، بينما يحتفظ برج الرؤية، ومُرمِّز الصوت القائم على Whisper، والتضمين، ورأس الإخراج، وكل أوزان الانتباه بدقتها الأصلية. وتبقى نحو 5.7 مليار معامل عند بايتين لكل منها، ما يضع حدًا أدنى لا يمكن لأي وصفة رباعية البتات النزول تحته. ومن يحدد حجم نشر اعتمادًا على الاسم سيكون مخطئًا بنحو 1.5 GiB وفئة دقة واحدة.
إذن، مقارنة التكلفة التي تهم فعلًا ليست دولارات مقابل دولارات. بل هي: استدعاء API واحد بتكلفة 0.20 دولار لكل ثانية من اللقطات النهائية، مقابل نموذج مقيم بحجم 13 إلى 20 GiB، وحزمة خدمة مُرقّعة، وأيًا كانت تكلفة ساعة GPU لديك. بالنسبة لفريق يشغّل الاستدلال بالفعل، قد يكون الخيار الثاني أرخص. أما بالنسبة لفريق يريد مقطعًا بحلول يوم الجمعة، فالأول هو الخيار الوحيد الموجود.
أين يقع 9B مقارنةً بـ 30B
المكان الوحيد WeMM-Video-9B الذي يقدّم فيه أرقامًا صلبة هو تقييم المؤلفين، والادعاء الرئيسي في الورقة يخص شقيقه الأكبر — أن نموذج 35B-A3B يسجّل أفضل أداء معروف مفتوح المصدر جديد في الفيديو متعدد الوسائط بالكامل ويقترب من Gemini-3.0-Flash. ويحصل نموذج 9B على ادعاء أكثر هدوءًا: أنه يتفوق على Qwen3-Omni-30B-A3B-Instruct، وهو نموذج يقارب ثلاثة أضعاف حجمه. في وضع Thinking، وعلى الجدول المشترك للصوت والصورة، فإنه يفعل ذلك.
• Video-MME مع الصوت — 85.1 لطراز 9B، و77.3 لـ Qwen3-Omni-30B-A3B-Instruct، و69.2 لـ MiniCPM-o-4.5-9B.
• Video-MME-v2 مع الصوت — 51.6 مقابل 36.3، بفارق 15.3 نقطة.
• الصفوف ذات الطابع الاستدلالي — SciVideoBench 64.2 مقابل 49.9، MMOU 71.7 مقابل 60.5، EvaOmni 50.7 مقابل 26.1، OmniReasoningBench 43.9 مقابل 24.1.
• حيث يتراجع — FutureOmni 53.7 مقابل 55.1، وJointAVBench تعادل عند 64.6.
المقارنة الأكثر إثارة للاهتمام هي مقارنة داخلية، وهي المقارنة التي لا يذكرها أحد ممن يقتبسون الورقة. شغّل 9B مقابل الطراز الرائد 35B-A3B على الصفوف الـ17 نفسها، والفجوة صغيرة: 85.1 مقابل 86.4 على Video-MME مع الصوت، و51.6 مقابل 54.9 على Video-MME-v2، و71.7 مقابل 74.5 على MMOU. وفي أحد الصفوف يفوز النموذج الأصغر فوزًا كاملًا — SVHalluc 86.8 مقابل 80.3. نموذج يحمل جزءًا صغيرًا من المعاملات النشطة للطراز الرائد يقع ضمن 1.3 نقطة على المعيار الرئيسي. هذه هي أقوى حجة في المستودع لصالح 9B تحديدًا، وهي حجة تتعلق بتكلفة النشر، لا بالقدرة.
كما أن طراز 9B ليس ترقية متجانسة على العمود الفقري الذي يرثه. وتُظهر مقارنته مع Qwen3.5-9B العادي في جدول الفيديو الصامت طرازًا مُضبوطًا نحو متى وأين حدث شيء ما، مقابل ثمن قابل للقياس في مواضع أخرى: F-16-NBA 88.7 مقابل 75.8، وTimeLens-QVHighlights 66.8 مقابل 64.3، وTOMATO 48.5 مقابل 45.0 — لكن MLVU 82.4 مقابل 84.4، وLVBench 68.2 مقابل 70.0، وVSI-Bench 54.5 مقابل 58.3، وMVBench 71.4 مقابل 74.4. إذا كانت مهمتك تلخيص الفيديو الطويل، فإن الآلية السمعية البصرية قد كلّفتك شيئًا كان العمود الفقري يؤدي أفضل منه.
ثماني ثوانٍ من التغطية، افتراضيًا
هنا يصبح النموذجان قابلين للمقارنة المباشرة، لأنه حدٌّ على المدة — والأرقام ليست متقاربة.
يولّد Wan 3.0 ما يصل إلى 30 ثانية في تشغيل واحد، أي ضعف الحد الأقصى البالغ 15 ثانية لدى Wan 2.7، مع أداة تمديد فيديو لتسلسل سرديات أطول. WeMM-Video-9B، كما يُشحَن، ينظر إلى ثمانية.
الفجوة ليست في نقطة التحقق. يعلن الطراز 9B عن 262,144 تضمينًا موضعيًا في إعداد النص الخاص به، وهي ميزانية كبيرة جدًا. إنها في الوصفات. يضبط المعالج افتراضيًا على 2 fps بحد أدنى أربع إطارات، وحد أقصى 128 إطارًا و100,663,296 بكسل إجمالًا، وأمر vLLM الذي تنشره Tencent يتجاوز هذه الأربعة جميعًا إلى 2 fps و16 إطارًا و262,144 بكسل. عند 2 fps، تعني ستة عشر إطارًا ثماني ثوانٍ من التغطية مأخوذة من منتصف المقطع. كما يمرر كل أمر خدمة في المستودع --max-model-len 8192 أو --context-length 8192، ولا شيء في المستودع يشرح كيفية الوصول إلى القيمة المعلنة الأكبر.
• ميزانية الإطارات — الإعداد الافتراضي المُشحَن هو 16 إطارًا بمعدل 2 إطار/ثانية، أي نحو 8 ثوانٍ، مقابل توليد فردي مدته 30 ثانية لدى Wan 3.0.
• تكلفة الصوت — تُصدر حزمة الصوت 10 رموز في الثانية، لذا فإن ميزانية قدرها 8,192 رمزًا تعادل نحو ثلاث عشرة دقيقة من الصوت ولا شيء غيره؛ أما المقطع الذي يحتوي على مسار صوتي فينفق هذه الميزانية نفسها على الإطارات والصوت معًا.
• وسائط لكل طلب — أربع صور ومقطعا فيديو وعنصران صوتيان، وفقًا للحدود المُضمّنة في وصفتي vLLM وSGLang.
لم ينشر أحد خارج WeChat Vision أي معلومات عمّا استخدمته جولات الاختبار المعياري من أسلوب معاينة. وإذا كنت تعيد إنتاج رقم من الجدول أعلاه، فهذا هو أول مجهول يجب تحديده، والافتراضي المضمَّن البالغ 16 إطارًا ليس نقطة البداية الصحيحة. لكن السقف حقيقي: لأي شيء أطول من لقطة واحدة، فإن 9B أداة فحص موضعي، وليس مراجعًا، ما لم ترفع حد الإطارات وتدفع ثمن ذلك في السياق.

الرقم الذي لم يقسه أحد بعد
تفصل بين هذا الطراز وأي توصية حاسمة ثلاثةُ حقائق، ويجدر ذكرها بصراحة بدلًا من طمرها.
الأول أن كل درجة أعلاه مُبلَّغ عنها من المورّد. لا يوجد تقييم مستقل لـWeMM-Video-9B في أي مكان — لا تصنيف Elo في الساحة، ولا إعادة إنتاج من طرف ثالث، ولا ظهور في لوحة صدارة. تأتي الجداول من المؤلفين أنفسهم الذين درّبوا النموذج، على أكثر من 120 معيارًا من اختيارهم هم، ويستخدم عدد من هذه المعايير مقيّمين مختلفين: يعتمد تقييم الورقة على GPT-6.1-Sol وGPT-4o وQwen3-235B-A22B بحسب المهمة. وعليه، فإن المقارنات بين النماذج داخل الورقة هي مقارنات بين أرقام أُنتجت تحت مقيّمين مختلفين، وهو تحفظ تذكره الورقة ويميل أي شخص يقتبس الجدول إلى إسقاطه.
الثاني هو انقسام في الوضع يجعل صفّين غير قابلين للمقارنة. يشغّل جدول الفيديو متعدد الوسائط الشامل نماذج WeMM في وضع Thinking؛ بينما يشغّلها جدول الصوت في وضع Instruct، بناءً على حكم المؤلفين بأن معايير الصوت القياسية مهام إدراكية مباشرة. هذا أمر يمكن الدفاع عنه، ويعني أيضًا أن صف WeMM في أحد الجدولين لا يمكن مقارنته بصف منافس في الجدول الآخر.
الثالث هو التوزيع. لا يُعدّ صفر التنزيلات دليلًا على الجودة في أي من الاتجاهين، لكنه يعني أنه لا توجد مجموعة من تقارير الممارسين — لا أنماط فشل، ولا عبارة "إنه يهلوس في فيديوهات الموسيقى"، ولا سلسلة من الأشخاص الذين يكتشفون حد الإطارات بالطريقة الصعبة. لقد حظي Wan 3.0 بثمانية وثمانين يومًا من ذلك، إضافةً إلى تكاملات الإطلاق في ComfyUI وLeonardo.Ai وEnvato. وفي مسألة "ما الذي يخطئ فعليًا في الإنتاج"، أحد هذين النموذجين لديه إجابة والآخر لديه مستودع.

تشغيل الزوجين اليوم
إذا كنت تريد كليهما، فسيتم تثبيتهما بطرق مختلفة تمامًا، ولا يوجد أيٌّ منهما على منصة توجيه.
Wan 3.0 هو استدعاء API محاسَب. يمكن الوصول إليه عبر لوحات تحكم Alibaba الخاصة وعبر أدوات إبداعية تابعة لجهات خارجية، وهو يفرض رسومًا لكل ثانية بواقع 0.3 و0.6 و1.2 يوان لدقات 480p و720p و1080p، والسؤال الحقيقي الوحيد في الشراء هو ما الدقة التي تحتاجها خطوة المراجعة لديك، لأنها هي المضاعف.
WeMM-Video-9B هي مهمة استضافة ذاتية. تحتاج إلى Python 3.12، ووحدة GPU من NVIDIA على مشغّل CUDA 12.9، وFFmpeg ومكتبات TorchCodec المشتركة، ثم رقعة وقت التشغيل الخاصة بالمستودع: vLLM 0.18.0 المُرقع، أو 0.31.0 لـ BF16، أو SGLang 0.5.16 أو 0.5.19 المُرقع، مثبتة على التوليفة الدقيقة من PyTorch وTransformers وCUDA التي يحددها بيان الرقعة لإصدار محركك. يتطلب التحميل إضافةً إلى ذلك trust_remote_code، لأن النموذج يتضمن كود نمذجة ومعالجًا مخصصين. تحققت Tencent من أن vLLM المُرقع يحمّل نقطة التحقق ويكمل فحوصات التوليد للنص والصورة والصوت والفيديو مع مسار صوتي على H20، وهذا تحقق من التحميل والتشغيل وليس ادعاءً بالدقة. يحتاج مسار GGUF إلى وقت تشغيل أصلي مبني من المصدر.
لا يقدّم OrcaRouter WeMM-Video-9B، ولا يُدرج كتالوجه أي نقطة تحقق WeMM على الإطلاق، لذا لا يوجد سعر مُستضاف لذكره ولا نقطة نهاية لاستدعائها. ما تحمله المنصة هو النصف البصري من المهمة نفسها — Qwen3-VL-8B-Thinking وQwen3-VL-235B-A22B-Thinking كلاهما يستقبل الصور وإطارات الفيديو — خلف مفتاح واحد متوافق مع OpenAI إلى جانب أكثر من 200 نموذج آخر، ويُفوتر بسعر قائمة المزوّد المُمرَّر عند هامش ربح 0%. لا يسمع أيٌّ منهما شيئًا، لذا لا يُغني أيٌّ منهما عن النصف السمعي-البصري. إذا كانت الخطة هي تجربة نموذج 9B مُستضاف ذاتيًا دون وضع مسار إنتاج عليه، فإن توجيهه خلف قاعدة تجاوز الفشل هو الطريقة الرخيصة لمعرفة ما إذا كان وقت التشغيل المُرقّع يصمد عند مستوى التزامن لديك قبل أن تخصص له بطاقة رسوميات.
الاقتران نفسه سير عمل، لا معيار تقييم. ولّد باستخدام Wan 3.0، ثم مرّر المقطع إلى نموذج يعيد وصفًا نصيًا بدلًا من البكسلات: هل يطابق المشهد التوجيه، هل الكلام مفهوم، هل يتزامن الصوت مع الحركة. لا شيء هنا يقيس ما إذا كان WeMM-Video-9B بارعًا في تلك المهمة مقابل مخرجات Wan 3.0 نفسها على وجه التحديد — فلم يُشغّله أحد. ميزانية الثماني ثوانٍ للإطارات هي القيد الذي يجب اختباره أولًا، لأنه إذا كانت مقاطعك بطول ثلاثين ثانية، فسيطّلع المراجع على ربع كل مقطع منها.
ما الذي سيغيّر الإجابة؟
ثلاثة أمور قابلة للتأريخ، مرتبة حسب مقدار ما قد تؤثر به على التوصية.
نتيجة مستقلة لـ WeMM-Video-9B. من شأن إدخال واحد في Artificial Analysis، أو نتيجة واحدة من ساحة تقييم من طرف لا يتشارك مع المؤلفين في جهة العمل، أن يحوّل الجدول أعلاه من ادعاء إلى قياس. وحتى ذلك الحين، فإن القراءة الصادقة هي أن نقطة تحقق بحجم 10.49B ذات عمود فقري بحجم 9B تسجّل نتيجة قريبة من نتيجة طرازها الرائد 35B-A3B على معايير Tencent الخاصة بها، وهذا كل ما يمكن قوله.
نقطة نهاية مستضافة. يحتاج النموذج إلى بيئة تشغيل مُرقّعة، وتعليمات برمجية مخصصة، وبصمة مقيمة في الذاكرة تتراوح بين 13 و20 GiB؛ وفي اليوم الذي يوفّر فيه مزوّد ما هذا النموذج خلف API، تتوقف مقارنة الأسعار في هذه المقالة عن كونها خطأً في التصنيف وتصبح عملية حسابية.
وصفة تستخدم السياق المُعلن. نقطة التحقق تدّعي بالفعل 262,144 موضعًا. إذا أطلقت Tencent ملف تعريف خدمة يرفع سقف الإطار ويستغله فعليًا، فإن الافتراضي البالغ ثماني ثوانٍ يصبح تفصيلًا في الإعدادات بدلًا من سقف — ويتوقف نموذج 9B عن كونه مدققًا عيّنيًا للقطات القصيرة.
في الوقت الحالي، التقسيم واضح. اختر Wan 3.0 عندما تحتاج إلى لقطات؛ فقد أُطلق، وسُعّر، ويتصدّر لوحتين مستقلتين، وهو الوحيد من بين الاثنين الذي يمكنك استدعاؤه هذا العصر. اختر WeMM-Video-9B عندما تحتاج إلى نموذج يسمع المسار الصوتي بقدر ما يرى الإطارات، ويكون لديك بطاقة إضافية، وتكون مستعدًا لتكون أول من يكتشف ما إذا كانت وصفة الثماني ثوانٍ إعدادًا افتراضيًا أم حدًا أقصى. الاثنان لا يتنافسان على القرار نفسه.
مقارنات في هذه المقالة2
مستخرج من هذه المقالة · المعايير: Artificial Analysis · يُحدَّث يوميًا
