
WeMM-Video-35B-A3B vs. Alibaba Wan 2.7: 22.754 Stimmen gegenüber null
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 182 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 364 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 148 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
There is exactly one number in this comparison that a third party produced, and it belongs to Alibaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.
What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what Tencent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.
Die einzige Drittanbieter-Nummer hier
Die Bearbeitungszeile von Wan 2.7 wird ungewöhnlich gut gestützt. Zweiundzwanzigtausend Stimmen sind keine Leaderboard-Stichprobe, die man als Rauschen abtun kann; das ±8-Intervall bedeutet, dass die Position auf dem neunten Platz gegenüber allem darunter stabil ist, und der für die Zeile angegebene Veröffentlichungsmonat ist April 2026, die Stimmen hatten also sieben Monate, um sich anzusammeln.
Dieselbe Familie erscheint noch zweimal auf den Tafeln, und die drei Zeilen stimmen nicht miteinander überein, was für sich genommen aufschlussreich ist:
• AA-Video-Editing v1.1 — 9. Platz, Elo 1.074 ±8, 22.754 Stichproben, April 2026, 16,90 US-Dollar pro Minute.
• AA-Video-T2V v2.1 — gelistet als Wan2.7-260612, auf Platz 20, Elo 1.035 ±13, 6.965 Stichproben, Juni 2026, 9,00 $ pro Minute. Derselbe Anbieter, eine andere Aufgabe, ein Drittel der Stichprobenzahl und ein Preis, der 47 % niedriger liegt als der Bearbeitungstarif.
• AA-Video-I2V v2.1 – keine Zeile. Wan 3.0 steht auf dieser Rangliste mit 1.109 auf Platz zwölf; Wan 2.7 nicht. Die Suite bewirbt die Bild-zu-Video-Funktion, daher ist dies eine Lücke in der Arena und keine Produktlücke, aber es bedeutet, dass das Modell nie für die Aufgabe bewertet wurde, zu der die meisten Leute zuerst greifen würden.

Liest man die drei zusammen, lautet die ehrliche Zusammenfassung, dass Wan 2.7 ein maßvolles Mittelfeld-Videomodell mit einer wirklich starken Evidenzbasis (Bearbeitung), einer dünneren (Text-zu-Video) und einer leeren Zelle ist. Das ist immer noch deutlich mehr externe Evidenz, als die andere Seite dieses Vergleichs hat.
What Alibaba is selling, and at what rate
Wan 2.7 ist ein Produkt mit vier Modi: Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Videobearbeitung. Die dokumentierten Steuerungsmöglichkeiten sind die Konditionierung mit erstem und letztem Keyframe, bis zu fünf Subjektbilder plus fünf Referenzclips, Ausgabe von 720p bis 1080p, native Audioausgabe und Clips von zwei bis fünfzehn Sekunden. Die Abrechnung erfolgt sekundengenau zum Tarif der Preisliste. Dadurch sind die Kosten für eine fünfzehnsekündige 1080p-Generierung bereits vor dem Start berechenbar und nicht ein Guthaben, das Sie erst hinterher entdecken.
The awkward fact for anyone budgeting on Wan 2.7 today is that Alibaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best Alibaba can do against the best Tencent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.
Der Checkpoint, der heute Morgen eingetroffen ist
Die Veröffentlichung von WeMM-Video-35B-A3B ist auf eine Weise nachvollziehbar, wie es bei den meisten stillen Veröffentlichungen nicht der Fall ist, denn Hugging Face versieht die gesamte Abfolge mit Zeitstempeln. Das Repository erschien am 17. November um 08:53:50 UTC und enthielt nichts außer einem gitattributes-Stub. Der arXiv-Bericht 2611.26409 wurde am 19. November um 16:58 UTC eingereicht und bereits einmal überarbeitet, am 20. November um 06:15 UTC. Der Commit für die BF16-Gewichte ist auf 2026-11-20T03:57:36Z datiert. Das GitHub-Repository Tencent/WeMM-Video wurde am 17. November um 02:29 UTC erstellt, hat neun Sterne, null Forks und null veröffentlichte Releases und wurde heute Morgen um 06:34 UTC noch immer in seiner README bearbeitet.
Das Paper kam also rund elf Stunden vor den Tensoren, und die Model Card wird zum Zeitpunkt dieses Schreibens noch immer überarbeitet. Diese Reihenfolge ist die Geschichte. Es gab keinen Launch-Post, keine Preisseite, keinen gehosteten Endpoint, keine Pressemitteilung und keinen Ankündigungsaccount – nichts von dem, was ein Anbieter normalerweise tut, wenn er möchte, dass ein Modell bemerkt wird.
Was das Repository tatsächlich enthält, ist konkret:
• Größe — 36.177.564.536 Parameter, BF16, verteilt auf siebzehn Safetensors-Shards mit insgesamt 67,39 GiB. Das Label „35B-A3B“ zählt etwas anderes als die Dateigröße; die Diskrepanz wird weiter unten beschrieben.
• Der FP8-Build ist tatsächlich zurückgekommen.Als das Paper veröffentlicht wurde, antwortete das FP8-Block128-Repository, auf das die Karte verlinkt, mit 401 — dieselbe Antwort, die der Hub für einen Namen gibt, der nie existiert hat. Jetzt löst es sich auf: 36,09 GiB in einer einzigen safetensors-Datei, committet um 05:53:01 UTC, zwei Stunden nach dem BF16-Upload, mit 33,6B Parametern in E4M3 und 2,56B verbleibend in BF16. Was auch immer am 19. November um 16:58 UTC vor sich ging – das Release war nicht abgeschlossen.
• Drei weitere quantisierte Varianten — AWQ W4A16 mit 22,72 GiB auf 52 Shards pro Schicht, NVFP4 W4A16 mit 24,11 GiB in einer Datei und ein GGUF-Q4_K_M-Bundle mit 25,46 GiB, aufgeteilt in eine Sprachdatei mit 22,61 GiB, einen Projektor mit 0,84 GiB und einen Audio-Encoder mit 1,99 GiB. Zwei dieser drei bezeichnen sich in ihren eigenen Manifesten als unvalidiert. Die NVFP4-Variante gibt nur an, dass die Gewichte auf der CPU erneut gelesen wurden, was eine Prüfsumme und keine Evaluierung ist.
• Laufzeitumgebungen — hier läuft nichts auf einer Standard-Engine. Das Repository liefert Quellcode-Overlays mit SHA-256-Manifesten für genau vier Upstream-Releases: vLLM 0.18.0 und 0.31.0, SGLang 0.5.16 und 0.5.19. Jeder veröffentlichte Serving-Befehl übergibt einen Kontext von 8.192 Tokens, Tensor-Parallelität über zwei GPUs und eine Medien-Pipeline, die auf 16 Frames und 262.144 Pixel begrenzt ist. Eine Suche im vLLM-Issue-Tracker findet keine Upstream-Anfrage für diese Architektur.

What Tencent measured, and against whom
Jede Qualitätskennzahl zu WeMM-Video-35B-A3B stammt vom Team, das es trainiert hat. Das Paper sagt es selbst – „wir berichten offizielle Ergebnisse, wo verfügbar, und ansonsten unsere eigenen Evaluierungen“ – und die eine Zahl auf der Karte, deren Bedingungen vollständig angegeben sind, ist nicht einmal ein Videoergebnis: MMAR1000, nur Audio, mit 16 kHz dekodiert, Greedy-Decoding, zwei H20s. Der Rest der Karte dokumentiert das Laden des Checkpoints. Gemessen an 22.754 Stimmen ist das eine andere Kategorie von Belegen und sollte auch als solche gelesen werden.
The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which Tencent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.
Die beiden Niederlagen weisen in die entgegengesetzte Richtung und verdienen es, wiederholt zu werden: JointAVBench mit 65,9 hinter Qwens 69,0 und MUSIC-AVQA mit 79,5 hinter Qwens 82,1. Beide sind audio-lastig. Ein größerer Checkpoint gewinnt nicht überall, und die Stellen, an denen er nicht gewinnt, sind die Stellen, an denen Qwens Audio-Stack länger Zeit hatte, zu reifen.
Nichts davon wurde reproduziert. Weder Artificial Analysis noch LMArena führt ein WeMM-Modell in irgendeiner Größe auf, und die drei Likes im Repository sind kein Peer-Review. Wenn Sie zwischen diesen beiden Modellen wählen, um eine Aufgabe zu erledigen, vergleichen Sie 22.754 Stimmen mit einer von den Autoren unterzeichneten Tabelle.
Beide nehmen Video auf, nur eines gibt es zurück.
Der strukturelle Unterschied ist leicht zu benennen und kaum zu überschätzen. Wan 2.7 akzeptiert Text, Bilder, Referenzclips und Video und gibt Video zurück. WeMM-Video-35B-A3B akzeptiert Text, Bilder, Audio und Video samt Tonspur und gibt Text zurück. Wan 2.7s Bearbeitungsmodus kommt der anderen Seite am nächsten – er nimmt Filmmaterial entgegen und gibt Filmmaterial zurück –, aber die Ausgabe besteht weiterhin aus Pixeln, und es gibt keine Einstellung, die ihn beschreiben lässt, was er bearbeitet hat.
Die Obergrenzen auf jeder Seite begrenzen die Pipeline, die du bauen kannst:
• Die Obergrenze von Wan 2.7 ist die Dauer. Zwei bis fünfzehn Sekunden pro Generierung, 720p bis 1080p, Abrechnung pro Sekunde. Ein fünfzehnsekündiger Clip kostet zum Bearbeitungstarif etwa 4,23 US-Dollar, bevor eventuelle Wiederholungen hinzukommen.
• Die Obergrenze von WeMM-Video-35B-A3B sind Kontext und Sampling. Der Prozessor verwendet standardmäßig zwei Frames pro Sekunde, mindestens vier Frames, höchstens sechzehn und ein Gesamtbudget von 262.144 Pixeln – bei der ausgelieferten Konfiguration etwa acht Sekunden Abdeckung. Die Serving-Befehle begrenzen den Kontext auf 8.192 Tokens und erlauben vier Bilder, zwei Videos und zwei Audioclips pro Anfrage. Bei zehn Audio-Tokens pro Sekunde entspricht dieser Kontext etwa dreizehn Minuten Audio, wenn man ihn ausschließlich für Ton verwendet.
• Die Diskrepanz.Wan 2.7 kann fünfzehn Sekunden Filmmaterial erzeugen; das ausgelieferte WeMM-Rezept betrachtet acht. Wenn Ihre Pipeline einen Clip rendert und dann ein Modell fragt, was darin passiert ist, erfasst der Beschreiber in der vorgegebenen Konfiguration etwa die Hälfte der Ausgabe. Das ist eine Konfiguration, die Sie bewusst ändern müssen, keine Grenze der Architektur – der Standardwert des Prozessors selbst erlaubt 128 Frames.
Zwei Anbieter, ein Modell, ein Schlüssel
Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through Alibaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.
What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone Tencent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.
Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when Alibaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

Welche Zahl wählst du eigentlich?
Wenn das Ergebnis Filmmaterial ist, ist Wan 2.7 der einzige der beiden, der es erzeugt, und die Entscheidung läuft darauf hinaus, ob 16,90 $ pro Minute für die Bearbeitung oder 9,00 $ pro Minute für Text-to-Video gegenüber einem Leaderboard vertretbar sind, auf dem der aktuelle Marktführer 12,00 $ verlangt und in beiden Aufgaben besser abschneidet. Neunte und zwanzigste Plätze sind respektable Mittelfeldpositionen. Sie sind kein Grund, zur vorherigen Generation zu greifen.
Wenn das Ergebnis eine Aussage über Filmmaterial ist, das Sie bereits besitzen, ist WeMM-Video-35B-A3B das einzige der beiden, das sie liefert, und die Entscheidung reduziert sich darauf, ob Sie eine gepatchte Inferenz-Engine, einen Download von 67,39 GiB oder einen FP8-Download von 36,09 GiB, zwei GPUs für Tensor-Parallelität und ein achtsekündiges Sampling-Fenster stemmen können — um einen Beschreiber der 36B-Klasse zu erhalten, dessen audiovisuelle Kennzahlen stark und vollständig aus eigener Quelle sind.
Die Falle besteht darin, „Elo 1.074 bei 22.754 Stimmen“ und „86,4 auf Video-MME mit Audio“ als vergleichbar zu behandeln. Das eine ist eine Crowd-Messung eines Dienstes, den jeder aufrufen kann. Das andere ist eine Herstellertabelle über einen Checkpoint, in dem bis heute Morgen keine Gewichte steckten. Beides ist lesenswert. Nur eines davon ist ein Beweis.
