
WeMM-Video-4B vs. FastFrames-Videogenerierung: Eine stille Naht
- 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 · 356 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 · 147 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 · 92 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 · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 117 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
FastFrames Video Generation erschien am 16. November 2026 und WeMM-Video-4B am 17. November, beide als Modellgewichts-Downloads mit angehängtem Paper, und keines mit einem Launch-Post, der den Namen verdient. Diese zeitliche Koinzidenz ist der einzige Grund, sie gegeneinander zu lesen, denn sie leisten nicht dasselbe: FastFrames verwandelt einen Satz in 81 Frames stilles Video, und WeMM-Video-4B verwandelt Video in eine Beschreibung, einschließlich einer Beschreibung dessen, was darüber gesprochen wird. Die interessante Frage ist nicht, welches besser ist. Sondern was passiert, wenn man eines hinter das andere schaltet – und die Antwort ist, dass die Naht zwischen ihnen stumm ist, was den teuersten Teil des WeMM-Checkpoints stillschweigend deaktiviert.
Alles Folgende ist entweder in den beiden Repositories messbar oder wird von den Autoren der beiden Papers berichtet. Keines der beiden Modelle wurde von jemandem ausgeführt, der nicht seinen Evaluierungsabschnitt geschrieben hat, und keines hat einen Preis für eine gehostete Variante, einen Arena-Eintrag oder eine Reproduktion durch Dritte. Wenn eine Zahl aus einer Anbietertabelle stammt, ist sie als solche gekennzeichnet.
Was FastFrames auf der Festplatte speichert
FastFrames ist ein autoregressives Videodiffusionsmodell, destilliert aus Wan2.1, veröffentlicht von Apple und Cornell als arXiv 2611.23226 am 17. November, wobei die Gewichte einen Tag früher erscheinen. Es kommt in zwei Größen – FastFrames-S mit 1,3 Milliarden Parametern und FastFrames-L mit 14 Milliarden – und der Ansatz setzt auf Latenz statt Detailtreue. Auf einer einzelnen B200 erzeugt das kleine Modell ein Bild in 36 Millisekunden, was schneller ist, als der Clip abgespielt wird: Eine 5,06-sekündige Generierung dauert etwa 2,9 Sekunden. Das große Modell schafft 45 Millisekunden pro Bild verteilt auf acht B200s und fällt auf einer GPU auf 158 Millisekunden ab, was langsamer als Echtzeit ist. Apple berichtet außerdem von einem Aufschlag von 25 bis 50 Prozent auf H100s statt B200s.
Das Ausgabeformat ist fest und eng. 832×480, 16 Bilder pro Sekunde, 81 Bilder pro Generierung – etwas mehr als fünf Sekunden – allein durch einen Text-Prompt gesteuert. Es gibt keine Bildkonditionierung, keine Keyframe-Eingabe, keinen Fortsetzungsmodus und keine Kamerasteuerung in der veröffentlichten Konfiguration. Auch Audio gibt es nicht: keinen Audio-Decoder, kein Audio-Latent, keine Tonspur. Die Autoren berichten von VBench-Gesamtwerten von 84,23 für das kleine Modell und 84,44 für das große Modell bei 480p mit übereinstimmenden Prompts und Seeds, was für ein Modell, dessen Verkaufsargument seine Geschwindigkeit ist, ein respektabler Wert ist – und es ist die einzige Qualitätskennzahl in der Veröffentlichung.
Wohin 1,07 Milliarden Parameter gehen
WeMM-Video-4B ist das mittlere Kind einer Familie mit vier Größen aus der WeChat-Vision-Gruppe von Tencent – 2B, 4B, 9B dense und ein 35B-A3B Mixture of Experts –, die alle innerhalb eines Zeitfensters von neunzehn Minuten am 17. November hochgeladen wurden, wobei der technische Bericht arXiv 2611.26409 am 19. November folgte. Der Name untertreibt: Die safetensors-Metadaten verzeichnen 5.611.746.312 Parameter bzw. 10,45 GiB in BF16, weil sich „4B“ auf das Sprach-Backbone Qwen3.5-4B und nicht auf den Checkpoint bezieht.
Ein Blick in den Tensorindex erklärt, warum. Von 1.268 Tensoren entfallen 4,21 Milliarden Parameter auf das Sprachmodell, 0,33 Milliarden auf den Vision-Tower und 1,07 Milliarden auf den Audio-Stack. Fast ein Fünftel dieses Checkpoints ist ein Whisper-artiger Encoder-Decoder — 32 Encoder- und 32 Decoder-Schichten mit einer Breite von 1.280, mit einem fensterbasierten Q-Former, der 0,1-Sekunden-Fenster zu 10 Audio-Tokens pro Sekunde komprimiert, wobei die Eingabe mit 16 kHz in 30-Sekunden-Blöcken erfolgt. Dieser Stack wird aus Qwen2.5-Omni initialisiert.

• FastFrames Videogenerierung — Text rein, Frames raus, kein Ton irgendwo in der Pipeline.
• WeMM-Video-4B — Bilder und Ton rein, Text raus, wobei der Ton von einem eigenen 1,07B-Tower verarbeitet statt aus Pixeln abgeleitet wird.
• Überschneidung — keine auf Modellebene. Beide sind Apache- oder Apple-lizenzierte Gewichtsbündel ohne dahinterstehenden Endpunkt, und beide gehen davon aus, dass Sie den Beschleuniger selbst betreiben.
Der einzige Clip, den FastFrames erstellt, ist stumm.
Denkt man das zu Ende, wird das Kompositionsproblem konkret. Wenn du WeMM-Video-4B hinter FastFrames Video Generation schaltest – einen Shot rendern und ihn dann beschreiben, um ihn indexieren, filtern oder einer QA unterziehen zu können –, hat jeder Clip, den du dem Beschreiber übergibst, keine Audiospur. Der Audio-Tower mit 1,07 Milliarden Parametern hat nichts, dem er zuhören könnte. Der Q-Former gibt nichts aus, und die Fusionsstufe reduziert sich auf den Vision-Pfad.
Das ist kein Defekt in einem der beiden Modelle; es ist eine Tatsache über die Pipeline, und sie hat eine messbare Konsequenz, denn das WeMM-Paper berichtet Stummvideo-Benchmarks separat. Allein auf Vision erzielt WeMM-Video-4B 75,7 auf Video-MME, 65,3 auf LVBench, 74,8 auf LongVideoBench und 74,2 auf EgoSchema. Seine gemeinsamen audiovisuellen Werte – 83,9 auf Video-MME mit Audio, 82,5 auf Daily-Omni – sind diejenigen, die die Dateigröße rechtfertigen, und genau diejenigen, die eine mit FastFrames gespeiste Pipeline nicht erreichen kann.
Die ehrliche Einordnung dieser Kombination ist, dass FastFrames etwa 80 Prozent des WeMM-Checkpoints nutzt. Wenn Ihr Ziel eine Captioning-Schleife über generiertes Filmmaterial ist, würde ein reines Vision-Modell halber Größe dieselbe Arbeit leisten; wenn Ihr Ziel ist, Filmmaterial mit Ton zu verstehen, kann FastFrames die Eingabe nicht liefern. Die beiden Tools treffen sich an einem Punkt, an dem eines von ihnen zur Hälfte untätig ist.

Zwei Geschwindigkeitsangaben, keine gemeinsamen Einheiten
Beide Releases beginnen mit einer Latenzangabe, und diese Angaben sind nicht vergleichbar – das ist die häufigste Art und Weise, wie dieser Vergleich im Internet verfälscht wird.
FastFrames' 36 Millisekunden gelten pro Ausgabeframe auf einem B200, gemessen gegen die Wiedergabe. WeMM-Video-4B erzeugt keine Frames; seine Kosten sind die Kosten für das Dekodieren von Text über ein gedeckeltes Medienbudget. Dieses Budget ist enger, als die Prozessor-Standardwerte vermuten lassen. Das vLLM-Rezept im Repository setzt max_frames 16 gegenüber einem Prozessor-Standardwert von 128, fps 2 sowie eine Gesamtpixel-Obergrenze von 262.144 bei einer Kontextlänge von 8.192 Tokens. Audio verbraucht 10 Tokens pro Sekunde, bevor auch nur ein einzelnes Frame gezählt wird.
Die praktische Lesart: Ein 20-Sekunden-Clip und ein 5-Sekunden-Clip erreichen den Beschreiber beide als sechzehn Frames, und ein Clip mit Tonspur verbraucht seinen Kontext für zwei Streams gleichzeitig. FastFrames liefert Bewegung bei 16 Frames pro Sekunde Ausgabe; WeMM-Video-4B sieht eine Diashow und schließt auf die Bewegung. Keine der beiden Zahlen sagt etwas über die andere aus, und eine Seite, die „36 ms“ neben „8K context“ stellt, vergleicht ein Render-Budget mit einem Lese-Budget.

Hier entscheiden Lizenzen mehr als Punkte.
Für einen Vergleich, der derart dünn mit unabhängigen Belegen ausgestattet ist, hat die Lizenzzeile mehr Entscheidungsgewicht als jeder Benchmark in einem der beiden Paper, und die beiden liegen an entgegengesetzten Enden des Spektrums.
• FastFrames-Videogenerierung — Apples AMLR-Bedingungen für die Gewichte, mit den Demo-Komponenten von LingBot-World v2 unter CC BY-NC-SA 4.0. Das „NC“ ist die entscheidende Einschränkung: offene Gewichte, aber nicht für die kommerzielle Nutzung offen.
• WeMM-Video-4B — Apache 2.0 für die gesamte Sammlung, mit einer Tencent-Lizenzdatei, die besagt, dass Drittanbieterkomponenten „weiterhin ihren jeweiligen ursprünglichen Bedingungen unterliegen“. Die Ausnahmeregelung ist nicht einzeln aufgeführt, was – da der Audio-Stack von Qwen2.5-Omni und das Backbone von Qwen3.5 abstammen, beide Apache 2.0 – eine echte Lücke und keine Formsache ist.
• Beide — vollständige Checkpoints aller Trainingsphasen und eine Evaluationspipeline im Repository, was für Veröffentlichungen dieser Art ungewöhnlich reproduzierbar ist und der bestmögliche Ersatz für die unabhängige Evaluierung ist, die keiner von beiden hat.
Einen Describer hinter einem Renderer verdrahten
Wenn man die Schleife ohnehin baut, ist die technische Frage, wo das Textmodell anzusiedeln ist, denn es gibt drei Text-Hops, und nur einer davon ist optional.
• Prompt-Erweiterung — aus einer Shot-Notiz wird ein FastFrames-Prompt. Notwendig, denn ein destilliertes 1,3B-Diffusionsmodell hat keinen Spielraum, eine vage Anweisung zu interpretieren.
• Beschreibung — der gerenderte Clip geht an WeMM-Video-4B und kommt als Prosa zurück, und genau dieser Schritt macht das Filmmaterial durchsuchbar.
• Auswahl — die Prosa entscheidet, ob der Clip behalten wird; das ist der Schritt, der günstig sein muss, weil man dafür bei jedem Kandidaten zahlt und nicht nur bei jedem, der übrig bleibt.
Diese beiden äußeren Hops sind gewöhnliche Text-Completions, und genau das ist der Teil dieses Stacks, den OrcaRouter tatsächlich abdeckt: ein OpenAI-kompatibler Schlüssel über mehr als 200 Modelle hinweg, die Listenpreise der Anbieter ohne Aufschlag weitergegeben, sodass eine Preisänderung eines Anbieters noch am selben Tag ankommt, und automatisches Failover, sodass ein Rate Limit mitten in einem Batch mit tausend Clips zu einem Retry statt zu einer Lücke wird. Weder FastFrames Video Generation noch WeMM-Video-4B sind auf der Plattform – bei beiden handelt es sich um Weight-Downloads, und keine Routing-Schicht verwandelt einen Checkpoint in einen Endpoint. Was der Router beseitigt, ist die Integrationsarbeit rund um die beiden Modelle, die du selbst hostest.
Was ist noch unbestätigt
• Unabhängige Qualität — keine Artificial-Analysis-Zeile, kein Arena-Eintrag, keine Reproduktion durch Dritte für beide Modelle. VBench 84.44 und Video-MME 83.9 sind von den Autoren angegeben und wurden von niemand anderem durchgeführt.
• Evaluierungsbedingungen — das WeMM-Papier nennt weder die Anzahl der Frames noch das Pixelbudget oder die Kontextlänge, die für seine Video-Benchmarks verwendet wurden, und das mitgelieferte Rezept verwendet 16 Frames, während der Prozessor standardmäßig 128 annimmt. Diese Diskrepanz ist groß genug, um bei den Langvideo-Zeilen ins Gewicht zu fallen.
• Preis — keines von beiden hat einen. Kein gehosteter Endpoint, kein Sekundentarif, keine Partnerliste. Die Kosten sind die GPU, die Sie besitzen, plus das gepatchte vLLM- oder SGLang-Overlay, das das WeMM-Repository erfordert, da keine der beiden Engines die Architektur upstream unterstützt.
• Kommerzielle Nutzbarkeit auf der Apple-Seite — AMLR plus eine nichtkommerzielle Demo-Lizenz bedeutet, dass der Renderer, nicht der Describer, der Teil dieser Pipeline ist, den eine rechtliche Prüfung stoppen wird.
Die Frage, die eine auswählt
Fragen Sie, was Ihr Artefakt ist. Wenn es eine Datei ist, kann nur FastFrames sie erzeugen, und Sie planen mit 480p, fünf Sekunden, Stille und einer nichtkommerziellen Lizenz. Wenn es eine Behauptung über Filmmaterial ist, das Sie bereits haben – was geschieht, wer spricht, was hörbar ist –, kann nur WeMM-Video-4B sie erzeugen, und Sie planen mit sechzehn abgetasteten Einzelbildern und achttausend Token.
Wenn beides der Fall ist, baust du ein Zwei-Modell-System, dessen Nahtstelle stumm ist, und die günstigste korrekte Version dieses Systems verwendet keinen 5,61-Milliarden-Parameter-Omni-Checkpoint, um stumme Ausgabe zu beschriften. Verwende ein Vision-Modell für die gerenderten Clips und behalte WeMM-Video-4B für Quellmaterial mit Ton. Das ist eine weniger elegante Architektur als ein einziges Modell für alles, und es ist die, die von den Zahlen gestützt wird.
Was keine der beiden Veröffentlichungen bislang liefert, ist genau das, was die Sache entscheiden würde: einen Durchlauf von jemandem, der das Paper nicht geschrieben hat. Zwei Labs lieferten in derselben Woche ernstzunehmende Videoarbeit ohne Ankündigung – was für November 2026 die interessantere Tatsache ist als jede einzelne Benchmark-Zelle.
