Titelkarte mit der Aufschrift „WeMM-Video-4B vs FLUX 3 Video“ und dem Untertitel „Clip ansehen oder einen erstellen“, zwei durch eine VS-Scheibe getrennte Panels, links mit dem Badge „offene Gewichte“ und der Angabe 0,00 $ pro Minute, 5,61 Mrd. Parameter und 8.192-Token-Kontext, rechts mit dem Badge „nach Verbrauch“ und der Angabe 17,40 $ pro Minute, bis zu 20 Sekunden und Platz 10 auf AA-Video-T2V v2.1, mit einer Fußzeile „Zahlen von Artificial Analysis, Stand 20. November 2026.“
Guides & Insights

WeMM-Video-4B vs. FLUX 3 Video: Den Clip lesen oder einen erstellen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Der schnellste Weg, einen Nachmittag zu verschwenden, ist der Vergleich von WeMM-Video-4B mit FLUX 3 Video in Bezug auf die Qualität. Einer von beiden hat eine Zahl, der andere nicht, und die Zahl ist kein Qualitätswert – sie ist ein Preis. FLUX 3 Video von Black Forest Labs wurde am 4. August 2026 allgemein verfügbar, mit einem veröffentlichten Minutenpreis und Einträgen auf beiden Videobestenlisten von Artificial Analysis. WeMM-Video-4B aus der WeChat-Vision-Gruppe von Tencent erschien am 17. November 2026 als zehneinhalb Gigabyte Apache-2.0-Gewichte ohne Endpunkt, ohne Preis und ganz ohne Eintrag in einer Bestenliste. Die Wahl besteht zwischen einem abgerechneten Generator und einem kostenlosen Beschreiber, und der ehrliche Vergleich dreht sich darum, welches dieser beiden Dinge in Ihrer Pipeline fehlt.

Der Rest dieses Beitrags hält drei Arten von Fakten auseinander: was die Repositories und die beiden Boards angeben, was die Anbieter in ihren eigenen Papers und ihrer Dokumentation behaupten, und was niemand außerhalb der beiden Labore verifiziert hat. Stand 20. November 2026 macht diese dritte Kategorie den Großteil des interessanten Materials aus.

Der eine ist in zwei Gremien, der andere in keinem.

Artificial Analysis bewertet FLUX 3 Video zweimal, und die beiden Bewertungen liegen auf getrennten Skalen, sodass sich keine auf die andere übertragen lässt.

• AA-Video-T2V v2.1 — FLUX 3 Video auf Platz 10, Elo 1.137 ±13 bei 7.406 Stimmen, gelistet mit 17,40 $ pro Minute. Das größere FLUX 3 Video Max liegt auf Platz 7 mit 1.151 ±14 bei 4.708 Stimmen zu 8,70 $ pro Minute, was der ungewöhnliche Fall ist, dass das größere Modell auf der Rangliste das günstigere ist.

• AA-Video-I2V v2.1 — FLUX 3 Video liegt mit 1.069 ±14 bei 6.838 Stimmen auf Platz 16, zum gleichen Preis von 17,40 $. FLUX 3 Video Max belegt mit 1.068 ±14 bei 6.848 Stimmen Platz 17 für 8,70 $.

• WeMM-Video-4B — auf keinem der beiden Boards eine Zeile und keine Zeile auf dem Video-Editing-Board. Es handelt sich nicht um eine fehlende Messung; es ist nicht eintragbar. Die AA-Video-Boards bewerten generiertes Videomaterial, und WeMM-Video-4B generiert keines.

Lies die Abstände statt der Ränge. Achtundsechzig Punkte trennen FLUX 3 Videos zwei Platzierungen auf den Text-zu-Video- und Bild-zu-Video-Bestenlisten – fünf Intervallabstände –, was die nützliche Tatsache über ein Modell ist, das auf zwei Instrumenten bewertet wurde, die sich nicht ineinander umrechnen lassen: Es ist ein kompetenter Generator, dessen Position davon abhängt, welche Aufgabe man ihm stellt. Das ist eine echte, wenn auch bescheidene, unabhängige Messung – und sie ist mehr, als die andere Seite dieses Vergleichs hat.

Was man für 17,40 $ pro Minute bekommt

FLUX 3 Video ist ein multimodaler Generator mit einer breiteren Eingabeliste, als jede einzelne Board-Zeile zeigt. Text-Prompts, ein Standbild als erstes Frame, Video für Video-to-Video und Fortsetzung sowie Keyframes für kontrollierte Übergänge. Die Dauer reicht in einer Generierung bis zu 20 Sekunden, mit 5 bis 20 Sekunden für Text-to-Video und Image-to-Video und 5 bis 15 für Fortsetzung. Die Auflösung wird in Pixelbändern statt in Seitenverhältnissen angeboten – HD bei etwa einem Megapixel pro Frame, FHD bei zwei, QHD/2K bei vier, UHD/4K bei acht. Nativer Ton mit mehrsprachigem Dialog, synchronisierter Sprache, Soundeffekten und Ambiente ist optional und im Sekundenpreis enthalten.

• Draft HD — 0,06 $ pro Sekunde. Ein fünfsekündiger Testclip kostet dreißig Cent.

• HD / 720p — 0,17 $ pro Sekunde oder etwa 0,85 $ für fünf Sekunden.

• FHD / 1080p — 0,29 $ pro Sekunde. QHD/2K kostet 0,40 $ und UHD/4K kostet 0,80 $.

• Video-zu-Video und Fortsetzung — 0,12 $ für Entwurf, 0,41 $ bis 0,43 $ für HD, 0,53 $ bis 0,54 $ für FHD, 0,65 $ bei 2K und 0,95 $ bei 4K.

Die 17,40 US-Dollar pro Minute des Boards sind ein normalisierter 1080p-Wert, weshalb er sich nicht sauber in diese Karte aufteilen lässt. Es ist eine Vergleichseinheit, keine Quittung. Mehrere Zusammenfassungen von Drittanbietern berichten außerdem, dass die 2K- und 4K-Bänder ausgerollt werden und nicht allgemein verfügbar sind, daher sollte der obere Bereich der Karte als Frage auf Kontoebene behandelt werden.

Was WeMM-Video-4B Ihnen kostenlos bietet

Die andere Seite des Duells kostet pro Aufruf nichts und lässt sich überhaupt nicht kaufen. WeMM-Video-4B hat 5.611.746.312 Parameter — 10,45 GiB in BF16 — in einem Repository, das nach seinem Sprach-Backbone Qwen3.5-4B und nicht nach seiner tatsächlichen Größe benannt ist. Der Überschuss ist das Entscheidende: 4,21 Milliarden Parameter Sprachmodell, 0,33 Milliarden Vision-Tower und 1,07 Milliarden eines Whisper-artigen Audio-Stacks mit einem Q-Former, der aus 16-kHz-Audio in 30-Sekunden-Chunks 10 Audio-Tokens pro Sekunde ausgibt.

Es verarbeitet Text, Bilder, Video und Video mit Originaltonspur und gibt Text aus. In der gemeinsamen audio-visuellen Tabelle der Autoren schlägt es Qwen3-Omni-30B-A3B-Instruct bei Video-MME mit Audio mit 83,9 zu 77,3 und bei Video-MME v2 mit 48,1 zu 36,3. Bei stillem Video liegt es bei LVBench mit 65,3 zu 50,2 und bei LongVideoBench mit 74,8 zu 63,5 vorn. Gegen Qwen3.5-Omni-Flash verliert es bei den Audio-Benchmarks — MMAU 75,2 zu 80,4, MMAR 67,3 zu 74,0 — und liegt bei OCRBench mit 85,7 zu 89,1 und bei GPQA mit 73,2 zu 76,4 zurück.

Jede dieser Angaben ist eine Messung von Tencent selbst. In dem Paper heißt es, es gebe offizielle Ergebnisse an, wo verfügbar, andernfalls eigene Bewertungen, und kein Dritter habe eine der Zeilen reproduziert. Frame-Anzahl, Pixelbudgets und Kontextlänge der Benchmark-Läufe werden nicht angegeben — was wichtig ist, weil das mitgelieferte vLLM-Rezept Videos auf 16 Frames und insgesamt 262.144 Pixel begrenzt, gegenüber einem Standardwert des Prozessors von 128 Frames.

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

Zwei Uhren, die sich nie treffen

Keines der beiden Modelle kann das andere ersetzen, und die Einschränkungen, die das wahr machen, sind beides Budgets und keine Fähigkeiten.

• Ausgabebudget — FLUX 3 Video erzeugt pro Aufruf bis zu 20 Sekunden Videomaterial in bis zu 4K mit Audio. WeMM-Video-4B erzeugt überhaupt keine Frames, daher ist sein Ausgabebudget ein Token-Budget: 8.192 Tokens pro Anfrage im Auslieferungszustand, wobei Audio 10 Tokens pro Sekunde verbraucht, bevor Frames gezählt werden.

• Eingabebudget — WeMM-Video-4B akzeptiert vier Bilder, zwei Videos und zwei Audioelemente pro Anfrage, mit 2 Bildern pro Sekunde, begrenzt auf 16 Frames. FLUX 3 Video akzeptiert einen Prompt, ein erstes Frame, ein Referenzvideo oder ein Keyframe-Set und keinerlei Audioeingabe.

• Kostenstruktur — FLUX 3 Video berechnet pro Sekunde Ausgabe, daher skalieren die Kosten mit dem Anspruch. WeMM-Video-4B berechnet pro GPU-Stunde Ihrer eigenen Hardware, daher skalieren die Kosten mit der Batch-Größe und es ist unerheblich, wie lang der Quellclip ist, sondern nur, wie viele Frames das Sampling überstehen.

• Lizenz — Apache 2.0 für die WeMM-Sammlung, mit einer nicht einzeln aufgeführten Ausnahme für Drittanbieterkomponenten; eine gehostete kommerzielle API auf der FLUX-Seite, ohne veröffentlichte Gewichte.

Einfach gesagt: Das eine sind laufende Kosten pro Sekunde mit einer Rangliste, das andere sind einmalige Kapitalkosten mit einem Paper. Ein Team, das eine fertige Aufnahme braucht, kann WeMM-Video-4B nicht verwenden, und ein Team, das einen durchsuchbaren Index von zehntausend vorhandenen Clips braucht, kann FLUX 3 Video nicht verwenden – nicht weil es teuer ist, sondern weil es keine Möglichkeit hat, eine Frage zu Material zu beantworten, das es nicht erzeugt hat.

Audio ist der Punkt, an dem der Vergleich hinkt.

FLUX 3 Video erzeugt Audio. WeMM-Video-4B versteht Audio. Das sind unterschiedliche Fähigkeiten, die in einer Funktionsliste ähnlich klingen, und der Unterschied entscheidet über die Pipeline.

FLUX' Audio ist eine Ausgabe der Generierung: mehrsprachiger Dialog, synchronisierte Sprache, Soundeffekte und Atmosphäre – optional und im Preis pro Sekunde enthalten. Was Black Forest Labs nicht veröffentlicht, ist eine Spuranzahl; wenn Sie Dialog, Musik und Effekte als trennbare Stems benötigen, sagen Ihnen weder die Preisliste noch die Dokumentation, ob Sie sie erhalten. Planen Sie einen zweiten Durchgang in einer DAW ein.

WeMMs Audio ist ein Eingabepfad: ein Turm mit 1,07 Milliarden Parametern, der einen Soundtrack in 10 Tokens pro Sekunde umwandelt und sie in chronologischer Reihenfolge mit visuellen Tokens fusioniert, mit expliziten textuellen Zeitstempeln. Das ist es, was die 83,9 auf Video-MME mit Audio misst und was die 75,2 auf MMAU misst – wie gut er hört, nicht wie gut er spricht.

Ein Workflow, der eine Szene schreibt, sie mit Ton rendert und dann wissen muss, ob der Dialog tatsächlich angekommen ist, benötigt beide Hälften, und keines der Modelle deckt die Hälfte des anderen ab. Das ist der eine Punkt in diesem Duell, an dem die beiden wirklich komplementär sind und nicht bloß verschieden.

Die Routing-Frage, ehrlich formuliert

OrcaRouter stellt keines der beiden Modelle bereit. Es gibt keinen WeMM-Video-4B-Endpunkt – der Katalog der Plattform enthält überhaupt keinen WeMM-Checkpoint – und auch keine FLUX 3 Video Route. FLUX 3 Video ist über die eigene API von Black Forest Labs und mehrere Drittanbieterplattformen verfügbar; WeMM-Video-4B ist als Download mit einem gepatchten vLLM- oder SGLang-Overlay erhältlich, da keine der beiden Engines die Architektur im Upstream unterstützt.

Was die Plattform abdeckt, ist die Textebene, die beide Workflows umgibt, und bei dieser Gegenüberstellung ist der nützliche Teil Modellfusion statt einfachem Routing. Die Entscheidung „Ist dieser Clip es wert, behalten zu werden?“ ist eine Ermessensfrage, und ein fusionierter Aufruf, der einen günstigen Klassifikator und einen teuren Reasoner auf denselben Prompt setzt, kann sie zu einem Bruchteil der Kosten erledigen, die anfallen, wenn der teure auf jeden Kandidaten angewendet wird. Das läuft über einen OpenAI-kompatiblen Schlüssel für über 200 Modelle, zu Listenpreisen der Anbieter mit 0 % Aufschlag, sodass eine Preissenkung eines Anbieters noch am selben Tag wirksam wird statt erst im nächsten Abrechnungszyklus. Speziell für die rein visuelle Hälfte der WeMM-Arbeit nehmen Qwen3-VL-235B-A22B-Thinking und Qwen3-VL-8B-Thinking beide Bilder und Videoframes entgegen und sind heute auf der Plattform verfügbar – was einen Weg um das fehlende Omni-Modell herum darstellt, keinen Ersatz für dessen Audio-Tower.

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

Was würde es tatsächlich klären

Drei Entwicklungen würden diesen Vergleich von der derzeitigen Grundlage der Herstellerangaben lösen.

Zunächst einmal: ein WeMM-Video-4B-Eintrag auf irgendeinem unabhängigen Board. Den gibt es nicht, und der Grund ist struktureller Natur und nicht konspirativ: Die AA-Videoboards bewerten generiertes Filmmaterial, und ein Verständnismodell kann nicht eingetragen werden. Eine omni-modale Video-Verständnis-Arena ist das fehlende Instrument, und solange es keine gibt, ist jede WeMM-Zahl T​encents Wort.

Zweitens eine Veröffentlichung der Gewichte von FLUX 3 Video. Black Forest Labs ist für offene Veröffentlichungen bekannt, und für diesen Checkpoint gibt es keine Lizenz zum Herunterladen. Daher erfolgt der Vergleich derzeit zwischen einem offenen und einem geschlossenen Modell – ein Unterschied, den keine Benchmark-Zeile erfasst.

Drittens ein Hosting-Preis für die WeMM-Familie. Wenn ein kompatibler Host beginnt, diese Gewichte zum Listenpreis des Anbieters mit 0 % durchgereichtem Aufschlag anzubieten, ändert sich die Kostenseite dieses Artikels innerhalb einer Woche. Das ist eine Bedingung, kein gegenwärtiger Fakt, und nichts hier sollte als Behauptung gelesen werden, dass wir sie hosten.

Welches du tatsächlich brauchst

Wenn als Ergebnis Filmmaterial geliefert werden soll, ist FLUX 3 Video das einzige der beiden, das es produzieren kann, und die Entscheidung läuft darauf hinaus, ob $0.17 pro Sekunde für 720p gegenüber den alternativen Generatoren auf derselben Übersicht akzeptabel ist – wofür es mit Platz 10 bei Text-to-Video preislich im Mittelfeld liegt.

Wenn es beim Ergebnis um eine Aussage über Material geht, das Sie bereits besitzen, ist WeMM-Video-4B der einzige der beiden, der sie erzeugen kann, und die Entscheidung läuft darauf hinaus, ob Sie ein Quellcode-Overlay für vLLM oder SGLang und einen 10,45 GiB großen Checkpoint mitführen können, um einen Beschreiber der 4B-Klasse mit ungewöhnlich guten Kennzahlen für lange Videos zu erhalten.

Die Falle besteht darin, die $17.40 und die $0.00 als dieselbe Größe zu behandeln. Das eine ist ein nutzungsabhängiger Tarif für einen Dienst; das andere ist die Abwesenheit eines Dienstes. WeMM-Video-4B ist gratis, so wie eine Forschungsveröffentlichung gratis ist – man zahlt mit der Integration, mit unvalidierten GGUF-Bundles und mit dem Fehlen der Einschätzung anderer darüber, ob es funktioniert.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt