Titelkarte mit der Aufschrift „WeMM-Video-4B vs HiDream-O1-Video-1.0“ und dem Untertitel „Zwei Arten von Enge“, zwei Panels, getrennt durch eine VS-Scheibe, das linke mit dem Untertitel „offene Gewichte, kein Endpunkt“ und der Angabe von 5.61B Parametern, Apache 2.0 sowie gepatchtem vLLM oder SGLang, das rechte mit dem Untertitel „gehostet, eine Eingabe“ und der Angabe nicht veröffentlichter Parameter, eines Referenzbilds und 5,80 $ pro Minute, dazu eine Fußzeile mit der Aufschrift „Stand des Artificial-Analysis-Boards: 20. November 2026.“
Guides & Insights

WeMM-Video-4B vs. HiDream-O1-Video-1.0: Zwei Arten von Enge

Autor

jinhao.song

Veröffentlicht am

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

HiDream-O1-Video-1.0 und WeMM-Video-4B beschreiben sich beide umfassender, als ihr Verhalten hergibt. Die Veröffentlichung zum Start von HiDream bewirbt ein Modell, das Text, Bilder und Video entgegennimmt und fünf bis zwanzig Sekunden 1080p-Material mit synchronisiertem Audio zurückgibt; die dokumentierte API akzeptiert genau ein Referenzbild und einen optionalen Prompt. WeMM-Video-4B nimmt Text, Bilder, Video und Audio entgegen und gibt Text zurück, was zutrifft — und das Modell wird nirgendwo bereitgestellt, sodass man das, was es theoretisch akzeptiert, erst bekommt, nachdem man seine eigene Inferenz-Engine gepatcht hat. Das eine wird durch seinen Serving-Vertrag eingeschränkt, das andere dadurch, dass es überhaupt keinen Serving-Vertrag hat. Das ist der gesamte Vergleich, und alles Folgende sind Details, die daran hängen.

Keines der beiden Modelle lässt sich heute in dem Modus aufrufen, den sein Paper betont. Wie sehr das ins Gewicht fällt, hängt davon ab, welche Hälfte der Lücke Sie selbst schließen können, und dabei geht es eher um Lizenzen und GPUs als um Qualität.

Die Zeile und die Version, auf der sie steht

Für HiDream-O1-Video-1.0 liegt eine unabhängige Messung vor. Abgelesen am 20. November 2026 auf dem AA-Video-I2V v2.1-Board belegt es Platz 14 mit Elo 1.101, bei einem 95-Prozent-Intervall von ±14, also einem Bereich von 1.087 bis 1.115, bei 6.976 Stimmen, erfasst als Veröffentlichung im August 2026, zu 5,80 US-Dollar pro Minute generierten Videos.

Sechs Wochen zuvor, auf dem v1.0-Board, lag dasselbe Modell mit 1.175 ±10 bei 3.231 Stimmen auf Platz sechs. Unbedacht gelesen ist das ein Zusammenbruch. Ist es nicht, und der Grund ist es wert, klar benannt zu werden, weil es der häufigste Fehler ist, der mit diesen Boards gemacht wird: v1.0 und v2.1 sind unterschiedliche Instrumente mit unterschiedlichen Elo-Skalen, unterschiedlichen Abstimmungspools und einer unterschiedlichen Taxonomie. Eine Punktzahl lässt sich nicht zwischen ihnen übertragen, daher ist der Abstand zwischen 1.175 und 1.101 keine Messung dafür, wie viel schlechter das Modell geworden ist. Was sich geändert hat, ist real – Rang 14 ist unter den Regeln des aktuellen Boards ein schlechterer Platz als Rang 6 –, aber die Arithmetik, die sie verbindet, existiert nicht.

WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is T​encent's own.

Was die API von HiDream tatsächlich akzeptiert

Die Serving-Oberfläche ist dokumentiert und bewusst eng gefasst – auf eine Weise, die sich direkt auf die Launch-Behauptungen abbilden lässt.

• Eingabe — genau ein Referenzbild, angegeben als öffentliche URL oder Base64 zwischen 40 KB und 20 MB. Der Prompt ist optional und standardmäßig leer. Die Ankündigung nennt Video unter den Eingaben des Modells; das Anforderungsschema enthält kein Feld dafür.

• Auflösung — keine Auswahl. Das Ergebnis behält das Seitenverhältnis des Referenzbildes bei. Die 1080p-Angabe in der Ankündigung lässt sich nicht über die Anfrage steuern.

• Dauer — ein Boolean, force_10s, standardmäßig false. Bleibt er false, entscheidet das Modell; auf true gesetzt, erhält man zehn Sekunden. Der beworbene Bereich von fünf bis zwanzig Sekunden hat kein numerisches Feld.

• Audio — es wird weder ein Audioeingang noch ein Parameter zur Audiogenerierung bereitgestellt, trotz des nativen synchronisierten Audios, das im Release beschrieben wird.

• Ergebniskontrakt — asynchron. Sie übermitteln die Aufgabe, erhalten eine task_id und fragen den Status ab. result.status = 1 bedeutet, dass jede Teilaufgabe einen Endzustand erreicht hat, nicht, dass die Generierung erfolgreich war; Erfolg liegt vor, wenn sub_task_results[].task_status = 1, wobei 3 für einen Generierungsfehler und 4 für eine Sicherheitsüberprüfung steht.

Das Modell, das Sie aufrufen können, ist ein Bildanimator mit zwei Dauer-Modi. Das in der Veröffentlichung beschriebene Modell ist ein gemeinsamer Text-Video-Audio-Generator mit geplanter Dauer. Beide Aussagen sind vom selben Unternehmen dokumentiert, und der Unterschied ist eher eine Roadmap als ein Widerspruch.

Was WeMM-Video-4B von dir zu bauen verlangt

Die andere Seite ist nicht verpflichtet, eng zu sein, denn es gibt keinen Endpunkt. WeMM-Video-4B hat 5.611.746.312 Parameter – 10,45 GiB BF16-Gewichte – und wurde unter Apache 2.0 in einer Familie von vier Größen veröffentlicht, die alle innerhalb eines neunzehnminütigen Zeitfensters am 17. November 2026 erschienen, wobei der technische Bericht arXiv 2611.26409 am 19. November folgte.

Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and T​encent labels it exported_unvalidated.

Dafür bekommt man ein Beschreibungsmodell mit einem ungewöhnlich großen Audio-Stack: 4,21 Milliarden Parameter eines von Qwen3.5-4B abgeleiteten Sprachmodells, 0,33 Milliarden eines Vision-Towers und 1,07 Milliarden eines Whisper-artigen Audio-Encoder-Decoders, der einen Q-Former mit 10 Tokens pro Sekunde speist. Fast ein Fünftel des Checkpoints sind Ohren, weshalb seine gemeinsamen audio-visuellen Scores die interessanten sind.

Die Modi, in denen jedes Modell verglichen wird

Eine faire Gegenüberstellung ist hier nicht „welcher besser ist“, sondern „welcher Modus derjenige ist, den man tatsächlich erreichen kann“, und die beiden Antworten landen an unterschiedlichen Stellen.

• HiDream-O1-Video-1.0 — verfügbarer Modus: Bild-zu-Video, ein Referenzframe, festes Seitenverhältnis, zehn Sekunden oder nach Wahl des Modells, keine Audiosteuerung. Bewerteter Modus: Bild-zu-Video. Das Board und die API stimmen überein.

• WeMM-Video-4B — verfügbarer Modus: Video mit Tonspur als Eingabe, Text als Ausgabe, mit 16 abgetasteten Frames und 8.192 Tokens im Auslieferungszustand. Bewerteter Modus: Das Paper berichtet für die Video-Tabellen über den Thinking-Modus, für die Audio-Tabelle über Instruct und für Bild und Text erneut über Thinking; die Anzahl der Frames und die verwendete Kontextlänge werden nicht angegeben.

• Beide — vom Anbieter gemeldet, sofern eine Zahl vorliegt, und kein Dritter hat eines der beiden reproduziert. HiDreams Vorteil ist, dass über eine Konfiguration von Personen abgestimmt wurde, die nicht für HiDream arbeiten.

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

Die Audiofrage, die nur eine Seite beantworten kann

HiDream generiert Audio und WeMM-Video-4B versteht es. In einer Funktionsliste klingen diese wie dieselbe Fähigkeit, und das sind sie nicht, und für ein Team, das eine Pipeline baut, entscheidet dieser Unterschied, welche von beiden überhaupt relevant ist.

Auf der Generierungsseite beschreibt HiDreams Veröffentlichung einen einzigen Prozess, der Text, Video und Audio gemeinsam modelliert, statt Ton nachträglich hinzuzufügen, sodass Lippenbewegungen, Umgebungsgeräusche und physische Handlung auf einer gemeinsamen Zeitachse liegen. Ob sich das steuern lässt, ist eine separate Frage: Die dokumentierte Anfrage enthält keinen Audio-Parameter, und die Ankündigung nennt keine Anzahl an Spuren, sodass Dialog, Musik und Effekte als trennbare Stems in beiden Punkten unbestätigt sind.

On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are T​encent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.

Die ehrliche Zusammenfassung lautet also, dass das eine Modell Klang erzeugt, den man noch nicht prüfen kann, und das andere Klang prüft, den man selbst liefern muss. Keines von beiden ist das Audio-Tool, das eine Produktionspipeline will, bis das erste einen Audio-Parameter und das zweite einen Host bekommt.

Wo ein Router hilft und wo nicht

OrcaRouter stellt keines der beiden Modelle bereit. Es gibt keinen WeMM-Endpunkt – der Katalog enthält keinen WeMM-Checkpoint – und auch keine HiDream-Route; HiDream-O1-Video-1.0 ist über HiDreams eigene Plattform und mehrere Plattformen von Drittanbietern erreichbar. Nichts im Folgenden ist die Behauptung, dass wir eines der beiden hosten.

Der Punkt, an dem ein Router in diesem Duell seinen Wert beweist, ist die Migration selbst, und das Werkzeug dafür ist die Routing-DSL und nicht die Modellliste. Beide dieser Modelle sitzen hinter einer Serving-Oberfläche, die sichtbar vorläufig ist — das eine ist eine Preview mit einer einzigen Eingabe und einem zweistufigen Terminal-Flag, das andere ein Source-Overlay, das an bestimmte Upstream-Releases gebunden ist —, und ein Stack, der eines von beiden fest verdrahtet, ist ein Stack, der bei den Release Notes von jemand anderem bricht. Eine Routing-Richtlinie, die ein Primär- und ein Fallback-Modell benennt und die zwei Modelle innerhalb einer Anfrage statt zweier Integrationen vergleichen kann, verwandelt dieses Risiko in Konfiguration. Das läuft über einen einzigen OpenAI-kompatiblen Endpoint über mehr als zweihundert Modelle zu den Listenpreisen des Anbieters, durchgereicht mit 0 % Aufschlag, sodass eine Preisänderung eines Anbieters noch am selben Tag durchschlägt. Für den reinen Vision-Teil der WeMM-Workload sind Qwen3-VL-235B-A22B-Thinking und Qwen3-VL-8B-Thinking jetzt beide auf der Plattform — was ein Umweg um den fehlenden Omni-Checkpoint ist, kein Ersatz für dessen Audio-Tower.

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

Mit welcher Enge du leben kannst

Wenn Sie in diesem Quartal Filmmaterial benötigen und ein Referenzbild ausreicht, ist HiDream-O1-Video-1.0 der einzige der beiden mit einem aufrufbaren Endpunkt, und seine Einschränkungen sind gut genug dokumentiert, um sich innerhalb eines Nachmittags daran zu integrieren. Planen Sie $5,80 pro Minute ein, rechnen Sie mit zehn Sekunden oder der Wahl des Modells und lesen Sie den Unteraufgabenstatus statt des Terminal-Flags.

Wenn Sie wissen müssen, was in bereits vorhandenem Videomaterial enthalten ist – einschließlich dessen, was darüber gesagt wird –, ist WeMM-Video-4B der einzige der beiden, der das beantworten kann, und der Preis für den Einstieg ist eine gepatchte Inferenz-Engine, ein 10,45 GiB großer Checkpoint und ein Sampling-Budget von 16 Frames, das Sie abstimmen sollten, bevor Sie einem Ergebnis für lange Videos vertrauen.

Was Ihnen keiner von beiden liefert, ist das, was eine Vergleichsseite üblicherweise verspricht: eine gemeinsame Aufgabe, an der man sie ranken kann. Sie sind keine zwei Antworten auf ein und dieselbe Frage. Sie sind zwei Modelle, deren öffentliche Oberflächen beide kleiner sind als ihre Papers, und die nützliche technische Einschätzung besteht darin, welche dieser Lücken Sie mit Ihrer eigenen Hardware schließen können.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt