
WeMM-Video-9B vs. Alibaba Wan 2.7: Eine Rechnung und ein Checkpoint
- 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
Beginnen wir mit der Rechnung. Alibaba Wan 2.7 hat einen Minutenpreis auf zwei Video-Ranglisten von Artificial Analysis und einen dokumentierten Dauerbereich, was es zu einem der wenigen Videomodelle macht, deren Kosten man kalkulieren kann, bevor man eine Zeile Code schreibt. WeMM-Video-9B hat überhaupt keinen Preis. Die WeChat-Vision-Gruppe von Tencent veröffentlichte es am 17. November 2026 als 19,5 Gigabyte Apache-2.0-Gewichte — fünf BF16-Shards, eine Modellkarte und ein arXiv-Preprint mit der Nummer 2611.26409 — und sagte danach nichts. Kein Launch-Beitrag, keine Preisseite, kein gehosteter Endpunkt, keine Einreichung bei einer Rangliste. Drei Tage später zeigen die Repositories zusammengenommen weiterhin null Downloads. Der ehrliche Vergleich ist also nicht Wan 2.7 gegen WeMM-Video-9B in Bezug auf Qualität; es ist ein nach Verbrauch abgerechneter Dienst gegen ein Artefakt ohne Preis, und die beiden Zahlen, die man nebeneinanderstellen möchte, existieren auf beiden Seiten aus demselben Grund nicht.
Alles im Folgenden trennt drei Dinge: was die Dokumentation zu Wan 2.7 und die beiden Ranglisten aussagen, was das Repository und das Paper zu WeMM-Video-9B behaupten und was niemand außerhalb der beiden Labore reproduziert hat. In diesem dritten Bereich liegt der Großteil des Materials zu WeMM-Video-9B, und so zu tun, als sei es anders, wäre der schnellste Weg, diesen Beitrag nutzlos zu machen.
Wan 2.7 wird in Minuten abgerechnet.
Alibabas Tarifkarte für Wan 2.7 ist für ein Videomodell ungewöhnlich gut nachvollziehbar. Die Suite ist ein Produkt mit vier Modi – Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Videobearbeitung –, und die Preise, die auf den Tariftafeln erscheinen, sind ein geradliniger Minutenpreis statt eines Creditsystems, das man erst rückentwickeln muss.
• AA-Video-Editing v1.1 — Wan 2.7 sitzt mit Elo 1.074 ±8 bei 22.754 Stichproben auf Platz 9, mit Veröffentlichungsmonat April 2026 und 16,90 $ pro Minute. Das Intervall ist das engste auf der Bestenliste außerhalb der Top drei – das bekommt man für zweiundzwanzigtausend Stimmen.
• AA-Video-T2V v2.1 — dieselbe Familie erscheint als Wan2.7-260612 auf Platz 20 mit einem Elo von 1.035 ±13 über 6.965 Stichproben, Juni 2026, 9,00 $ pro Minute. Gleicher Anbieter, andere Aufgabe, ein anderer Preis und ein Elo, der sich nicht in die Bearbeitungsbewertung umrechnen lässt.
• Wan 2.7 ist überhaupt nicht auf dem Image-to-Video-Board. Wan 3.0 ist es – Platz 12 mit 1.109 – und diese Abwesenheit sollte sorgfältig gelesen werden. Sie bedeutet nicht, dass Wan 2.7 ein Standbild nicht animieren kann; sie bedeutet, dass die Arena es dort nicht gerankt hat. Die Alibaba-Suite bewirbt durchaus First-and-Last-Keyframe-Steuerung, bis zu fünf Subjektbilder und fünf Referenzclips sowie 720p- bis 1080p-Ausgabe mit nativem Audio. Fähigkeiten, die das Board nicht bewertet, sind trotzdem Fähigkeiten.
Ein kontextueller Hinweis, der für die Budgetplanung wichtig ist: Wan 2.7 ist die vorherige Generation. Wan 3.0 führt jetzt sowohl die Text-zu-Video-Rangliste (1.176) als auch die Editing-Rangliste (1.197) an und ist bei Text-zu-Video mit $12.00 pro Minute das günstigere der beiden – gegenüber Wan 2.7s Editing-Tarif von $9.00. Wenn Sie heute ein Alibaba-Modell auswählen, statt eines zu vergleichen, ist die Entscheidung bereits weitergezogen.
Was der 9B-Checkpoint tatsächlich ist
WeMM-Video-9B ist kein Videogenerator, und dieser eine Satz leistet in diesem Vergleich den Großteil der Arbeit. Es ist ein Modell für Video-Verständnis: Man übergibt ihm Einzelbilder plus die Originaltonspur, und es liefert Text zurück. Beschreibung, Transkription, zeitliches Schlussfolgern, Beantwortung von Fragen zu Filmmaterial, das man bereits besitzt.
Das Repository ist ungewöhnlich genau darüber, was darin enthalten ist, was der eine Punkt ist, an dem eine leise Veröffentlichung eine laute schlägt. Der Eintrag bei Hugging Face listet 10.488.603.384 Parameter über 1.305 Tensoren auf, BF16, 19,54 GiB auf fünf Shards aufgeteilt. Die Aufteilung ist aufgeschlüsselt: ein Sprach-Backbone mit 7,94B, einschließlich eines Token-Embeddings mit 1,02B, ein nicht gebundener Ausgabekopf mit 1,02B, ein Audio-Tower im Whisper-Stil mit 1,08B, 32 Schichten bei Breite 1.280, hinter einem zweischichtigen Q-Former, und ein Vision-Tower mit 0,46B aus 27 Blöcken bei Hidden-Breite 1.152 mit Patch-Größe 16 und einer räumlichen 2×2-Zusammenführung. Der Sprach-Stack besteht aus 32 Schichten bei Hidden 4.096, 16 Attention-Heads gegenüber 4 Key-Value-Heads bei Head-Dimension 256, mit hybrider linearer Attention – eine Full-Attention-Schicht pro drei linearen – und 262.144 Positions-Embeddings.
Was das in der Praxis bringt, ist ein breiter Input und ein schmaler Output. Video, Audio, Bilder und Text gehen hinein. Heraus kommt Text, auf Englisch oder Chinesisch. Es gibt nirgends in der Architektur eine Bildsynthese, und kein noch so geschicktes Prompting wird eine erzeugen.


Zwei Uhren, die sich nicht treffen
Der Vergleich, der tatsächlich etwas entscheidet, dreht sich um Zeit und Geld, und beide Seiten haben eine Obergrenze.
• Die Obergrenze von Wan 2.7 ist die Dauer. Zwei bis fünfzehn Sekunden pro Generierung, 720p bis 1080p, sekundengenau abgerechnet. Ein fünfzehnsekündiger 1080p-Clip ist eine kalkulierbare Größe, bevor du auf Start drückst.
• Die Obergrenze von WeMM-Video-9B ist der Kontext. Der Prozessor verwendet standardmäßig 2 Bilder pro Sekunde bei mindestens 4 und höchstens 128 Bildern sowie einem Gesamtbudget von 100.663.296 Pixeln. Das mitgelieferte vLLM-Rezept setzt all das auf 2 fps und 16 Bilder bei 262.144 Pixeln herunter – etwa acht Sekunden Abdeckung, abgetastet aus der Mitte des Clips. Jeder Serving-Befehl im Repository übergibt außerdem eine Kontextlänge von 8.192 Token, und bei zehn Audio-Token pro Sekunde sind das etwa dreizehn Minuten Audio, wenn man das Budget allein für Ton ausgibt.
• Die Diskrepanz.Wan 2.7 erzeugt fünfzehn Sekunden Filmmaterial. WeMM-Video-9B betrachtet in der ausgelieferten Version acht. Wenn Ihre Pipeline einen Clip generiert und dann ein Modell fragt, was darin passiert ist, tastet der Beschreiber nur die Hälfte der Ausgabe ab. Das ist kein Fehler in einem der beiden Produkte; es ist eine Konfiguration, die Sie bewusst ändern müssen, und das Beispiel im Repository selbst ändert sie nicht für Sie.
Das Gremium, in dem keiner von beiden sitzt
Hier ist das strukturelle Problem bei diesem Vergleich, klar gesagt. Jedes Video-Leaderboard von Artificial Analysis bewertet generiertes Filmmaterial. Text-to-Video, Image-to-Video, Videobearbeitung – alle drei nehmen ein Modell, das Pixel ausgibt, und bewerten es anhand paarweiser menschlicher Präferenz. WeMM-Video-9B gibt Tokens aus.
Es ist nicht so, dass WeMM-Video-9B schlecht abgeschnitten hätte. Es kann gar nicht eingetragen werden. Wan 2.7 hat zwei Zeilen, beide mit Intervallen, die eng genug sind, um darüber zu streiten; WeMM-Video-9B hat keine und wird auch keine haben, bis jemand eine Arena für Videoverständnis baut. Das bedeutet, dass der einzige Qualitätsnachweis für das Thema dieses Artikels die Tabelle der Autoren selbst ist.
Diese Tabelle ist nicht nichts. Im Thinking-Modus bei gemeinsamen audiovisuellen Aufgaben schlägt der 9B-Checkpoint Qwen3-Omni-30B-A3B-Instruct bei 35 von 37 gemeinsamen Werten – Video-MME mit Audio 85,1 gegenüber 77,3, Daily-Omni 83,6 gegenüber 70,7, SciVideoBench 64,2 gegenüber 49,9, OmniReasoningBench 43,9 gegenüber 24,1 – und verliert genau einen: FutureOmni mit 53,7 gegenüber 55,1. Bei stummen Videos gewinnt er gegenüber seinem eigenen Qwen3.5-9B-Backbone bei F-16-NBA (88,7 vs. 75,8) und TimeLens und verliert bei MLVU, LVBench, VideoVista, VSI-Bench und MVBench. Das Paper sagt, es berichte „offizielle Ergebnisse, wo verfügbar, und ansonsten unsere eigenen Evaluierungen“, was die korrekte Offenlegung ist und zugleich der Grund dafür, dass nichts davon unabhängig ist.

Wo OrcaRouter passt
Keines der beiden Modelle wird über OrcaRouter bereitgestellt, und dieser Beitrag wird nicht so tun, als wäre es anders. Wan 2.7 ist über Alibabas eigene API und mehrere Drittanbieter-Plattformen erreichbar; WeMM-Video-9B ist durch Herunterladen erreichbar.
Was hierher gehört, ist die Abrechnungsseite, denn der Grund, warum Teams am Ende einen Generator mit einem Beschreiber vergleichen, ist, dass beide in dieselbe Pipeline eingebunden werden. OrcaRouter gibt den Listenpreis des Anbieters weiter – bei 0 % Aufschlag, was bedeutet, dass eine Preissenkung eines Anbieters an dem Tag in Ihrer Rechnung landet, an dem sie in seiner landet, und nicht erst, wenn ein Reseller die Preise neu festlegt. Wenn der Editier-Tarif von Wan 2.7 von 16,90 $ auf 12,00 $ fällt, so wie es bei Wan 3.0 der Fall war, sehen Sie das auf der nächsten Rechnung. Für eine Workload, bei der ein Teil pro Sekunde abgerechnet wird und der andere Teil ein Checkpoint ist, den Sie selbst hosten, ist der Umstand, dass die abgerechnete Hälfte zu Selbstkosten ausgewiesen wird, der Unterschied zwischen einem Budget, das Sie prognostizieren können, und einem, bei dem das nicht geht.
Für welches sollte man das Budget einplanen?
Wenn das Ergebnis Filmmaterial ist, ist Wan 2.7 der einzige der beiden, der es liefern kann, und die Entscheidung läuft darauf hinaus, ob 16,90 $ pro Minute für die Bearbeitung oder 9,00 $ pro Minute für Text-zu-Video im Vergleich zum Rest des Feldes wettbewerbsfähig ist. Mit Platz 9 bzw. 20 liegt es bei beidem im Mittelfeld.
Wenn das Ergebnis eine Aussage über Filmmaterial ist, das Sie bereits besitzen, ist WeMM-Video-9B der einzige der beiden, der sie erzeugen kann, und die Entscheidung läuft darauf hinaus, ob Sie eine gepatchte vLLM- oder SGLang-Installation, einen 19,54 GiB großen Checkpoint und ein achtsekündiges Sampling-Fenster bewältigen können, um ein Beschreibungsmodell der 9B-Klasse mit wirklich starken audiovisuellen Kennzahlen zu erhalten.
Die Falle besteht darin, $16.90 und $0.00 als dieselbe Größe zu lesen. Das eine ist ein verbrauchsabhängiger Tarif für einen Dienst, den Sie heute Nachmittag in Anspruch nehmen können. Das andere ist das Fehlen eines Dienstes, und der Preis für dieses Fehlen wird in Integrationsarbeit bezahlt und in der Tatsache, dass niemand außerhalb von Tencent Ihnen gesagt hat, ob die Zahlen belastbar sind.
