Titelkarte mit der Aufschrift „WeMM-Video-9B vs Hailuo 2.3“ und dem Untertitel „Sechs stille Sekunden“, zwei durch eine VS-Scheibe getrennte Panels: links mit der Überschrift WeMM-Video-9B, einem „Open-Weights“-Badge und Zeilen mit „19,54 GiB BF16“, „liest 16 Frames bei 2 fps“, „8 Sekunden Abdeckung“, „unterstützt Audioeingabe“, „keine Kosten pro Clip“; rechts mit der Überschrift Hailuo 2.3, einem „abgerechnete API“-Badge und Zeilen mit „6 s bei 1080p“, „10 s bei 768p“, „Ausgabe ohne Ton“, „keine Steuerung des Endbilds“, „etwa 0,48 $ pro Clip“.
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Sechs stille Sekunden

Autor

jinhao.song

Veröffentlicht am

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

Beide dieser Modelle werden Sie an genau einer Stelle im Stich lassen, und es ist dieselbe Stelle. Hailuo 2.3 erzeugt sechs Sekunden 1080p-Video und überhaupt keinen Ton. WeMM-Video-9B liest sechzehn gesampelte Videoframes ein, was bei der ausgelieferten Samplingrate etwa acht Sekunden Material entspricht, und gibt Text zurück. Keines der beiden ist ein Allzweck-Videosystem, und keines steht auf einer Rangliste, auf die man verweisen kann. M​iniMax veröffentlichte Hailuo 2.3 im April 2026 und hat sich seitdem einem Modell zugewandt, das auf diesen Ranglisten tatsächlich auftaucht; die WeChat-Vision-Gruppe von T​encent stellte WeMM-Video-9B am 17. November 2026 ohne Ankündigung, ohne Endpunkt und ohne Preis auf Hugging Face. Das hinterlässt zwei Veröffentlichungen, die jeweils auf ihre eigene Weise ein begrenztes Werkzeug sind – und die Grenze ist das Interessante daran.

Zunächst ein Hinweis zur Quellenlage, denn dieser Beitrag stützt sich darauf. Die Hailuo-2.3-Zahlen stammen aus M​iniMax' eigener Preisgestaltung und Dokumentation sowie von Drittanbieter-Trackern mit Sekundengenauigkeit, da das Modell keinen unabhängigen Elo-Wert hat. Die WeMM-Video-9B-Zahlen stammen aus den Repository-Manifesten, der Modellkarte und arXiv 2611.26409. Nichts davon wurde außerhalb der Labore, die es veröffentlicht haben, reproduziert, und wo eine Zahl vom Anbieter gemeldet wird, sagt der Text das auch.

Die sechs Sekunden sind keine Voreinstellung.

Die Dauer von Hailuo 2.3 ist eine trainierte Eigenschaft, keine Einstellung. Sechs Sekunden bei 1080p. Zehn Sekunden, wenn Sie auf 768p heruntergehen. Es gibt keine Konditionierung auf das Endbild, Sie können das Modell also nicht anweisen, in einer bestimmten finalen Komposition zu enden, wie es bei einem Keyframe-Modell möglich ist, und es gibt überhaupt keine native Audiospur – die Ausgabe ist stumm, und jeder gewünschte Ton muss nachgelagert hinzugefügt oder separat erzeugt werden.

Die Preisgestaltung läuft über vorausbezahlte Punkte statt über einen veröffentlichten Sekundentarif, was Kostenvergleiche schwieriger macht als nötig. Sechs Sekunden bei 768p im Standard-Tarif entsprechen einem Punkt; zehn Sekunden bei 768p oder sechs Sekunden bei 1080p sind zwei. Die Fast-Variante liegt bei etwa 0,7 Punkten für den kurzen Fall und bei 1,1 bis 1,3 für den langen. Drittanbieter-Tracker, die dies in Dollar umgerechnet haben, kommen auf etwa 0,08 US-Dollar pro Sekunde, also rund 0,48 US-Dollar für einen sechssekündigen Clip.

• Dauer — Hailuo 2.3: 6 s bei 1080p, 10 s bei 768p. WeMM-Video-9B: keine Ausgabedauer, da es kein Video erzeugt.

• Audio — Hailuo 2.3: keine, die Ausgabe ist stumm. WeMM-Video-9B: ein Whisper-artiger Turm mit 1,08 Mrd. Parametern, der den von dir bereitgestellten Soundtrack transkribiert und darüber Schlussfolgerungen zieht.

• Steuerung — Hailuo 2.3: keine Endframe-Konditionierung. WeMM-Video-9B: 4 bis 128 Frames konfigurierbar, Sampling standardmäßig 2 fps.

Wirklich gut ist Hailuo 2.3 in genau dem, worüber seine Nutzer sprechen: kinematografische Kamerabewegung, menschliche Bewegung und Mikroexpression sowie ein stilisierter, an Animation angelehnter Look, der bei nicht fotorealistischen Briefings besser mithält als die meisten Modelle. Das ist eine echte Stärke, und sie lässt sich nicht auf einem Leaderboard messen, was mit ein Grund dafür ist, dass das Modell noch nie auf einem erschienen ist.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

Das Board hat für keines von beiden eine Zeile.

Beim Abruf am 20. November 2026 liefern alle drei Video-Boards von Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1, AA-Video-Editing v1.1 — für Hailuo 2.3 nichts. Kein niedriger Rang. Kein Eintrag.

Dieses Fehlen hat zwei unterschiedliche Ursachen, und es lohnt sich, sie zu trennen. WeMM-Video-9B ist nicht einstufbar: Die Ranglisten bewerten generiertes Material anhand paarweiser Präferenzen, und ein Modell, das Tokens ausgibt, hat nichts einzureichen. Hailuo 2.3 könnte grundsätzlich gerankt werden und wurde es nicht — 1080p-Ausgabe, die ein Bewerter ansehen könnte, keine Einreichung, keine Preiszeile, keine Stichprobenanzahl.

Der einzige Qualitätsnachweis in diesem Vergleich liegt also auf der Seite ohne Produkt. Das WeMM-Video-9B-Paper berichtet, dass es im Thinking-Modus bei gemeinsamen audio-visuellen Benchmarks auf 35 von 37 gemeinsam erfassten Kennzahlen gegen Qwen3-Omni-30B-A3B-Instruct gewinnt – Video-MME mit Audio 85,1 gegenüber 77,3, Daily-Omni 83,6 gegenüber 70,7, EvaOmni 50,7 gegenüber 26,1 – und eine Niederlage, FutureOmni mit 53,7 gegenüber 55,1. Gegenüber seinem eigenen Qwen3.5-9B-Backbone bei stummem Video gewinnt es bei F-16-NBA und TimeLens und verliert bei MLVU, LVBench, VideoVista und MVBench. All das stammt aus dem eigenen Harness der Autoren, der im Paper als solcher offengelegt wird.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

Die Generation nach Hailuo 2.3

Hailuo 2.3 ist nicht das aktuelle Modell von MiniMax, und etwas anderes vorzugeben, wäre ein Bärendienst für alle, die für dieses Quartal budgetieren. Der Nachfolger, MiniMax H3, wurde am 31. Juli 2026 veröffentlicht und erscheint tatsächlich auf den Bestenlisten.

• AA-Video-T2V v2.1 — MiniMax H3 belegt mit 768p den 3. Platz auf Elo 1.161 ±13 über 8.386 Stichproben, gelistet im Juli 2026 zu 4,80 US-Dollar pro Minute.

• AA-Video-I2V v2.1 — 5. Platz bei Elo 1.134 ±14 über 6.594 Proben, gleiche Rate.

• AA-Video-Editing v1.1 — 6. Platz bei Elo 1.126 ±10 über 9.688 Proben, 9,60 $ pro Minute.

Dritter Platz bei Text-to-Video und Fünfter bei Image-to-Video zu 4,80 $ pro Minute ist eine andere Diskussion als Hailuo 2.3 mit seinem nicht gerankten, mit Punkten bepreisten Sechs-Sekunden-Angebot. Wenn Sie ein MiniMax-Modell auswählen, statt eines zu vergleichen, hat H3 dieses Argument innerhalb der eigenen Produktpalette des Anbieters bereits gewonnen.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Warum die acht Sekunden wichtiger sind, als sie aussehen

Das mitgelieferte WeMM-Video-9B-Rezept überschreibt seine eigenen großzügigen Prozessor-Standardwerte – 2 fps, mindestens 4 Frames, maximal 128, ein Budget von 100.663.296 Pixeln – auf 2 fps und 16 Frames bei 262.144 Pixeln, abgetastet um den Mittelpunkt des Clips herum. Sechzehn Frames bei zwei pro Sekunde ergeben acht Sekunden Abdeckung, und die Abdeckung beginnt in der Mitte.

Setzt man das neben Hailuo 2.3 mit seinen sechs Sekunden, wird etwas klar. Hailuo 2.3 erzeugt in gewissem Sinne weniger Filmmaterial, als WeMM-Video-9B ansehen kann: Ein sechssekündiger Hailuo-Clip passt mit reichlich Spielraum in das Fenster des Beschreibers. Der zehnsekündige 768p-Modus jedoch nicht, und auch nichts, was man mit einem anderen Modell erzeugen und dann WeMM-Video-9B zur Überprüfung vorlegen würde. Die Videoseite der Pipeline endet bei etwa acht Sekunden, während die Audioseite bei zehn Tokens pro Sekunde rund dreizehn Minuten fassen kann, und jeder Serving-Befehl im Repository übergibt eine Kontextlänge von 8.192 Tokens, die diese Asymmetrie zur bindenden Einschränkung macht.

• Wenn du generierst — Hailuo 2.3 gibt dir sechs Sekunden, stumm, mit starker Kamerabewegung und menschlichen Details.

• Wenn Sie eine Überprüfung durchführen — WeMM-Video-9B bietet Ihnen acht Sekunden abgetasteter Einzelbilder plus die vollständige Audiospur, beschrieben auf Englisch oder Chinesisch.

• Der Join — eine sechssekündige stille Generierung befindet sich in beiden Fenstern, die einzige Konfiguration, in der diese Paarung sauber ist.

Failover ist der Teil, der nicht theoretisch ist.

Keines der beiden Modelle wird über OrcaRouter bereitgestellt, und das wird hier offen gesagt, statt versteckt zu werden. Hailuo 2.3 ist über die eigene Plattform von M​iniMax und mehrere Drittanbieterplattformen erreichbar; WeMM-Video-9B ist durch Herunterladen von 19,54 GiB Apache-2.0-Gewichten erreichbar.

Was bei einer Pipeline zählt, die einen Generator und einen Beschreiber kombiniert, ist, was passiert, wenn ein Zweig ausfällt. OrcaRouters Failover leitet um ein Modell herum, das rate-limitiert ist oder Fehler zurückgibt, ohne dass der Aufrufer seinen Client umschreiben muss, und die Routing-DSL ermöglicht es, das als Richtlinie statt als Haufen Wiederholungslogik auszudrücken. Bei einer Workload, bei der der beschreibende Schritt ein lokaler Checkpoint und der generierende Schritt eine gehostete API ist, ist die gehostete Hälfte die Hälfte, die ausfällt – und dass sie auf ein vergleichbares Modell ausweicht, statt den Job scheitern zu lassen, ist mehr wert als ein marginaler Preisunterschied.

Sechs Sekunden sind entweder genug oder nicht.

Wenn sechs Sekunden stummes, filmisch souveränes 1080p das Ergebnis sein sollen, liefert Hailuo 2.3 genau das, und die einzige wirkliche Frage ist, ob die Punktpreise die Pro-Sekunde-Alternativen für das Volumen schlagen, das Sie benötigen. Prüfen Sie die 10-Sekunden-768p-Stufe, bevor Sie sich auf die kurze Variante festlegen; die Punktkosten verdoppeln sich, nicht der Pro-Sekunde-Preis.

Wenn das Ergebnis ein schriftlicher Bericht über Filmmaterial ist, liefert WeMM-Video-9B das mit den stärksten audiovisuellen Kennzahlen der Familie – und ohne unabhängige Bestätigung für irgendeine davon. Planen Sie eine gepatchte vLLM- oder SGLang-Installation ein und berücksichtigen Sie, dass Sie die erste Person außerhalb T​encents sein werden, die es unter realen Bedingungen einsetzt.

Was keines von beiden ist, ist eine allgemeine Videoplattform. Sie sind zwei eng zugeschnittene Werkzeuge mit einer Acht-Sekunden- und einer Sechs-Sekunden-Kante, und die Wahl zwischen ihnen ist die Frage, welche Kante du dir leisten kannst zu treffen.