
WeMM-Video-9B vs. HiDream-O1-Video-1.0: Zwei schmale Taillen
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 118 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
Beide dieser Modelle sind in der Produktion enger gefasst, als sie auf dem Papier sind, und sie werden durch unterschiedliche Dinge eingeengt. HiDream-O1-Video-1.0 wird durch seine eigene API eingeengt: Die Ankündigung beschreibt Text-, Bild- und Videoeingabe mit einer 1080p-Ausgabe von fünf bis zwanzig Sekunden und nativ synchronisiertem Audio, und der tatsächlich existierende HiHarness-Endpunkt akzeptiert genau ein Referenzbild, einen optionalen Prompt und einen booleschen Wert. WeMM-Video-9B ist dadurch eingeengt, dass es überhaupt keinen Serving-Vertrag gibt — die WeChat-Vision-Gruppe von Tencent veröffentlichte es am 17. November 2026 als Apache-2.0-Gewichte und als arXiv-Preprint 2611.26409, ohne Endpunkt, ohne Preis und ohne Ankündigung; daher ist die Sechzehn-Frame-Grenze in seinem mitgelieferten vLLM-Rezept keine Richtlinie, gegen die man Einspruch einlegen kann, sondern einfach das, was das Repository tut, wenn man seinen Anweisungen folgt.
Der folgende Vergleich handelt daher nicht von Leistungsfähigkeit. Er handelt davon, um welche Einschränkung herum man designen kann, und die Antwort hängt letztlich davon ab, ob man lieber für eine dokumentierte Obergrenze bezahlt oder eine undokumentierte hostet.
Was das Paper sagt und was die API akzeptiert
HiDream-O1-Video-1.0 wurde am 28. August 2026 veröffentlicht und erreichte am 10. September das Image-to-Video-Board. Die Ankündigung des Anbieters ist umfassend: Text-, Bild- und Videoeingabe, fünf bis zwanzig Sekunden 1080p-Ausgabe, nativ synchronisierter Ton, narrativ geplante Dauer, physikalische Einschränkungen.
Die HiHarness API ist nicht breit aufgestellt. Sie nimmt ein Referenzbild – eine URL oder Base64, nicht größer als 20 MB und nicht kleiner als 40 KB – plus einen optionalen Text-Prompt plus einen force_10s-Boolean. Es gibt keine Auflösungsauswahl. Es gibt kein Referenzvideofeld. Es gibt keine Audiosteuerung. Wenn du fünf Sekunden willst, bekommst du zehn; wenn du zwanzig willst, bekommst du zehn. Die Kluft zwischen dem Paper und dem Endpoint ist die konkreteste Tatsache über dieses Modell und diejenige, die am ehesten deine Architektur verändert.
• Eingabe — HiDream-O1-Video-1.0: ein Referenzbild plus optionaler Prompt. WeMM-Video-9B: Video, Audio, Bilder und Text, bis zu vier Bilder, zwei Videos und zwei Audioclips pro Anfrage.
• Ausgabe — HiDream-O1-Video-1.0: 1080p-Video mit synchronisiertem Audio, in der Praxis zehn Sekunden. WeMM-Video-9B: Text auf Englisch oder Chinesisch.
• Einschränkung — HiDream-O1-Video-1.0: die API-Oberfläche. WeMM-Video-9B: das ausgelieferte Sampling-Rezept, 16 Frames bei 2 fps.

Eine {{1}}Spielbrettzeile{{/1}}, eine leere Zelle
HiDream-O1-Video-1.0 hat genau eine unabhängige Messung – und das ist eine, über die sich trefflich streiten lässt.
• AA-Video-I2V v2.1 — 14. Platz mit Elo 1.101 ±14 über 6.976 Stichproben, Veröffentlichung August 2026, 5,80 US-Dollar pro Minute. Das ist ein enges Intervall bei einer großen Stichprobe, und es liegt zwischen Wan 3.0 mit 1.109 und Agnes-Video-2.5 mit 1.105 — einem dicht gedrängten Bereich, in dem vierzehn Punkte ein Intervall ausmachen.
• Fehlt in AA-Video-T2V v2.1 und AA-Video-Editing v1.1. Das Fehlen von Text-zu-Video ist das Interessante, denn die eigene Ankündigung des Anbieters beginnt mit Texteingabe. Ein Modell ohne Text-zu-Video-Zeile und ohne Referenzvideo-Feld hat eine Text-zu-Video-Erzählung, die nur in der Prosa existiert.
• WeMM-Video-9B — in keiner der drei Ranglisten eine Zeile, aus einem strukturellen Grund: Alle drei bewerten generiertes Filmmaterial, und es generiert keines. Eine leere Zelle, keine niedrige Punktzahl.
Mit 5,80 US-Dollar pro Minute ist HiDream-O1-Video-1.0 einer der günstigeren Einträge auf dem Image-to-Video-Board. Nur Pika H3 Flex mit 2,10 US-Dollar, HeyGen Video 1 mit 2,40 US-Dollar, Agnes-Video-2.5 mit 2,40 US-Dollar, Vidu Q4 Preview mit 5,04 US-Dollar und P-Video-2-Pro mit 5,70 US-Dollar liegen im gewerteten Feld darunter, und es schlägt mehrere Modelle, die drei- bis viermal teurer sind.

Neunzehneinhalb Gigabyte an Details
Großzügig ist WeMM-Video-9B darin, was es über sich selbst verrät. Der Hugging-Face-Eintrag listet 10.488.603.384 Parameter über 1.305 Tensoren hinweg auf — ein 7,94 Mrd. Parameter umfassendes Sprach-Backbone mit einem 1,02 Mrd. Parameter großen Token-Embedding, einem entkoppelten 1,02 Mrd. Parameter großen Ausgabekopf, einem 1,08 Mrd. Parameter großen Audio-Tower aus 32 Layern im Whisper-Stil mit Breite 1.280 hinter einem zweischichtigen Q-Former bei zehn Audio-Tokens pro Sekunde sowie einem 0,46 Mrd. Parameter großen Vision-Tower aus 27 Blöcken mit Hidden-Dimension 1.152, Patch-Größe 16 und einer 2×2-Raumzusammenführung.
Diese Präzision ist eine Form von Ehrlichkeit, die die HiDream-Seite nicht bietet: Black Forest Labs und HiDream weigern sich beide, Parameterzahlen zu veröffentlichen, und keines von beiden ist dazu verpflichtet. Doch darin liegt auch eine Falle, denn eine detaillierte Architektur lädt zu der Annahme ein, dass die ausgelieferte Konfiguration mit ihr übereinstimmt. Das tut sie nicht.
• Prozessorstandards — 2 fps, mindestens 4 Frames, maximal 128 Frames, 100.663.296 Gesamtpixel.
• Bereitgestelltes vLLM-Rezept — 2 fps, 16 Einzelbilder, 262.144 Pixel, abgetastet etwa um den Mittelpunkt des Clips.
• Kontext — 8.192 Tokens bei jedem Serving-Befehl, gegenüber 262.144 Positions-Embeddings in der Architektur.
Sechzehn Einzelbilder bei zwei pro Sekunde ergeben acht Sekunden Abdeckung, und die Abtastung beginnt in der Mitte. Ein sechzig Sekunden langer Clip verliert seine ersten und letzten sechsundzwanzig Sekunden. Die Architektur würde weit mehr zulassen; das Rezept nicht, und das Rezept ist das, was ausgeliefert wird.

Zehn Sekunden gegen acht
Setzt man die beiden Obergrenzen nebeneinander, wird die Form der Entscheidung sichtbar. HiDream-O1-Video-1.0 liefert Ihnen zehn Sekunden fertiges 1080p mit synchronisiertem Audio – egal, was Sie anfordern. WeMM-Video-9B betrachtet acht Sekunden bereits vorhandenes Filmmaterial – unabhängig davon, wie lang es ist.
Beide Zahlen sind willkürlich. HiDreams zehn Sekunden sind eine Produktentscheidung, die in einem booleschen Wert verkörpert ist; WeMM-Video-9Bs acht sind ein Standardwert in einer Rezeptdatei. Keine von beiden ist ein Naturgesetz. Aber nur eine von ihnen kommt mit einem Anbieter, der Ihnen sagt, was an der Grenze passiert, und es ist nicht die, die als Checkpoint verteilt wird.
Wenn Sie mit HiDream-O1-Video-1.0 einen zehnsekündigen Clip erzeugen und WeMM-Video-9B dann fragen, was darin passiert ist, entnimmt der Beschreiber acht dieser zehn Sekunden aus der Mitte. Zwei Sekunden – die erste und die letzte – erreichen das Modell nie. Das ist ein Koordinationsproblem, das Sie mit einer Konfigurationsänderung lösen, und es ist genau die Art von Koordinationsproblem, die dieses Paar erzeugt und die kein Hersteller dokumentiert.
Modellfusion und wo sie den Satz verdient
Keines der beiden Modelle wird bei OrcaRouter gehostet. HiDream-O1-Video-1.0 ist über HiDreams eigene Plattform und mehrere Plattformen von Drittanbietern erreichbar; WeMM-Video-9B ist durch Herunterladen erreichbar.
Dass ein Vergleich wie dieser in einem Orchestrierungsgespräch landet, liegt daran, dass die beiden Hälften auf unterschiedliche Weise scheitern. Die gehostete Hälfte scheitert laut – ein Rate Limit, ein Timeout, ein Fehlercode – und dafür ist automatisches Failover da. Die selbst gehostete Hälfte scheitert leise: Sie liefert eine selbstsichere Beschreibung von acht Sekunden Filmmaterial und sagt nichts über die sechsundzwanzig Sekunden, die sie nie gesehen hat. Modellfusion ist hier das interessantere Werkzeug, denn ein zweites Modell, das denselben Clip unter einer anderen Sampling-Richtlinie liest, wird an den Grenzen widersprechen, und der Widerspruch ist das einzige Signal, das man dafür bekommt, dass das Fenster zu klein war.
Für den gehosteten Abschnitt wird der Listenpreis des Anbieters durchgereicht, und zwar mit 0 % Aufschlag, was bei 5,80 US-Dollar pro Minute mehr als sonst zählt: Eine Preisänderung des Anbieters bei einem günstigen Modell ist eine größere prozentuale Schwankung als bei einem teuren, und den veröffentlichten Tarif statt einer zwischengespeicherten Kopie zu verfolgen, hält eine Prognose für eine Charge von hundert Clips ehrlich.
In welcher Einschränkung kannst du leben?
Wähle HiDream-O1-Video-1.0, wenn ein Referenzbild und zehn Sekunden die Aufgabe sind. Du bekommst einen dokumentierten Endpunkt, synchronisierten Ton, einen Preis von 5,80 $ und einen Platz auf Rang 14 in der Image-to-Video-Rangliste. Du verzichtest auf Text-to-Video, Auflösungskontrolle und jede andere Dauer als zehn Sekunden.
Wählen Sie WeMM-Video-9B, wenn es die Aufgabe ist, Filmmaterial zu beschreiben. Sie erhalten einen 9B-Omnimodal-Beschreiber mit starken berichteten audiovisuellen Kennzahlen, einer Apache-2.0-Lizenz und einer Parameteranzahl, die Sie überprüfen können. Sie verzichten auf einen Serving-Vertrag, eine unabhängige Verifizierung und jegliche Garantie, dass das Acht-Sekunden-Fenster weit genug für die Clips ist, die Sie tatsächlich haben.
Was Sie nicht tun sollten, ist, die beiden in Bezug auf Qualität zu vergleichen. Keines von beiden wurde mit demselben Instrument bewertet, und eines von beiden kann es nicht. Der Vergleich, der sich lohnt, ist der zwischen zwei schmalen Engpässen – einem Boolean und einer Rezeptdatei – und die Frage, um welchen von beiden man herum bauen kann, ohne sich selbst etwas darüber vorzumachen, was er sieht.
