
WeMM-Video-9B vs. Wan 3.0: Verkaufte Sekunden, gesehene Sekunden
- 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
Wan 3.0 verkauft Sekunden Video. WeMM-Video-9B liest sie wieder aus. Das ist der gesamte Vergleich, und genau deshalb wäre ein Vergleich der technischen Daten Dimension für Dimension zwischen diesen beiden nahezu bedeutungslos: Das eine ist ein Generierungsmodell, das eine MP4-Datei liefert, das andere ein omnimodales Verständnismodell, das einen Satz liefert. Sie sind keine Rivalen. Sie sind die beiden Hälften einer Pipeline – einen Clip erzeugen und ihn dann prüfen –, und die interessante Frage ist nicht, wer gewinnt, sondern wo jedes von beiden nicht mehr sinnvoll einsetzbar ist.
Nur eines davon ist eine Neuigkeit. Tencent hat WeMM-Video-9B und achtzehn Schwester-Repositories in einem Fünf-Minuten-Fenster ab 08:53:50 UTC am 17. November 2026 hochgeladen, den technischen Bericht am 19. November als arXiv 2611.26409 veröffentlicht und nichts davon angekündigt: keinen Blogbeitrag, keine Launch-Seite, kein kostenpflichtiges Angebot. Zum Zeitpunkt des Verfassens zeigt das 9B-Repository null Downloads, die Sammlung eine Handvoll Likes, und kein Inferenz-Anbieter bietet das Modell an. Wan 3.0 ist der völlig entgegengesetzte Fall — Alibaba hat es am 6. August 2026 in die öffentliche Beta gebracht und am 24. August offiziell gestartet, achtundachtzig Tage vor diesem Artikel, und derzeit steht es an der Spitze zweier unabhängiger Leaderboards. Alles Folgende zu Wan 3.0 ist ein eingeführtes, bepreistes, unabhängig bewertetes Produkt. Alles über WeMM-Video-9B stammt entweder aus seinem eigenen Repository oder aus dem PDF der Autoren, und dies sind die einzigen beiden Stellen, an denen überhaupt eine Zahl dazu existiert.
Was jedes einzelne tatsächlich zurückgibt
Es lohnt sich, die Spezifikationszeilen nebeneinanderzustellen, gerade weil sie unterschiedliche Aufgaben beschreiben.
• Ausgabe — WeMM-Video-9B gibt Text zurück, auf Chinesisch oder Englisch. Wan 3.0 gibt einen generierten Clip von bis zu 30 Sekunden mit nativem Audio zurück.
• Eingabe — das 9B-Modell verarbeitet Videoframes mit ihrer Originaltonspur, stumme Videos, eigenständiges Audio, Bilder und Text und kann all dies gleichzeitig analysieren. Wan 3.0 akzeptiert Text-, Bild-, Video- und Audio-Prompts sowie – einzigartig in seiner Familie – Dokumente: doc, xls, ppt, pdf, md, txt, bis zu 100 MB oder 50 Seiten pro Datei, die direkt in ein Video umgewandelt werden.
• Gewichte — WeMM-Video-9B veröffentlicht Apache-2.0-Gewichte auf Hugging Face in BF16 sowie vier quantisierte Builds (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 hat keine veröffentlichten Gewichte; es ist eine nutzungsabhängig abgerechnete, geschlossene API.
• Preis — das 9B hat keinen Preis für gehostete Nutzung, weil es niemand hostet; Ihre Kosten sind eine GPU, eine gepatchte Runtime und Ihre eigene Zeit. Wan 3.0 rechnet pro Sekunde Ausgabe ab: 0,3, 0,6 und 1,2 Yuan pro Sekunde bei 480p, 720p und 1080p – etwa 0,05 $, 0,10 $ und 0,20 $ – was Artificial Analysis auf seinen Ranglisten auf 12,00 $ pro Minute normalisiert.
• Unabhängige Bewertungen — keine für WeMM-Video-9B. Artificial Analysis führt auf keiner Liste ein WeMM-Modell. Wan 3.0 steht mit Elo 1.176 (95%-Intervall 1.163 bis 1.189, 8.243 Stichproben) auf Platz eins der Text-to-Video-Liste von Artificial Analysis und mit 1.197 (1.187 bis 1.207, 9.919 Stichproben) auf Platz eins ihrer Video-Editing-Liste sowie mit 1.109 auf Platz zwölf bei Image-to-Video.

Die Preislücke ist keine Preislücke.
Zwölf Dollar pro Minute sind die Zahl, die Leute zitieren werden, und es ist die falsche Zahl, um sie mit irgendetwas zum 9B zu vergleichen, weil die beiden Abrechnungen unterschiedliche Größen messen. Wan 3.0 berechnet die erzeugte Dauer. WeMM-Video-9Bhat überhaupt keine Gebühr pro Einheit – es rechnet in Hardware ab, die Sie bereits besitzen, und der ehrliche Weg, es zu bepreisen, besteht darin, zu ermitteln, wie viel einer Karte es belegt und wie viele Clips Sie pro Stunde durchbekommen.
Die Belegungszahl lässt sich aus dem Repository ableiten. Der BF16-Checkpoint umfasst 19,54 GiB Gewichtsdateien und 10.488.603.384 Parameter über 1.305 Tensoren – 10,49 Milliarden, nicht neun, weil sich das „9B“ im Namen auf das Sprach-Backbone Qwen3.5-9B und nicht auf den gesamten Stack bezieht. Der AWQ-W4A16-Build kommt auf 12,86 GiB. Das entspricht einer Reduktion um 34 % statt um 75 %, die ein 4-Bit-Rezept nahelegt, und der Grund dafür ist in den Exporter-Manifesten sichtbar: Nur die dichten Feed-Forward-Matrizen werden komprimiert, während der Vision-Tower, der Whisper-basierte Audio-Encoder, das Embedding, der Output-Head und jedes Attention-Gewicht ihre ursprüngliche Präzision behalten. Etwa 5,7 Milliarden Parameter bleiben bei zwei Bytes pro Parameter, was eine Untergrenze festlegt, die kein 4-Bit-Rezept unterschreiten kann. Wer ein Deployment anhand des Namens dimensioniert, liegt um rund 1,5 GiB und eine Präzisionsstufe daneben.
Der Kostenvergleich, auf den es tatsächlich ankommt, ist also nicht Dollar gegen Dollar. Er lautet: ein API-Aufruf zu 0,20 $ pro Sekunde fertigen Filmmaterials gegen ein dauerhaft im Speicher gehaltenes Modell von 13 bis 20 GiB, einen gepatchten Serving-Stack und was auch immer Ihre GPU-Stunde kostet. Für ein Team, das bereits Inferenz betreibt, kann die zweite Variante günstiger sein. Für ein Team, das bis Freitag einen Clip braucht, ist die erste die einzige, die es gibt.
Wo das 9B im Vergleich zu einem 30B landet
Die einzige Stelle, an der WeMM-Video-9B harte Zahlen liefert, ist die Auswertung der Autoren, und die Hauptaussage des Papers betrifft sein größeres Geschwistermodell – dass das 35B-A3B-Modell einen neuen Open-Source-State-of-the-Art bei omni-modalen Videos setzt und an Gemini-3.0-Flash heranrückt. Für das 9B-Modell gilt eine zurückhaltendere Behauptung: Es übertrifft Qwen3-Omni-30B-A3B-Instruct, ein Modell von etwa dreifacher Größe. Im Thinking-Modus, in der gemeinsamen Audio-Video-Tabelle, tut es das.
• Video-MME mit Audio — 85,1 für das 9B, 77,3 für Qwen3-Omni-30B-A3B-Instruct, 69,2 für MiniCPM-o-4.5-9B.
• Video-MME-v2 mit Audio — 51,6 gegenüber 36,3, eine Differenz von 15,3 Punkten.
• Reasoning-betonte Zeilen — SciVideoBench 64,2 gegenüber 49,9, MMOU 71,7 gegenüber 60,5, EvaOmni 50,7 gegenüber 26,1, OmniReasoningBench 43,9 gegenüber 24,1.
• Wo es verliert — FutureOmni 53,7 gegenüber 55,1, und JointAVBench liegt gleichauf bei 64,6.
Der interessantere Vergleich ist intern, und es ist derjenige, den niemand erwähnt, der das Paper zitiert. Lässt man das 9B gegen das 35B-A3B-Flaggschiff auf denselben 17 Zeilen laufen, ist der Abstand klein: 85,1 gegen 86,4 bei Video-MME mit Audio, 51,6 gegen 54,9 bei Video-MME-v2, 71,7 gegen 74,5 bei MMOU. In einer Zeile gewinnt das kleinere Modell sogar deutlich – SVHalluc 86,8 gegen 80,3. Ein Modell, das nur einen Bruchteil der aktiven Parameter des Flaggschiffs mitbringt, liegt beim wichtigsten Benchmark innerhalb von 1,3 Punkten. Das ist das stärkste Argument im Repository speziell für das 9B, und es ist ein Argument zu den Bereitstellungskosten, nicht zur Leistungsfähigkeit.
Das 9B ist auch kein pauschales Upgrade gegenüber dem Backbone, von dem es erbt. Der Vergleich mit dem einfachen Qwen3.5-9B in der Stummvideo-Tabelle zeigt ein Modell, das auf das Wann und Wo eines Ereignisses ausgerichtet ist – zu einem messbaren Preis an anderer Stelle: F-16-NBA 88,7 gegenüber 75,8, TimeLens-QVHighlights 66,8 gegenüber 64,3, TOMATO 48,5 gegenüber 45,0 – aber MLVU 82,4 gegenüber 84,4, LVBench 68,2 gegenüber 70,0, VSI-Bench 54,5 gegenüber 58,3, MVBench 71,4 gegenüber 74,4. Wenn Ihre Aufgabe die Zusammenfassung langer Videos ist, hat Ihnen die audiovisuelle Maschinerie etwas gekostet, das das Backbone bereits besser konnte.
Standardmäßig acht Sekunden Abdeckung
Hier werden die beiden Modelle direkt vergleichbar, denn es handelt sich um eine Begrenzung der Dauer – und die Zahlen liegen nicht nahe beieinander.
Wan 3.0 generiert in einem einzigen Durchlauf bis zu 30 Sekunden, doppelt so viel wie die Obergrenze von 15 Sekunden bei Wan 2.7, mit einem Video-Extension-Tool zum Aneinanderreihen längerer Erzählungen. WeMM-Video-9B, wie ausgeliefert, betrachtet acht.
Die Lücke liegt nicht im Checkpoint. Das 9B deklariert in seiner Textkonfiguration 262.144 Positions-Embeddings, was ein sehr großes Budget ist. Sie liegt in den Rezepten. Der Prozessor verwendet standardmäßig 2 fps mit mindestens vier Frames, maximal 128 Frames und 100.663.296 Gesamtpixeln, und der von Tencent veröffentlichte vLLM-Befehl überschreibt alle vier auf 2 fps, 16 Frames und 262.144 Pixel. Bei 2 fps entsprechen sechzehn Frames acht Sekunden Abdeckung, die aus der Mitte eines Clips entnommen werden. Jeder Serving-Befehl im Repository übergibt außerdem --max-model-len 8192 oder --context-length 8192, und nichts im Repository erklärt, wie man den größeren angegebenen Wert erreicht.
• Frame-Budget — standardmäßig 16 Frames bei 2 fps ausgeliefert, d. h. etwa 8 Sekunden, gegenüber der 30-Sekunden-Einzelgenerierung von Wan 3.0.
• Audiokosten — der Audio-Stack gibt 10 Tokens pro Sekunde aus, ein Budget von 8.192 Tokens entspricht also ungefähr dreizehn Minuten Audio und sonst nichts; ein Clip mit Tonspur verbraucht dasselbe Budget gemeinsam für Frames und Audio.
• Medien pro Anfrage — vier Bilder, zwei Videos und zwei Audioelemente, gemäß den mitgelieferten Grenzwerten in den vLLM- und SGLang-Rezepten.
Niemand außerhalb von WeChat Vision hat veröffentlicht, welches Sampling die Benchmark-Läufe verwendet haben. Wenn du eine Zahl aus der obigen Tabelle reproduzierst, ist das die erste Unbekannte, die du festnageln musst, und die standardmäßig ausgelieferten 16 Frames sind der falsche Ausgangspunkt. Aber die Obergrenze ist real: Für alles, was länger als ein Take ist, ist das 9B ein Spot-Checker, kein Reviewer, es sei denn, du erhöhst das Frame-Limit und zahlst dafür mit Kontext.

Die Zahl, die noch niemand gemessen hat
Drei Fakten stehen zwischen diesem Modell und einer belastbaren Empfehlung, und sie sollten klar ausgesprochen statt verschleiert werden.
Der erste Punkt ist, dass jede oben genannte Punktzahl vom Anbieter selbst stammt. Es gibt nirgends eine unabhängige Bewertung von WeMM-Video-9B – kein Arena-Elo, keine Reproduktion durch Dritte, keinen Eintrag in einer Rangliste. Die Tabellen stammen von denselben Autoren, die das Modell trainiert haben, und beruhen auf über 120 Benchmarks ihrer eigenen Auswahl, und mehrere dieser Benchmarks verwenden unterschiedliche Bewerter: Die Evaluation des Papers stützt sich je nach Aufgabe auf GPT-6.1-Sol, GPT-4o und Qwen3-235B-A22B. Vergleiche zwischen Modellen innerhalb des Papers sind daher Vergleiche von Zahlen, die unter unterschiedlichen Bewertern entstanden sind – ein Vorbehalt, den das Paper selbst nennt und den jeder, der die Tabelle zitiert, gerne weglässt.
Der zweite Punkt ist eine Modusaufteilung, durch die zwei Zeilen nicht vergleichbar werden. Die omni-modale Videotabelle führt die WeMM-Modelle im Thinking-Modus aus; die Audiotabelle führt sie im Instruct-Modus aus, nach Einschätzung der Autoren, dass gängige Audio-Benchmarks direkte perzeptive Aufgaben sind. Das ist vertretbar, und es bedeutet zugleich, dass eine WeMM-Zeile in der einen Tabelle nicht einer konkurrierenden Zeile in der anderen Tabelle gegenübergestellt werden kann.
Der dritte Punkt ist die Distribution. Null Downloads sind in keiner Richtung ein Qualitätsbeweis, aber sie bedeuten, dass es keine Sammlung von Erfahrungsberichten aus der Praxis gibt – keine Fehlermodi, kein „es halluziniert bei Musikvideos“, keinen Thread, in dem Leute auf die harte Tour das Frame-Limit entdecken. Wan 3.0 hatte dafür achtundachtzig Tage Zeit, plus Launch-Integrationen in ComfyUI, Leonardo.Ai und Envato. Auf die Frage „Was geht im Produktivbetrieb tatsächlich schief“ hat eines dieser Modelle eine Antwort und das andere ein Repository.

Heute das Paar ausführen
Wenn Sie beides möchten, werden sie auf völlig unterschiedliche Weise installiert, und keines von beiden befindet sich auf einer Routing-Plattform.
Wan 3.0 ist ein nach Verbrauch abgerechneter API-Aufruf. Er ist über Alibabas eigene Konsolen und über Kreativtools von Drittanbietern erreichbar, wird sekundengenau mit 0,3, 0,6 und 1,2 Yuan für 480p, 720p und 1080p abgerechnet, und die einzige wirklich entscheidende Beschaffungsfrage ist, welche Auflösung Ihr Prüfschritt benötigt, denn das ist der Multiplikator.
WeMM-Video-9B ist ein selbst gehosteter Job. Sie benötigen Python 3.12, eine NVIDIA-GPU auf einem CUDA-12.9-Treiber, FFmpeg und die TorchCodec-Shared-Libraries, dann den Runtime-Patch des Repositorys: gepatchtes vLLM 0.18.0 oder 0.31.0 für BF16 oder gepatchtes SGLang 0.5.16 oder 0.5.19, festgelegt auf die genaue PyTorch-, Transformers- und CUDA-Kombination, die das Patch-Manifest für Ihre Engine-Version nennt. Das Laden erfordert zusätzlich trust_remote_code, da das Modell eigenen Modellierungs- und Prozessorcode mitbringt. Tencent hat validiert, dass gepatchtes vLLM den Checkpoint lädt und Text-, Bild-, Audio- und Video-mit-Soundtrack-Generierungsprüfungen auf einer H20 abschließt; dies ist eine Lade-und-Ausführungs-Validierung, keine Genauigkeitsaussage. Der GGUF-Weg erfordert die aus dem Quellcode gebaute native Runtime.
OrcaRouter stellt WeMM-Video-9B nicht bereit, und im Katalog ist überhaupt kein WeMM-Checkpoint aufgeführt; daher gibt es keinen gehosteten Preis zu nennen und keinen Endpunkt zum Aufrufen. Was die Plattform allerdings führt, ist die Vision-Hälfte derselben Aufgabe – Qwen3-VL-8B-Thinking und Qwen3-VL-235B-A22B-Thinking verarbeiten beide Bilder und Videoframes – hinter einem OpenAI-kompatiblen Schlüssel zusammen mit 200+ weiteren Modellen, abgerechnet zum Listenpreis des Anbieters, durchgereicht mit 0 % Aufschlag. Keiner der beiden hört irgendetwas, daher ersetzt keiner die audio-visuelle Hälfte. Wenn der Plan ist, ein selbst gehostetes 9B auszuprobieren, ohne einen Produktionspfad darauf zu legen, ist es der günstige Weg, es hinter eine Failover-Regel zu routen, um herauszufinden, ob die gepatchte Runtime bei Ihrer Parallelität standhält, bevor Sie ihr eine Karte widmen.
Die Kombination selbst ist ein Workflow, kein Benchmark. Mit Wan 3.0 generieren, dann den Clip an ein Modell übergeben, das statt Pixel eine Beschreibung zurückgibt: Passt die Szene zum Prompt, ist die Sprache verständlich, sitzt der Ton auf der Aktion. Nichts hier misst, ob WeMM-Video-9B diese Aufgabe speziell im Vergleich zu den eigenen Ausgaben von Wan 3.0 gut erledigt – niemand hat es ausprobiert. Das Frame-Budget von acht Sekunden ist die Einschränkung, die zuerst getestet werden sollte, denn wenn Ihre Clips dreißig Sekunden lang sind, sieht sich der Reviewer nur ein Viertel von jedem an.
Was würde die Antwort ändern
Drei datierbare Dinge, geordnet danach, wie stark sie die Empfehlung verändern würden.
Eine unabhängige Bewertung für WeMM-Video-9B. Ein einzelner Eintrag bei Artificial Analysis oder ein Arena-Ergebnis von einer Seite, die keinen Arbeitgeber mit den Autoren gemeinsam hat, würde die obige Tabelle von einer Behauptung in eine Messung verwandeln. Bis dahin ist die ehrliche Lesart, dass ein 10,49B-Checkpoint mit einem 9B-Backbone auf Tencent eigenen Benchmarks nahe an seinem eigenen 35B-A3B-Flaggschiff liegt, und mehr lässt sich nicht sagen.
Ein gehosteter Endpoint. Das Modell benötigt eine gepatchte Runtime, eigenen Code und einen dauerhaft im Arbeitsspeicher gehaltenen Footprint von 13 bis 20 GiB; sobald ein Anbieter es hinter einer API anbietet, ist der Preisvergleich in diesem Artikel kein Kategorienfehler mehr, sondern Arithmetik.
Ein Rezept, das den deklarierten Kontext nutzt. Der Checkpoint beansprucht bereits 262.144 Positionen. Wenn Tencent ein Serving-Profil ausliefert, das die Frame-Obergrenze anhebt und tatsächlich ausreizt, wird die Acht-Sekunden-Voreinstellung zu einem Konfigurationsdetail statt zu einer Obergrenze — und das 9B hört auf, ein Spot-Checker für kurze Takes zu sein.
Derzeit ist die Trennung klar. Wählen Sie Wan 3.0, wenn Sie Filmmaterial brauchen; es ist eingeführt und bepreist, steht an der Spitze zweier unabhängiger Bestenlisten und ist das einzige der beiden, das Sie heute Nachmittag aufrufen können. Wählen Sie WeMM-Video-9B, wenn Sie ein Modell brauchen, das den Soundtrack genauso gut hört wie die Frames sieht, eine Grafikkarte übrig haben und bereit sind, die erste Person zu sein, die herausfindet, ob das Acht-Sekunden-Rezept ein Standard oder eine Grenze ist. Die beiden konkurrieren nicht um dieselbe Entscheidung.
In diesem Artikel verglichen2
Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert
