Tarjeta de título principal que dice «WeMM-Video-2B vs Seedance 2.5 Flash», con el subtítulo «la puerta de control de calidad que nadie tiene en cuenta al fijar el precio», con dos tarjetas unidas: la izquierda, titulada Seedance 2.5 Flash, que indica 0,07 dólares por segundo a 480p y lleva la etiqueta «genera»; la derecha, titulada WeMM-Video-2B, que indica 6,12 GiB, Apache 2.0 y lleva la etiqueta «evalúa».
Engineering & Research

WeMM-Video-2B vs. Seedance 2.5 Flash: la puerta de control de calidad que nadie tiene en cuenta en el precio

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Por siete centavos se compra un segundo de Seedance 2.5 Flash a 480p, o quince centavos a 720p, según la lista de precios que ByteDance publicó a través de BytePlus el 13 de noviembre de 2026. Nadie publica cuánto cuesta decidir si el clip que llega de vuelta es utilizable. WeMM-Video-2B —el checkpoint omnicomodal de 3,28 mil millones de parámetros de T​encent, subido el 17 de noviembre de 2026 sin anuncio y, a 20 de noviembre, con cero descargas— es el primer modelo con licencia abierta de esta familia lo bastante pequeño como para ejecutarse como la compuerta en lugar del generador. En conjunto, describen un pipeline en el que la parte cara tiene un precio y la parte que decide si la pagaste dos veces no lo tiene.

Ese es todo el argumento, y no es una presentación de producto para ninguno de los dos modelos. Seedance 2.5 Flash es un generador de vídeo con una tarifa y ninguna tabla de capacidades. WeMM-Video-2B es un modelo de comprensión de vídeo con un repositorio y ninguna evaluación independiente. Ninguno está en un endpoint alojado al que podamos remitirte. Lo que sigue es qué es cada uno en realidad, por qué el enfoque de precio por segundo que domina esta categoría es incompleto, y cómo tendría que ser una compuerta en el bucle antes de que valiera la pena conectarla.

Lo que siete centavos por segundo no cubre

Empecemos por la aritmética, porque es la única parte de esta comparación que está resuelta. Seedance 2.5 Flash cobra $0.07 por segundo en 480p y $0.15 en 720p sin vídeo de entrada, frente a $0.103 y $0.231 de Seedance 2.5 — aproximadamente dos tercios del precio en ambos niveles, derivado de una tarifa de tokens de $7.00 por unidad frente a los $10.70 del modelo principal. Un clip de cinco segundos cuesta $0.34 en 480p. Mil de ellos cuestan $340.

Esas cifras son correctas y también son lo menos interesante del modelo, porque ponen precio a una generación y no a una decisión. Todo estudio que opere un nivel de video acaba descubriendo que la factura no es el número de clips que generó, sino el número que generó para conseguir uno que entregaría. Si Flash necesita cuatro intentos para conseguir una toma utilizable, su coste real es de 28 centavos por segundo aceptado, y no supera en nada su propia cifra anunciada. Si el modelo padre lo consigue en dos, el modelo padre es más barato por segundo aceptado pese a costar un 47 % más por intento. La lista de precios no puede decirte cuál de esas cosas es cierta. Solo una medición puede hacerlo.

Esa medición es para lo que está pensado un modelo de comprensión — y aquí es donde la comparación deja de ser un «vs» entre iguales y pasa a ser la descripción de dos tareas adyacentes.

Uno genera, otro juzga, y ninguno hace ambas cosas.

Generated two-column scoreboard titled 'WeMM-Video-2B vs Seedance 2.5 Flash - the scoreboard' with six labelled rows: what goes in, what comes out, resolution, duration, weights and independent evaluation. WeMM-Video-2B reads text out only, Apache 2.0 with four quantised builds, 10 frames per 5 seconds at 2 fps. Seedance 2.5 Flash reads 480p and 720p with no 1080p, a closed endpoint, 5 seconds in the worked example. A footer reads neither is independently evaluated.

Seedance 2.5 Flash recibe un prompt, un primer fotograma opcional y recursos de referencia, y devuelve vídeo. WeMM-Video-2B recibe fotogramas de vídeo junto con la banda sonora original, y devuelve texto. No hay solapamiento en capacidades ni forma de sustituir uno por otro. El identificador del modelo del generador es dreamina-seedance-2-5-flash-261115, y la marca de fecha que contiene —15 de noviembre de 2026— es la ventana de API que BytePlus anunció, dos días después de que el modelo apareciera en un socio de distribución.

• Qué se introduce: un prompt e imágenes de referencia para Flash; hasta cuatro imágenes, dos vídeos y dos elementos de audio por solicitud para WeMM-Video-2B.

• Qué se obtiene: un vídeo mp4 con audio sincronizado para Flash; una respuesta de texto para WeMM-Video-2B, en chino o inglés.

• Resolución: 480p y 720p en Flash, sin ningún nivel de 1080p; no aplicable a WeMM-Video-2B, que no tiene salida de vídeo.

• Duración — cinco segundos es el ejemplo resuelto en la tarjeta de tarifas; WeMM-Video-2B muestrea a 2 fps con un mínimo de 4 fotogramas y un máximo de 128 fotogramas, por lo que un clip de cinco segundos tiene diez fotogramas por defecto.

• Pesos — Flash es un endpoint cerrado sin nada que descargar; WeMM-Video-2B es Apache 2.0 y se puede descargar, pero tú proporcionas las GPU.

• Evaluación independiente: ninguna para ninguno de los dos. Ningún ranking de terceros que pudiéramos encontrar el 20 de noviembre incluye una entrada de Seedance 2.5 Flash, y los resultados principales del artículo de WeMM-Video corresponden al 35B-A3B y al 9B, no al 2B.

Lee esa lista dos veces y la forma de la cosa se vuelve clara. Esto no es una elección entre dos modelos de vídeo. Es una elección entre pagar por la generación y pagar por el criterio, y la mayoría de los equipos ya están pagando por lo primero sin haber calculado el costo de lo segundo.

Lo que T​encent construyó en realidad

El 2B es el miembro compacto de una familia de cuatro tamaños —2B, 4B y 9B densos, y un 35B-A3B de mezcla de expertos— publicados juntos como diecisiete repositorios de Hugging Face entre las 08:53 y las 08:59 UTC del 17 de noviembre, con el artículo de arXiv publicado el 19 de noviembre y el README del repositorio aún editándose en la mañana del 20. La licencia es Apache 2.0 y la arquitectura es una pila de tres torres bajo un único envoltorio `WeMMVideoForConditionalGeneration`: un codificador visual de 24 bloques con 1.024 de dimensión oculta y parches de 16 píxeles, un codificador de audio Whisper de 32 capas y 1.280 de ancho con 128 bins mel, y un modelo de texto de 24 capas con 2.048 de dimensión oculta, 8 cabezas de atención y 2 cabezas de clave-valor, sobre un vocabulario de 248.320 tokens con un máximo de 262.144 posiciones.

Los detalles que determinan si es utilizable como puerta de acceso en lugar de una demostración:

• Tamaño de los pesos: 6,12 GiB de safetensors en BF16 repartidos en dos fragmentos, 6.567.256.208 bytes en el índice, lo que equivale aproximadamente a 3,28 mil millones de parámetros una vez contados los codificadores. El nombre hace referencia únicamente al modelo de lenguaje.

• Dos modos, un solo checkpoint: `enable_thinking=False` devuelve una respuesta directa y `enable_thinking=True` devuelve una traza de razonamiento, seleccionados mediante una flag de la plantilla de chat en lugar de descargar un segundo modelo.

• Servicio — vLLM 0.18.0 o 0.31.0 con parches, SGLang 0.5.16 o 0.5.19 con parches, imágenes CUDA 12.9 y una ruta de ejecución nativa para la compilación GGUF. La propia afirmación de validación de Tencent es que vLLM con parches "cargó el checkpoint en L20 y H20 y completó las comprobaciones de generación para texto, imagen, audio y vídeo con banda sonora".

• Cuantización — FP8 Block128, AWQ W4A16, GGUF Q4_K_M y NVFP4 W4A16, cada uno en su propio repositorio. Un modelo de 2B en una compilación de 4 bits es lo suficientemente pequeño como para alojarse en la misma máquina que el cliente que llama al generador.

• Límites de entrada — cuatro imágenes, dos videos y dos elementos de audio por solicitud dentro de un contexto de 8,192 tokens, impuesto por la receta de servicio en lugar de meramente sugerido por ella.

Lo que falta importa igual. No hay ningún dato de precisión específico para el 2B en ninguna parte de la publicación: las afirmaciones de la familia sobre superar a Qwen3.5-Omni-Flash y Seed2.0-Mini-0428 corresponden al 35B-A3B, y la afirmación del 9B de superar a Qwen3-Omni-30B-A3B-Instruct es del 9B. Si el modelo compacto conserva el razonamiento audiovisual que hace que merezca la pena escribir sobre la familia es, a nivel público, algo no comprobado. Cero descargas y dos me gusta en el repositorio a fecha de 20 de noviembre es un indicador razonable de cuánto escrutinio externo ha recibido.

La tabla de capacidades que ByteDance no ha publicado

Screenshot of ByteDance's BytePlus ModelArk documentation for Seedance 2.5 Flash, showing the model identifier dreamina-seedance-2-5-flash-261115 and the API availability window of 14:00 UTC plus 8 on 15 November 2026, with no duration, reference-budget or audio row on the page.

Flash tiene el problema opuesto. Su precio está documentado al céntimo y su capacidad no está documentada en absoluto. BytePlus publicó una lista de precios, un identificador de modelo y un límite máximo de resolución. No ha publicado, en ninguna página que pudiéramos cargar el 20 de noviembre, la duración máxima, el presupuesto de referencia, si el audio se genera en la misma pasada, si se mantienen los modos de edición y extensión que definen Seedance 2.5, ni si el formato de salida mov está disponible.

El modelo principal responde a todo eso: de cuatro a treinta segundos, cincuenta recursos de referencia divididos en treinta imágenes, diez videos y diez audios, generación conjunta de audio y video, once idiomas, mp4 y mov a 24 fps. Nada de eso se indica para Flash. Eso no es motivo para suponer lo peor; es motivo para no suponer nada. Un nivel que mantiene treinta segundos y cincuenta referencias a dos tercios del precio es un producto distinto de uno que mantiene 720p y nada más, y la diferencia es exactamente lo que una puerta de control de calidad tendría que medir, salvo que la puerta no puede medir una especificación que nunca se documentó.

Cuál es la limitación honesta de toda la idea. Puedes construir el bucle hoy. Todavía no puedes decir contra qué está probando el bucle, porque uno de sus lados entrega una lista de precios y el otro entrega un documento.

Lo que costaría una compuerta en el bucle

Supongamos que lo construyes. La llamada al generador va a BytePlus o a un socio de distribución con su clave. El filtro es una instancia de WeMM-Video-2B que alojas tú mismo, que toma el clip devuelto y su banda sonora y responde una pregunta: ¿esto se ajusta al encargo y está el audio sincronizado? A 2 fps y diez fotogramas para un clip de cinco segundos, esa es una tarea de inferencia pequeña en una sola GPU, y las compilaciones de 4 bits la hacen aún más pequeña.

La economía está desequilibrada de una forma que merece decirse sin rodeos. Una generación cuesta entre siete y quince centavos por segundo y no se puede inspeccionar antes de pagar. Un pase por la compuerta cuesta una fracción de centavo de tiempo de GPU y se puede ejecutar tantas veces como quieras. Si la compuerta rechaza uno de cada cuatro clips, has ahorrado tres cuartas partes de una regeneración que, de otro modo, habrías comprado a ciegas, y lo has hecho sin un segundo contrato con proveedor, porque la compuerta son pesos en tu propio hardware.

Lo que no tienes es un número. Nadie ha publicado una tasa de concordancia entre un juicio de WeMM-Video-2B y el de un editor humano, y hasta que alguien lo haga, el gate es un filtro con una tasa de falsos positivos desconocida. Esa es una razón real para ejecutarlo en modo sombra durante una semana antes de permitir que rechace algo.

Donde la capa de enrutamiento se gana su lugar

Screenshot of the OrcaRouter model page for Tencent Hy4 Flash, showing the identifier tencent/hy4-flash, a 1,048,576-token context window, 65,536 maximum output tokens, text and image input with text output, and per-million pricing of 0.0175 dollars in and 0.07025 dollars out.

Ninguno de los dos modelos está en nuestro catálogo, y ambas afirmaciones conviene hacerlas sin ambages: no ofrecemos WeMM-Video-2B y no ofrecemos Seedance 2.5 Flash. Un pipeline construido en torno a cualquiera de los dos es un pipeline construido sobre la clave de otra persona.

La ruta de lo que hacemos es el trabajo circundante, y en este diseño concreto eso no es un premio de consolación. Tencent Hy4 Flash es el nivel rentable del buque insignia Hunyuan de Tencent: entrada de texto e imagen, salida de texto, un contexto de un millón de tokens, hasta 64.000 tokens de salida, a 0,0175 $ por millón de tokens de entrada y 0,07025 $ por millón de tokens de salida. Ese es el modelo que convierte un brief de una línea en la lista de planos, reescribe el prompt entre intentos y lee el motivo de rechazo de la compuerta para decidir qué cambiar. Es un modelo de texto haciendo trabajo de texto y, a esas tarifas, el bucle de ingeniería de prompts alrededor de un pipeline de vídeo cuesta menos que el vídeo.

El punto estructural es el que se mantiene independientemente del proveedor que elijas. El precio de lista del proveedor se traslada con 0% de recargo, así que cuando ByteDance recorta un nivel —tal como recortó este a dos tercios del principal—, el recorte está activo en nuestro lado el mismo día en lugar de en el siguiente reinicio de facturación. La conmutación automática por error entre proveedores significa que la mitad de texto del bucle no hace caer la canalización cuando un endpoint se degrada. Y tener más de 200 modelos detrás de una única clave compatible con OpenAI significa que la comparación que inevitablemente harás —esta compuerta frente a un modelo de comprensión más grande, este expansor de prompts frente a uno más barato— cuesta un cambio de parámetro y no una integración.

Qué ver y en qué orden

Tres cosas harían que esto pasara de ser un argumento a una recomendación. Primera, la tabla de capacidades de Flash: duración, referencias, audio y si el 1080p está ausente de forma permanente o solo llega tarde. Segunda, cualquier evaluación independiente del 2B: un único número público de concordancia con el juicio humano convertiría la barrera de un diseño en un componente. Tercera, la primera comparación de latencia publicada para Flash, porque «más rápido» es toda la premisa del nombre y una salida de 24 fps a 720p durante treinta segundos es mucha inferencia que acelerar.

Hasta entonces, el resumen son dos precios y un número faltante. Seedance 2.5 Flash es una categoría de vídeo real, barata y de especificaciones limitadas, a dos tercios de la tarifa de su modelo hermano. WeMM-Video-2B es un modelo de comprensión completo y con licencia abierta que nadie ha anunciado y que casi nadie ha descargado. Los siete centavos están documentados. El costo de saber si valía la pena gastar esos siete centavos no está documentado, y esa brecha, y no la tarifa, es lo que hay que presupuestar.