
WeMM-Video-35B-A3B vs Alibaba Wan 2.7: 22.754 votos frente a cero
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 182 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 364 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 148 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
There is exactly one number in this comparison that a third party produced, and it belongs to Alibaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.
What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what Tencent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.
El único número de terceros aquí
La fila de edición de Wan 2.7 está inusualmente bien respaldada. Veintidós mil votos no son una muestra de clasificación que puedas descartar como ruido; el intervalo de ±8 significa que la novena posición es estable frente a todo lo que está por debajo, y el mes de lanzamiento asociado a la fila es abril de 2026, así que los votos han tenido siete meses para acumularse.
La misma familia aparece dos veces más en los tableros, y las tres filas no coinciden entre sí, lo cual es informativo en sí mismo:
• AA-Video-Editing v1.1 — 9.º, Elo 1.074 ±8, 22.754 muestras, abril de 2026, 16,90 $ por minuto.
• AA-Video-T2V v2.1 — aparece como Wan2.7-260612, en el puesto 20, Elo 1.035 ±13, 6.965 muestras, junio de 2026, 9,00 $ por minuto. Mismo proveedor, tarea diferente, un tercio del número de muestras y un precio 47 % inferior a la tarifa de edición.
• AA-Video-I2V v2.1 — sin fila. Wan 3.0 está en esa tabla en el puesto duodécimo con 1.109; Wan 2.7 no. La suite anuncia capacidad de imagen a vídeo, así que esto es una brecha de la arena y no una brecha del producto, pero significa que el modelo nunca se ha clasificado en la tarea a la que la mayoría de la gente recurriría primero.

Si se leen los tres en conjunto, el resumen honesto es que Wan 2.7 es un modelo de vídeo de gama media mesurado, con una base de evidencia genuinamente sólida (edición), otra más débil (texto a vídeo) y una casilla en blanco. Aun así, eso sigue siendo muchísima más evidencia externa que la que tiene el otro lado de esta comparación.
What Alibaba is selling, and at what rate
Wan 2.7 es un producto de cuatro modos: texto a vídeo, imagen a vídeo, referencia a vídeo y edición de vídeo. Los controles documentados son el condicionamiento por fotograma clave inicial y final, hasta cinco imágenes de sujeto más cinco clips de referencia, salida de 720p a 1080p, audio nativo y clips de dos a quince segundos. La facturación es por segundo según la tarifa publicada, lo que hace que una generación de quince segundos en 1080p sea un coste que puedes calcular antes de pulsar comenzar en lugar de un saldo de créditos que descubres después.
The awkward fact for anyone budgeting on Wan 2.7 today is that Alibaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best Alibaba can do against the best Tencent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.
El checkpoint que llegó esta mañana
El lanzamiento de WeMM-Video-35B-A3B es legible de un modo en que la mayoría de los lanzamientos silenciosos no lo son, porque Hugging Face registra la marca temporal de toda la secuencia. El repositorio apareció a las 08:53:50 UTC del 17 de noviembre sin nada más que un stub de gitattributes. El informe de arXiv, 2611.26409, se envió el 19 de noviembre a las 16:58 UTC y ya ha sido revisado una vez, a las 06:15 UTC del 20 de noviembre. El commit de pesos BF16 tiene fecha 2026-11-20T03:57:36Z. El repositorio de GitHub, Tencent/WeMM-Video, se creó el 17 de noviembre a las 02:29 UTC, tiene nueve estrellas, cero forks y cero lanzamientos publicados, y su README se seguía editando a las 06:34 UTC de esta mañana.
Así que el paper precedió a los tensores por unas once horas, y la ficha del modelo todavía se está reescribiendo mientras se escribe esto. Ese orden es la historia. No ha habido publicación de lanzamiento, ni página de precios, ni endpoint alojado, ni comunicado de prensa, ni cuenta de anuncios: nada de lo que un proveedor suele hacer cuando quiere que un modelo llame la atención.
Lo que el repositorio sí contiene es específico:
• Tamaño — 36.177.564.536 parámetros, BF16, distribuidos en diecisiete fragmentos de safetensors que suman 67,39 GiB. La etiqueta «35B-A3B» cuenta algo distinto del tamaño del archivo; esa diferencia se describe más abajo.
• La compilación FP8 sí volvió. Cuando se publicó el artículo, el repositorio FP8 Block128 al que enlaza la tarjeta devolvía 401 — la misma respuesta que da el Hub para un nombre que nunca ha existido. Ahora ya resuelve: 36.09 GiB en un único archivo safetensors, registrado a las 05:53:01 UTC, dos horas después de la carga de BF16, con 33.6B parámetros en E4M3 y 2.56B restantes en BF16. Pasara lo que pasara a las 16:58 UTC del 19 de noviembre, el lanzamiento no estaba terminado.
• Tres variantes cuantizadas más — AWQ W4A16 con 22,72 GiB en 52 fragmentos por capa, NVFP4 W4A16 con 24,11 GiB en un solo archivo, y un paquete GGUF Q4_K_M de 25,46 GiB dividido en un archivo de lenguaje de 22,61 GiB, un proyector de 0,84 GiB y un codificador de audio de 1,99 GiB. Dos de esas tres se describen a sí mismas como no validadas en sus propios manifiestos. La de NVFP4 solo afirma que los pesos se volvieron a leer en CPU, lo cual es una suma de comprobación y no una evaluación.
• Entornos de ejecución — aquí nada se ejecuta en un motor estándar. El repositorio incluye superposiciones de código fuente con manifiestos SHA-256 para exactamente cuatro versiones upstream: vLLM 0.18.0 y 0.31.0, SGLang 0.5.16 y 0.5.19. Todos los comandos de servicio publicados usan un contexto de 8.192 tokens, paralelismo tensorial entre dos GPU y una canalización multimedia limitada a 16 fotogramas y 262.144 píxeles. Una búsqueda en el rastreador de incidencias de vLLM no encuentra ninguna solicitud upstream para esta arquitectura.

What Tencent measured, and against whom
Todas las cifras de calidad asociadas a WeMM-Video-35B-A3B provienen del equipo que lo entrenó. El artículo lo dice explícitamente —«informamos los resultados oficiales cuando están disponibles y, en caso contrario, nuestras propias evaluaciones»—, y el único número de la ficha cuyas condiciones se detallan por completo ni siquiera es un resultado de vídeo: MMAR1000, solo audio, decodificado a 16 kHz, decodificación voraz, dos H20. El resto de la ficha registra la carga del checkpoint. Frente a 22.754 votos, eso es una categoría de evidencia distinta y debería leerse como tal.
The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which Tencent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.
Las dos pérdidas apuntan en sentido contrario y vale la pena repetirlas: JointAVBench con 65.9 por detrás del 69.0 de Qwen, y MUSIC-AVQA con 79.5 por detrás del 82.1 de Qwen. Ambas tienen una gran carga de audio. Un checkpoint más grande no gana en todas partes, y los lugares donde no gana son aquellos donde el stack de audio de Qwen ha tenido más tiempo para madurar.
Nada de eso se ha reproducido. Ni Artificial Analysis ni LMArena incluyen un modelo WeMM de ningún tamaño, y los tres «me gusta» del repositorio no son una revisión por pares. Si estás eligiendo entre estos dos modelos para hacer un trabajo, estás comparando 22.754 votos con una tabla firmada por los autores.
Ambos graban vídeo, solo uno lo devuelve.
La diferencia estructural es fácil de enunciar y difícil de exagerar. Wan 2.7 acepta texto, imágenes, clips de referencia y vídeo, y devuelve vídeo. WeMM-Video-35B-A3B acepta texto, imágenes, audio y vídeo con su banda sonora, y devuelve texto. El modo de edición de Wan 2.7 es el que más se acerca al otro lado —recibe metraje y devuelve metraje—, pero la salida siguen siendo píxeles, y no hay ningún ajuste que haga que describa lo que editó.
Los límites de cada lado acotan la canalización que puedes construir:
• El límite de Wan 2.7 es la duración. De dos a quince segundos por generación, de 720p a 1080p, con facturación por segundo. Un clip de quince segundos a la tarifa de edición cuesta aproximadamente $4.23 antes de cualquier reintento.
• El límite de WeMM-Video-35B-A3B es el contexto y el muestreo. El procesador utiliza de forma predeterminada dos fotogramas por segundo, un mínimo de cuatro fotogramas, un máximo de dieciséis y un presupuesto total de 262.144 píxeles —aproximadamente ocho segundos de cobertura con la configuración de serie. Los comandos de servicio limitan el contexto a 8.192 tokens y permiten cuatro imágenes, dos vídeos y dos clips de audio por solicitud. A diez tokens de audio por segundo, ese contexto equivale a unos trece minutos de audio si se dedica únicamente al sonido.
• La discrepancia. Wan 2.7 puede producir quince segundos de metraje; la receta de WeMM tal como se distribuye analiza ocho. Si tu canalización renderiza un clip y luego le pregunta a un modelo qué sucedió en él, el descriptor tal como está configurado muestrea aproximadamente la mitad de la salida. Esa es una configuración que tienes que cambiar deliberadamente, no un límite de la arquitectura: el valor predeterminado del propio procesador permite 128 fotogramas.
Dos proveedores, un modelo, una clave
Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through Alibaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.
What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone Tencent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.
Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when Alibaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

¿Qué número estás eligiendo realmente?
Si el entregable es metraje, Wan 2.7 es el único de los dos que lo produce, y la decisión se reduce a si $16.90 por minuto para edición o $9.00 por minuto para texto a video es defendible frente a una tabla en la que el líder actual cobra $12.00 y lo supera en ambas tareas. El noveno y el vigésimo son posiciones respetables de mitad de la tabla. No son una razón para elegir la generación anterior.
Si el entregable es una declaración sobre material audiovisual que ya posees, WeMM-Video-35B-A3B es el único de los dos que la produce, y la decisión se reduce a si puedes asumir un motor de inferencia parcheado, una descarga de 67,39 GiB o una de 36,09 GiB en FP8, dos GPU en paralelismo tensorial y una ventana de muestreo de ocho segundos —para obtener un descriptor de clase 36B cuyas cifras audiovisuales son sólidas y totalmente propias.
La trampa está en tratar «Elo 1.074 sobre 22.754 votos» y «86,4 en Video-MME con audio» como si fueran conmensurables. Una es una medición de la multitud sobre un servicio que cualquiera puede invocar. La otra es una tabla de proveedor sobre un checkpoint que no tenía pesos hasta esta mañana. Vale la pena leer ambas. Solo una de ellas es evidencia.
