Un hero de comparación de dos paneles encabezado por WeMM-Video-35B-A3B vs FLUX 3 Video con el subtítulo: Puedes auditar uno de estos: el panel izquierdo enumera el archivo SHA256SUMS, cinco artefactos, manifiestos autoevaluados y Apache 2.0 bajo una insignia de pesos abiertos, y el panel derecho enumera pesos cerrados, $0.15 a $0.41 por segundo, la FAQ cita $0.80 y Elo 1,137 en texto a vídeo bajo una insignia de API cerrada.
Guides & Insights

WeMM-Video-35B-A3B vs FLUX 3 Video: puedes auditar uno de estos

Autor

Gideon Frost

Fecha de publicación

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

Abre el repositorio WeMM-Video-35B-A3B y hay un archivo llamado SHA256SUMS. Abre la variante FP8 y hay un manifiesto que dice, en sus propias palabras, que la cuantización ha sido recargada de forma independiente pero que la inferencia nativa está pendiente. Abre la variante AWQ y el manifiesto dice quantized_unvalidated. No son documentos de marketing. Son el lanzamiento que describe sus propias lagunas de pruebas, en público, en formato legible por máquina. FLUX 3 Video no tiene nada de eso, porque no hay nada que descargar: Black Forest Labs lo alquila. Así que la comparación interesante entre un checkpoint abierto de 36B publicado en Hugging Face a las 03:57 UTC del 20 de noviembre de 2026 y un generador cerrado que alcanzó disponibilidad general (GA) el 4 de agosto de 2026 no es la calidad. Es lo que puedes comprobar antes de comprometerte, y en qué estás confiando en su lugar.

Ese planteamiento irritará a cualquiera que quisiera una pelea sobre especificaciones, así que aquí está también la pelea sobre especificaciones, más adelante y con citas. Pero la pregunta de auditoría va primero porque es la que sobrevive al próximo cambio de precios de un proveedor, y porque las dos partes la responden de maneras opuestas.

El manifiesto que admite lo que omitió

Tencent ha publicado cinco artefactos para este checkpoint, y la documentación adjunta a cada uno es inusualmente directa. La versión BF16 son diecisiete fragmentos safetensors de 67,39 GiB con un archivo SHA256SUMS que cubre el conjunto. La versión FP8 Block128 es un único archivo de 36,09 GiB, registrado dos horas más tarde a las 05:53:01 UTC, con 33,6B de sus parámetros almacenados como E4M3 y 2,56B en BF16. La compilación AWQ W4A16 es de 22,72 GiB repartidos en 52 fragmentos por capa. La compilación NVFP4 W4A16 es de 24,11 GiB en un solo archivo. El paquete GGUF Q4_K_M consta de tres archivos: 22,61 GiB de lenguaje, 0,84 GiB de proyector y 1,99 GiB de audio.

Lo que hace que merezca la pena leer el conjunto es que los manifiestos se autoevalúan:

• FP8 — su manifiesto registra los pesos como recargados de forma independiente, con la inferencia nativa marcada como pendiente. Es la afirmación más contundente de las cinco y aun así no llega a «funciona».

• AWQ — quantized_unvalidated, expresado sin reservas.

• NVFP4 — cpu_NVFP4_weight_artifact_independently_reread. Releer los pesos en una CPU es una suma de verificación. Indica que el archivo está intacto. No indica que el modelo siga respondiendo correctamente.

• GGUF — exported_unvalidated, y el archivo de alcance por tensor añade quantized_candidate_not_validated. Además, solo se ejecuta en el entorno de ejecución propio de Tencent, no en llama.cpp ni en Ollama, que es el detalle que pilla a la mayoría de la gente que ve las letras GGUF y deja de leer.

La única ejecución totalmente especificada del lanzamiento es limitada y está descrita con precisión: MMAR1000, solo audio, audio completo decodificado a 16 kHz, modo instruct, decodificación greedy, un límite de 256 tokens, vLLM 0.18 parcheado repartido entre dos H20 — 72,7%, o 727 de 1.000. Eso es una prueba de audición, no de visión, y es el único lugar donde el lanzamiento declara sus propias condiciones con la suficiente completitud como para que otra persona pueda repetirlas.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B showing the Apache 2.0 licence, the image-text-to-text pipeline tag, the English and Chinese language tags and the overview text describing the 35B-total, 3B-active mixture-of-experts checkpoint with 67.39 GiB of BF16 weights.

Una lista de precios que se contradice a sí misma

El problema de FLUX 3 Video es la imagen especular. Nadie puede auditar los pesos, así que lo único que se puede auditar es la documentación, y la documentación no concuerda consigo misma.

Black Forest Labs publica una tarifa por segundo: $0.15 para HD, $0.24 para Full HD, $0.28 para QHD y $0.41 para UHD en texto a vídeo e imagen a vídeo, con una escala separada y más pronunciada para vídeo a vídeo de $0.21, $0.27, $0.31 y $0.45, además de un nivel Draft a $0.06. Las preguntas frecuentes de la propia página del modelo, disponibles al mismo tiempo, indican $0.17, $0.29, $0.40 y $0.80 para esos mismos cuatro niveles. En el extremo superior, esas dos cifras difieren en un factor de casi dos. Ambas son del proveedor. Ninguna está marcada como reemplazada.

Lo que reportan las tablas es, de nuevo, una tercera cifra: 17,40 dólares por minuto, en ambas tablas de video de Artificial Analysis donde aparece FLUX 3. Eso es 0,29 dólares por segundo, que no coincide exactamente con ninguna de las dos escalas y se sitúa entre las entradas de Full HD y QHD. Tres cifras, un proveedor, un modelo.

Esto no es un escándalo; es el aspecto que tiene una página de precios en vivo cuando una empresa publica más rápido de lo que edita. Pero ese es precisamente el objetivo de la comparación: el lanzamiento de WeMM-Video te permite calcular el hash de lo que descargaste, y el lanzamiento de FLUX 3 te deja conciliando una FAQ con una tarifa. Distintos tipos de incertidumbre, y solo uno de ellos se puede comprobar desde tu propio shell.

A full-page screenshot of the Artificial Analysis AA-Video-T2V v2.1 leaderboard, showing the ranked text-to-video models with their Elo scores, vote counts, release dates and per-minute prices.

Dónde se posiciona realmente FLUX 3

FLUX 3 Video ocupa dos filas independientes, y están separadas por 68 puntos Elo, lo que constituye el dato más útil sobre él. Su posición en la clasificación es una afirmación sobre la tarea, no sobre el modelo.

• AA-Video-T2V v2.1 — 10.º, Elo 1.137 ±13 sobre 7.406 muestras, julio de 2026, 17,40 $ por minuto.

• AA-Video-I2V v2.1 — 16.º, Elo 1.069 ±14 sobre 6.838 muestras, julio de 2026, 17,40 $ por minuto.

• FLUX 3 Max — una entrada aparte, 7.º en texto a vídeo con 1.151 y 17.º en imagen a vídeo con 1.068, a 8,70 $ por minuto. Más rápido, más barato y mejor en una de las tablas que el modelo base, lo que no se corresponde con el orden que sugiere el nombre.

• Cobertura — FLUX 3 está documentado para texto a vídeo, imagen a vídeo, vídeo a vídeo, acondicionamiento y continuación de fotogramas clave, hasta veinte segundos a 1080p SDR MP4 con audio generado en la misma pasada. No aparece en el panel de edición, por lo que vídeo a vídeo es una capacidad sin clasificación.

WeMM-Video-35B-A3B no tiene fila en ninguna de ellas y no puede tenerla. Las tres tablas clasifican el material generado según la preferencia humana por pares, y este checkpoint genera texto. Eso es una celda vacía, no una puntuación baja, y seguirá vacía hasta que alguien construya una arena para la comprensión de vídeo.

Veinte segundos contra ocho

El techo de generación y la ventana de comprensión son los dos números que deciden si estos encajan en un solo pipeline, y no coinciden.

• El límite de FLUX 3 es de veinte segundos a 1080p, con facturación por segundo, y con condicionamiento por fotograma clave y continuación disponibles para unir secuencias más largas.

• La ventana de envío de WeMM-Video-35B-A3B es de unos ocho segundos. Los valores predeterminados del procesador permiten dos fotogramas por segundo hasta 128 fotogramas y un presupuesto de 100.663.296 píxeles. La receta de vLLM en la tarjeta del modelo sobrescribe todos esos valores para usar dos fotogramas por segundo, dieciséis fotogramas y 262.144 píxeles. Dieciséis fotogramas a dos por segundo son ocho segundos, muestreados alrededor del centro del clip.

Cada comando de servicio publicado incluye 8.192 tokens de contexto, cuatro imágenes, dos vídeos y dos clips de audio por solicitud. Diez tokens de audio por segundo implican que ese presupuesto equivale a algo más de trece minutos de sonido, u ocho segundos de vídeo submuestreado, o una mezcla que el modelo debe equilibrar por sí mismo; y el equilibrio es cosa del llamador, no del modelo.

Un clip de FLUX 3 de veinte segundos descrito por un WeMM-Video-35B-A3B con configuración de distribución se describe a partir de su tercio medio. Al procesador se le puede indicar que examine más —su propio valor predeterminado es de 128 fotogramas—, pero la receta que se obtiene al seguir las instrucciones no lo hace. Si tu pipeline genera y luego verifica, esa brecha te toca cerrarla.

Dos modelos, una llamada

OrcaRouter no sirve ninguno de estos dos. El catálogo contiene 183 ID de modelo, 51 de los cuales aceptan vídeo como entrada y ninguno de los cuales emite vídeo; no hay en él ningún checkpoint de WeMM de ningún tamaño, ni ningún generador de vídeo. FLUX 3 Video es una API de Black Forest Labs. WeMM-Video-35B-A3B es una descarga más un parche de código fuente para vLLM 0.18.0, 0.31.0, SGLang 0.5.16 o 0.5.19: cuatro superposiciones fijadas, cada una ligada a una combinación específica de PyTorch, Transformers y CUDA 12.9.

Lo que hay en la plataforma es la mitad descriptora de ese pipeline sin la descarga. Qwen3.6-35B-A3B es la base sobre la que se construyó este MoE, y se sirve a $0,248 por millón de tokens de entrada y $1,485 por millón de salida con un contexto de 262.144 tokens, aceptando texto, imagen y vídeo. Si la tarea es «mirar este clip y decirme qué pasó», esa es la misma familia de capacidades que hay detrás de una clave compatible con OpenAI, disponible ahora, sin ninguna capa adicional que compilar.

El DSL de enrutamiento es lo que hace que las dos mitades sean componibles. Puedes declarar una regla que envíe cada solicitud a un modelo con nombre, pase a un segundo en caso de un 5xx o un timeout, y mantenga el código del cliente sin cambios — de modo que el render de FLUX 3 permanezca donde está y solo se mueva el paso de descripción. La fusión de modelos va un paso más allá y permite que una sola solicitud recurra a más de un modelo en lugar de elegir un ganador antes de empezar, que es la forma que quiere un bucle de generar-y-criticar: la salida de un modelo examinada por el juicio de otro dentro de la misma cadena de llamadas en lugar de en dos scripts y un directorio temporal.

El precio de lista del proveedor se traslada sin cambios, con 0% de margen. En un pipeline en el que un tramo se factura por segundo a una tarifa que el proveedor publica dos veces con cifras distintas, tener el otro tramo en una factura que sigue el precio de lista es la diferencia entre una previsión y una conjetura.

A two-column comparison card headed WeMM-Video-35B-A3B vs FLUX 3 Video: the left column lists 67.39 GiB BF16, hashable on disk, 3 of 5 artefacts unvalidated and no price, no endpoint; the right column lists rented API, weights never published, $17.40 per minute and 10th on text-to-video.

¿Con qué incertidumbre puedes vivir?

Compra FLUX 3 Video si necesitas metraje; veinte segundos son suficientes, y 17,40 $ por minuto es aceptable para un modelo de texto a vídeo en décimo puesto con un modo de vídeo a vídeo sin clasificar. Obtienes una API, tres precios publicados con los que discutir y dos filas Elo independientes. Renuncias a toda capacidad de inspeccionar lo que estás llamando.

Descarga WeMM-Video-35B-A3B si necesitas una descripción de material audiovisual que ya tienes y puedes manejar 67,39 GiB de BF16 o 36,09 GiB de FP8, dos GPU de paralelismo tensorial y una compilación del motor con parches. Obtienes un checkpoint Apache-2.0 que puedes hashear, manifiestos que te indican qué cuantizaciones nunca se ejecutaron y una tabla de benchmarks que supera a Qwen3.5-Omni-Flash en 28 de 30 cifras compartidas en modo de pensamiento —Video-MME con audio 86,4 frente a 79,3, Video-MME v2 con audio 54,9 frente a 36,6—, con las pérdidas también indicadas: JointAVBench 65,9 frente a 69,0, MUSIC-AVQA 79,5 frente a 82,1. Renuncias por completo a la verificación independiente. Nadie fuera de Tencent ha reproducido ni una sola de esas cifras, y el repositorio sigue mostrando cero descargas.

Los dos riesgos no son equivalentes. Un modelo cerrado con una lista de precios contradictoria puede subir su tarifa con treinta días de preaviso y usted no puede hacer nada más que rehacer el presupuesto. Un checkpoint abierto que autodeclara tres de sus cinco artefactos sin validar puede auditarse, volverse a ejecutar y, si decepciona, reemplazarse —por usted, en su hardware, sin pedir permiso. Eso vale más que 68 puntos Elo, o no, según si está comprando una oportunidad o una segunda opinión.