Tarjeta de título que dice WeMM-Video-4B vs FastFrames Video Generation, con el subtítulo Una costura silenciosa, dos paneles separados por un disco con vs, el izquierdo enumera 5.61B, entrada de vídeo y audio, salida de texto, de los cuales 1.07B son oídos, 16 fotogramas como máximo y Apache 2.0; el derecho enumera 1.3B y 14B, entrada de texto, salida de vídeo, 81 fotogramas a 832 por 480, 36 ms por fotograma en una B200 y Apple AMLR; y un pie de página que dice: cifras de WeMM reportadas por el proveedor; cifras de FastFrames según los autores.
Engineering & Research

WeMM-Video-4B vs generación de video FastFrames: una costura silenciosa

Autor

jinhao.song

Fecha de publicación

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

FastFrames Video Generation llegó el 16 de noviembre de 2026 y WeMM-Video-4B el 17 de noviembre, ambos como descargas de pesos con un artículo adjunto y ninguno con una publicación de lanzamiento que merezca tal nombre. Esa coincidencia es la única razón para leerlos el uno contra el otro, porque no hacen el mismo trabajo: FastFrames convierte una frase en 81 fotogramas de vídeo silencioso, y WeMM-Video-4B convierte vídeo en una descripción, incluida una descripción de lo que se dice sobre él. La pregunta interesante no es cuál es mejor. Es qué ocurre cuando pones uno detrás del otro —y la respuesta es que la unión entre ambos es silenciosa, lo que desactiva discretamente la parte más costosa del checkpoint de WeMM.

Todo lo que aparece a continuación es medible en los dos repositorios o está reportado por los autores de los dos artículos. Ninguno de los modelos ha sido ejecutado por alguien que no haya escrito su sección de evaluación, y ninguno tiene un precio de alojamiento, una fila en una arena o una reproducción por terceros. Cuando una cifra procede de una tabla de un proveedor, se indica como tal.

Qué guarda FastFrames en el disco

FastFrames es un modelo de difusión de video autorregresivo destilado de Wan2.1, publicado por Apple y Cornell como arXiv 2611.23226 el 17 de noviembre, con los pesos disponibles un día antes. Está disponible en dos tamaños —FastFrames-S con 1300 millones de parámetros y FastFrames-L con 14 000 millones— y la tesis es la latencia en lugar de la fidelidad. En una sola B200, el modelo pequeño produce un fotograma en 36 milisegundos, lo cual es más rápido que la reproducción del clip: una generación de 5,06 segundos tarda aproximadamente 2,9 segundos. El modelo grande logra 45 milisegundos por fotograma distribuidos entre ocho B200, y se degrada a 158 milisegundos en una GPU, lo cual es más lento que el tiempo real. Apple también reporta una penalización del 25 al 50 por ciento en H100 en lugar de B200.

El formato de salida es fijo y limitado. 832×480, 16 fotogramas por segundo, 81 fotogramas por generación —un poco más de cinco segundos—, impulsado únicamente por un mensaje de texto. No hay condicionamiento por imagen, ni entrada de fotograma clave, ni modo de continuación, ni control de cámara en la configuración publicada. Tampoco hay audio: ni decodificador de audio, ni latente de audio, ni banda sonora. Los autores reportan totales de VBench de 84,23 para el modelo pequeño y 84,44 para el grande a 480p con indicaciones y semillas coincidentes, lo que es una puntuación respetable para un modelo cuyo atractivo es que es rápido, y es la única cifra de calidad del lanzamiento.

Dónde van los 1.07 mil millones de parámetros

WeMM-Video-4B es el hijo mediano de una familia de cuatro tamaños del grupo WeChat Vision de Tencent —2B, 4B y 9B densos y una mezcla de expertos de 35B-A3B—, todos subidos en una ventana de diecinueve minutos el 17 de noviembre, con el informe técnico, arXiv 2611.26409, publicado el 19 de noviembre. El nombre se queda corto: los metadatos de safetensors registran 5.611.746.312 parámetros, o 10,45 GiB en BF16, porque "4B" se refiere al backbone lingüístico Qwen3.5-4B y no al checkpoint.

Leer el índice de tensores explica por qué. De 1.268 tensores, el modelo de lenguaje contiene 4,21 mil millones de parámetros, la torre de visión 0,33 mil millones y la pila de audio 1,07 mil millones. Casi una quinta parte de este checkpoint es un codificador-decodificador al estilo Whisper —32 capas de codificador y 32 de decodificador con una anchura de 1.280, con un Q-Former a nivel de ventana que comprime ventanas de 0,1 segundos en 10 tokens de audio por segundo, alimentado a 16 kHz en fragmentos de 30 segundos—. Esa pila se inicializa desde Qwen2.5-Omni.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-4B showing an Image-Text-to-Text pipeline tag, Safetensors and custom-code tags, an Apache 2.0 licence, a BF16 block reading 10.45 GiB of weight files, a size panel reading 6B params and 10.5 GB, and a Quantizations section listing four sibling repositories.

• Generación de video FastFrames — texto de entrada, fotogramas de salida, sin sonido en ninguna parte del flujo de procesamiento.

• WeMM-Video-4B — entran fotogramas y sonido, sale texto, con el sonido gestionado por una torre dedicada de 1,07B en lugar de inferirse a partir de los píxeles.

• Solapamiento — ninguno a nivel de modelo. Ambos son paquetes de pesos con licencia Apache o Apple sin ningún endpoint detrás, y ambos esperan que tú seas el propietario del acelerador.

El único clip que hace FastFrames es silencioso.

Sigue ese razonamiento hasta el final y el problema de composición se vuelve concreto. Si colocas WeMM-Video-4B detrás de FastFrames Video Generation —renderizas un plano y luego lo describes para poder indexarlo, filtrarlo o hacerle control de calidad—, cada clip que le entregas al descriptor carece de pista de audio. La torre de audio de 1,07 mil millones de parámetros no tiene nada que escuchar. El Q-Former no emite nada y la etapa de fusión se reduce a la ruta de visión.

Eso no es un defecto de ninguno de los dos modelos; es un hecho sobre el pipeline, y tiene una consecuencia medible, porque el artículo de WeMM reporta por separado los benchmarks de vídeo sin audio. Solo con visión, WeMM-Video-4B obtiene 75,7 en Video-MME, 65,3 en LVBench, 74,8 en LongVideoBench y 74,2 en EgoSchema. Sus cifras audiovisuales conjuntas —83,9 en Video-MME con audio, 82,5 en Daily-Omni— son las que justifican el tamaño del archivo, y son exactamente las que un pipeline alimentado por FastFrames no puede alcanzar.

Así que la presentación honesta de esta combinación es que FastFrames ejercita aproximadamente el 80 por ciento del checkpoint de WeMM. Si tu objetivo es un bucle de subtitulado sobre metraje generado, un modelo solo de visión de la mitad de tamaño haría el mismo trabajo; si tu objetivo es comprender metraje que tiene sonido, FastFrames no puede proporcionar la entrada. Las dos herramientas se encuentran en un punto en el que una de ellas está medio inactiva.

Screenshot of the Tencent/WeMM-Video GitHub repository showing six stars and zero forks, a README describing an omni-modal video understanding family from WeChat Vision, and a file tree containing patch, native, examples, licenses and a THIRD_PARTY_NOTICES file.

Dos números de velocidad, sin unidades compartidas

Ambos lanzamientos encabezan con una afirmación sobre la latencia, y las afirmaciones no son conmensurables, que es la forma más común en que esta comparación se distorsiona en internet.

Los 36 milisegundos de FastFrames son por fotograma de salida en una B200, medidos con respecto a la reproducción. WeMM-Video-4B no produce fotogramas; su coste es el coste de decodificar texto dentro de un presupuesto de medios limitado. Ese presupuesto es más ajustado de lo que sugieren los valores predeterminados del procesador. La receta de vLLM del repositorio establece max_frames 16 frente a un valor predeterminado del procesador de 128, fps 2, y un límite total de píxeles de 262,144, con una longitud de contexto de 8,192 tokens. El audio consume 10 tokens por cada segundo antes de que se cuente un solo fotograma.

La lectura práctica: un clip de 20 segundos y uno de 5 segundos llegan ambos al descriptor como dieciséis fotogramas, y un clip con banda sonora gasta su contexto en dos flujos a la vez. FastFrames te da movimiento a 16 fotogramas por segundo de salida; WeMM-Video-4B ve una presentación de diapositivas e infiere el movimiento. Ninguno de los dos números te dice nada sobre el otro, y una página que pone «36 ms» junto a «contexto de 8K» está comparando un presupuesto de renderizado con un presupuesto de lectura.

Two-column scoreboard headed 'WeMM-Video-4B vs FastFrames Video Generation', the left column listing direction, 5.61B total parameters, a 1.07B audio stack, an 8,192-token and 16-frame budget, Apache 2.0 and no independent benchmark, the right listing text in and video out, 1.3B small and 14B large, no audio, 81 frames at 832 by 480, Apple AMLR and no independent benchmark, with a footer reading 'WeMM figures vendor-reported; FastFrames figures per the authors and not independently reproduced.'

Aquí las licencias deciden más que las puntuaciones.

Para una comparación tan escasa en evidencia independiente, la línea de la licencia pesa más en la decisión que cualquier benchmark de cualquiera de los dos artículos, y ambas se sitúan en extremos opuestos del espectro.

• FastFrames Video Generation — Términos AMLR de Apple sobre los pesos, con los componentes de demostración de LingBot-World v2 bajo CC BY-NC-SA 4.0. El "NC" es la restricción que importa: pesos abiertos, no abiertos al uso comercial.

• WeMM-Video-4B — Apache 2.0 en toda la colección, con un archivo de licencia de Tencent que declara que los componentes de terceros "siguen sujetos a sus respectivos términos originales". La excepción no está desglosada, lo que constituye una laguna real más que una formalidad, dado que la pila de audio desciende de Qwen2.5-Omni y la columna vertebral de Qwen3.5, ambos Apache 2.0.

• Ambos — puntos de control completos de la etapa de entrenamiento y un pipeline de evaluación en el repositorio, lo que es inusualmente reproducible para lanzamientos de este tipo y es el mejor sustituto disponible de la evaluación independiente que ninguno de los dos tiene.

Conectando un descriptor detrás de un renderizador

Si de todos modos construyes el bucle, la cuestión de ingeniería es dónde encaja el modelo de texto, porque hay tres saltos de texto y solo uno de ellos es opcional.

• Expansión de prompt — una nota de plano se convierte en un prompt de FastFrames. Es necesario, porque un modelo de difusión destilado de 1,3B no tiene margen para interpretar una instrucción vaga.

• Descripción — el clip renderizado se envía a WeMM-Video-4B y regresa como prosa, que es el paso que hace que el metraje se pueda buscar.

• Selección — la prosa decide si el clip se conserva, que es el paso que tiene que ser barato, porque lo pagas en cada candidato en lugar de en cada superviviente.

Esos dos saltos externos son completaciones de texto normales, y son la parte de este stack que OrcaRouter cubre realmente: una clave compatible con OpenAI para más de 200 modelos, con los precios de lista del proveedor trasladados con un 0% de margen, de modo que un cambio de precio del proveedor se aplique el mismo día, y conmutación por error automática para que un límite de solicitudes en mitad de un lote de mil clips se convierta en un reintento en lugar de un hueco. Ni FastFrames Video Generation ni WeMM-Video-4B están en la plataforma —ambos son descargas de pesos, y ninguna capa de enrutamiento convierte un checkpoint en un endpoint. Lo que el router elimina es el trabajo de integración en torno a los dos modelos que sí alojas por tu cuenta.

¿Qué sigue sin confirmarse?

• Calidad independiente — sin fila en Artificial Analysis, sin entrada en la arena y sin reproducción por terceros para ninguno de los dos modelos. VBench 84.44 y Video-MME 83.9 son reportados por los autores y no fueron ejecutados por nadie más.

• Condiciones de evaluación — el artículo de WeMM no indica el número de fotogramas, el presupuesto de píxeles ni la longitud de contexto utilizados en sus benchmarks de vídeo, y la receta incluida usa 16 fotogramas cuando el procesador utiliza 128 por defecto. Esa diferencia es lo bastante grande como para influir en las filas de vídeo largo.

• Precio — ninguno de los dos lo tiene. No hay endpoint alojado, ni tarifa por segundo, ni lista de socios. El costo es la GPU que usted posee, más la capa parcheada de vLLM o SGLang que requiere el repositorio de WeMM, ya que ninguno de los dos motores admite esta arquitectura upstream.

• Usabilidad comercial en el lado de Apple — AMLR, junto con una licencia de demostración no comercial, implica que el renderizador, y no el descriptor, es la parte de este pipeline que una revisión legal detendrá.

La pregunta que elige una

Pregunta qué es tu artefacto. Si es un archivo, solo FastFrames puede producirlo, y planificas en torno a 480p, cinco segundos, silencio y una licencia no comercial. Si es una afirmación sobre metraje que ya tienes —qué ocurre, quién habla, qué se oye—, solo WeMM-Video-4B puede producirlo, y planificas en torno a dieciséis fotogramas muestreados y ocho mil tokens.

Si se trata de ambas cosas, estás construyendo un sistema de dos modelos cuya costura es silenciosa, y la versión correcta más barata de ese sistema no usa un checkpoint omni de 5.61B para describir la salida silenciosa. Usa un modelo de visión para los clips renderizados y conserva WeMM-Video-4B para el metraje de origen que lleva sonido. Es una arquitectura menos elegante que un solo modelo para todo, y es la que respaldan los números.

Lo que ninguna de las dos publicaciones ofrece todavía es lo que lo resolvería: una ejecución hecha por alguien que no escribió el artículo. Dos laboratorios publicaron trabajo serio de vídeo en la misma semana sin anuncio, lo cual es un dato más interesante sobre noviembre de 2026 que cualquier celda de referencia individual.