Tarjeta de título que dice «WeMM-Video-4B vs FLUX 3 Video» con el subtítulo «Lee el clip o crea uno», dos paneles separados por un disco con «vs», el izquierdo con la insignia «pesos abiertos» y en el que se indican $0.00 por minuto, 5.61B parámetros y un contexto de 8,192 tokens, el derecho con la insignia «de pago por uso» y en el que se indican $17.40 por minuto, hasta 20 segundos y 10.º en AA-Video-T2V v2.1, con un pie de página que dice «Cifras de Artificial Analysis consultadas el 20 de noviembre de 2026».
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video: ¿Leer el clip o crear uno?

Autor

jinhao.song

Fecha de publicación

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

La forma más rápida de perder una tarde es comparar WeMM-Video-4B con FLUX 3 Video en calidad. Uno de ellos tiene un número y el otro no, y el número no es una puntuación de calidad: es un precio. FLUX 3 Video, de Black Forest Labs, pasó a disponibilidad general el 4 de agosto de 2026 con una tarifa por minuto publicada y filas en ambos rankings de video de Artificial Analysis. WeMM-Video-4B, del grupo WeChat Vision de T​encent, apareció el 17 de noviembre de 2026 como diez gigabytes y medio de pesos Apache-2.0 sin endpoint, sin precio y sin ninguna entrada en la clasificación. Lo que estás eligiendo es entre un generador de pago por uso y un descriptor gratuito, y la comparación honesta trata sobre cuál de esas dos cosas le falta a tu pipeline.

El resto de este artículo mantiene separadas tres clases de hechos: lo que declaran los repositorios y las dos placas, lo que los proveedores afirman en sus propios artículos y documentación, y lo que nadie fuera de ninguno de los dos laboratorios ha verificado. A 20 de noviembre de 2026, esa tercera categoría constituye la mayor parte del material interesante.

Uno está en dos consejos y el otro en ninguno.

Artificial Analysis puntúa FLUX 3 Video dos veces, y las dos puntuaciones se encuentran en escalas distintas, por lo que ninguna se transfiere a la otra.

• AA-Video-T2V v2.1 — FLUX 3 Video, 10.º, Elo 1.137 ±13 sobre 7.406 votos, listado a 17,40 $ por minuto. El FLUX 3 Video Max, más grande, ocupa el 7.º puesto con 1.151 ±14 sobre 4.708 votos a 8,70 $ por minuto, lo que constituye el caso inusual del modelo más grande como el más barato de la tabla.

• AA-Video-I2V v2.1 — FLUX 3 Video ocupa el 16.º puesto con 1.069 ±14 sobre 6.838 votos, al mismo precio de $17,40. FLUX 3 Video Max ocupa el 17.º puesto con 1.068 ±14 sobre 6.848 votos a $8,70.

• WeMM-Video-4B — no aparece en ninguna de las dos tablas, ni tampoco en la tabla de edición de vídeo. No es una medición que falte; es que no se puede incluir. Las tablas de vídeo de AA clasifican metraje generado, y WeMM-Video-4B no genera ninguno.

Lee los intervalos en lugar de los rangos. Sesenta y ocho puntos separan las dos posiciones de FLUX 3 Video entre las tablas de texto a vídeo e imagen a vídeo —el equivalente a cinco intervalos—, que es el dato útil sobre un modelo puntuado con dos instrumentos que no se convierten entre sí: es un generador competente cuya posición depende de la tarea que se le plantee. Esa es una medición independiente real, aunque modesta, y es más de lo que tiene el otro lado de este enfrentamiento.

Lo que compran 17,40 dólares por minuto

FLUX 3 Video es un generador multimodal con una lista de entradas más amplia de la que muestra cualquier fila individual del panel. Indicaciones de texto, una imagen fija como primer fotograma, video para video a video y continuación, y fotogramas clave para transiciones controladas. La duración llega hasta 20 segundos en una generación, con 5 a 20 segundos para texto a video e imagen a video y 5 a 15 para continuación. La resolución se vende en bandas de píxeles en lugar de relaciones de aspecto: HD a aproximadamente un megapíxel por fotograma, FHD a dos, QHD/2K a cuatro, UHD/4K a ocho. El audio nativo con diálogo multilingüe, voz sincronizada, efectos de sonido y ambiente es opcional y está incluido en el precio por segundo.

• Draft HD — 0,06 $ por segundo. Un clip de prueba de cinco segundos cuesta treinta centavos.

• HD / 720p — $0.17 por segundo, o aproximadamente $0.85 por cinco segundos.

• FHD / 1080p — $0.29 por segundo. QHD/2K cuesta $0.40 y UHD/4K cuesta $0.80.

• Video a video y continuación — $0.12 borrador, de $0.41 a $0.43 HD, de $0.53 a $0.54 FHD, $0.65 en 2K y $0.95 en 4K.

Los $17,40 por minuto del panel son una cifra normalizada para 1080p, por lo que no se divide de forma exacta entre esa tarjeta. Es una unidad de comparación, no un recibo. Varios resúmenes de terceros también indican que las bandas de 2K y 4K están en despliegue, no disponibles de forma universal, así que conviene tratar la parte superior de la tarjeta como una cuestión de nivel de cuenta.

Lo que WeMM-Video-4B te da gratis

El otro lado del enfrentamiento no cuesta nada por llamada y no se puede comprar en absoluto. WeMM-Video-4B tiene 5.611.746.312 parámetros —10,45 GiB en BF16— en un repositorio nombrado por su backbone lingüístico Qwen3.5-4B en lugar de por su tamaño real. El excedente es la clave: 4.210 millones de parámetros de modelo de lenguaje, 330 millones de torre de visión y 1.070 millones de pila de audio al estilo Whisper con un Q-Former que emite 10 tokens de audio por segundo a partir de audio de 16 kHz en fragmentos de 30 segundos.

Recibe texto, imágenes, vídeo y vídeo con su banda sonora original, y devuelve texto. En la tabla audiovisual conjunta de los autores, supera a Qwen3-Omni-30B-A3B-Instruct en Video-MME con audio, 83,9 frente a 77,3, y en Video-MME v2, 48,1 frente a 36,3. En vídeo sin sonido, lidera LVBench 65,3 frente a 50,2 y LongVideoBench 74,8 frente a 63,5. Frente a Qwen3.5-Omni-Flash, pierde en los benchmarks de audio —MMAU 75,2 frente a 80,4, MMAR 67,3 frente a 74,0— y va por detrás en OCRBench 85,7 frente a 89,1 y GPQA 73,2 frente a 76,4.

Cada uno de esos es una medición propia de T​encent. El artículo dice que informa resultados oficiales cuando están disponibles y, en caso contrario, sus propias evaluaciones, y ningún tercero ha reproducido ninguna fila. No se indican los recuentos de fotogramas, los presupuestos de píxeles ni la longitud de contexto de las ejecuciones de referencia, lo cual importa porque la receta de vLLM distribuida limita el vídeo a 16 fotogramas y 262.144 píxeles totales frente a un valor predeterminado del procesador de 128 fotogramas.

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

Dos relojes que nunca coinciden

Ninguno de los dos modelos puede sustituir al otro, y las limitaciones que hacen que eso sea cierto son, en ambos casos, cuestiones de presupuesto y no de capacidades.

• Presupuesto de salida — FLUX 3 Video genera hasta 20 segundos de metraje por llamada, a hasta 4K y con audio. WeMM-Video-4B no genera ningún fotograma en absoluto, así que su presupuesto de salida es un presupuesto de tokens: 8.192 tokens por solicitud tal como se entrega, y el audio consume 10 tokens por segundo antes de contar los fotogramas.

• Presupuesto de entrada — WeMM-Video-4B acepta cuatro imágenes, dos videos y dos elementos de audio por solicitud, a 2 fotogramas por segundo con un máximo de 16 fotogramas. FLUX 3 Video acepta un prompt, un primer fotograma, un video de referencia o un conjunto de fotogramas clave, y ninguna entrada de audio de ningún tipo.

• Estructura de costes — FLUX 3 Video cobra por segundo de resultado, así que el coste escala con la ambición. WeMM-Video-4B cobra por hora de GPU de tu propio hardware, así que el coste escala con el tamaño del lote y no le importa cuánto dure el clip de origen, solo cuántos fotogramas sobreviven al muestreo.

• Licencia — Apache 2.0 en la colección WeMM, con una excepción no desglosada para componentes de terceros; una API comercial alojada por parte de FLUX sin pesos publicados.

En pocas palabras: uno es un gasto por segundo con un marcador, el otro es un costo de capital fijo con un documento. Un equipo que necesita una toma terminada no puede usar WeMM-Video-4B, y un equipo que necesita un índice searchable de diez mil clips existentes no puede usar FLUX 3 Video — no porque sea caro, sino porque no tiene forma de responder a una pregunta sobre material que no produjo.

El audio es donde la comparación se tuerce

FLUX 3 Video genera audio. WeMM-Video-4B comprende audio. Son capacidades diferentes que suenan similares en una lista de funciones, y la diferencia decide el pipeline.

El audio de FLUX es una salida de generación: diálogo multilingüe, habla sincronizada, efectos de sonido y ambiente, opcionales e incluidos en el precio por segundo. Lo que Black Forest Labs no publica es el número de pistas, así que si necesitas diálogo, música y efectos como stems separables, ni la tarifa ni la documentación te dicen si los obtendrás. Presupuesta una segunda pasada en un DAW.

El audio de WeMM es una ruta de entrada: una torre de 1,07 mil millones de parámetros que convierte una banda sonora en 10 tokens por segundo y los fusiona con tokens visuales en orden cronológico, con marcas de tiempo textuales explícitas. Eso es lo que miden el 83,9 en Video-MME con audio y el 75,2 en MMAU: lo bien que oye, no lo bien que habla.

Así que un flujo de trabajo que escribe una escena, la renderiza con sonido y luego necesita saber si el diálogo realmente funcionó requiere ambas mitades, y ninguno de los modelos cubre la mitad del otro. Ese es el único punto en esta comparativa donde los dos son genuinamente complementarios en lugar de simplemente diferentes.

La cuestión del enrutamiento, planteada con honestidad

OrcaRouter no sirve ninguno de los dos modelos. No existe un endpoint de WeMM-Video-4B —el catálogo de la plataforma no incluye ningún checkpoint de WeMM en absoluto— ni tampoco una ruta de FLUX 3 Video. FLUX 3 Video está disponible a través de la API propia de Black Forest Labs y de varias plataformas de terceros; WeMM-Video-4B está disponible como descarga, con una superposición parcheada de vLLM o SGLang, porque ninguno de los dos motores admite la arquitectura en su versión upstream.

Lo que la plataforma sí cubre es la capa de texto que rodea a cualquiera de los dos flujos de trabajo, y en esta combinación la pieza útil es la fusión de modelos en lugar del enrutamiento simple. La decisión «¿merece la pena conservar este clip?» es una cuestión de criterio, y una llamada fusionada que pone un clasificador barato y un razonador caro sobre el mismo prompt puede tomarla por una fracción del coste de ejecutar el caro en cada candidato. Eso funciona con una única clave compatible con OpenAI en más de 200 modelos, a los precios de lista de los proveedores y con un 0 % de margen, de modo que cuando un proveedor baja un precio, la rebaja está activa el mismo día y no en el siguiente ciclo de facturación. Para la mitad puramente de visión del trabajo de WeMM en concreto, tanto Qwen3-VL-235B-A22B-Thinking como Qwen3-VL-8B-Thinking aceptan imágenes y fotogramas de vídeo y ya están en la plataforma, lo que supone una ruta alternativa al modelo omni que falta, no un sustituto de su torre de audio.

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

¿Qué lo resolvería realmente?

Tres avances sacarían esta comparación del terreno de los datos aportados por el proveedor en el que actualmente se sitúa.

Primero, una entrada de WeMM-Video-4B en cualquier ranking independiente. No hay ninguna, y la razón es estructural más que conspirativa: los rankings de vídeo de AA clasifican metraje generado, y un modelo de comprensión no puede inscribirse. Una arena omnimodal de comprensión de vídeo es el instrumento que falta, y hasta que exista uno, todas las cifras de WeMM son palabra de T​encent.

En segundo lugar, un lanzamiento de pesos de FLUX 3 Video. Black Forest Labs tiene reputación de publicación abierta y este checkpoint no cuenta con licencia para su descarga, así que la comparación es actualmente entre un modelo abierto y uno cerrado, una diferencia que ninguna fila de benchmark captura.

En tercer lugar, un precio de alojamiento para la familia WeMM. Si un proveedor de alojamiento compatible empieza a servir estos pesos al precio de lista del proveedor con un 0 % de margen repercutido, el aspecto de costes de este artículo cambiará de forma en una semana. Eso es una condición, no un hecho actual, y nada de lo aquí expuesto debe interpretarse como una afirmación de que lo alojamos.

Cuál realmente necesitas

Si el entregable es material de vídeo, FLUX 3 Video es el único de los dos capaz de producirlo, y la decisión se reduce a si $0.17 por segundo para 720p es aceptable frente a los generadores alternativos de la misma tabla, en la que, en el puesto 10 de texto a vídeo, tiene un precio de mitad de la tabla.

Si el entregable es una declaración sobre metraje que ya tiene, WeMM-Video-4B es el único de los dos que puede producirla, y la decisión se reduce a si puede asumir un overlay de código fuente para vLLM o SGLang y un checkpoint de 10,45 GiB para obtener un descriptor de clase 4B con métricas de video largo inusualmente buenas.

La trampa es tratar los $17.40 y los $0.00 como la misma cantidad. Uno es una tarifa por consumo de un servicio; el otro es la ausencia de un servicio. WeMM-Video-4B es gratis de la misma forma en que lo es un lanzamiento de investigación: pagas en integración, en paquetes GGUF no validados y en la ausencia de la opinión de cualquier otra persona sobre si funciona.

Comparados en este artículo1

Detectado en este artículo