Tarjeta de título que dice «WeMM-Video-4B vs HiDream-O1-Video-1.0» con el subtítulo «Dos tipos de estrechez», dos paneles separados por un disco «vs», el de la izquierda con el subtítulo «pesos abiertos, sin endpoint» y que enumera 5,61B parámetros, Apache 2.0 y vLLM o SGLang parcheados; el de la derecha con el subtítulo «alojado, una sola entrada» y que enumera parámetros no publicados, una imagen de referencia y 5,80 USD por minuto, con un pie de página que dice «Lectura del panel de Artificial Analysis del 20 de noviembre de 2026».
Guides & Insights

WeMM-Video-4B vs HiDream-O1-Video-1.0: dos tipos de estrechez

Autor

jinhao.song

Fecha de publicación

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

HiDream-O1-Video-1.0 y WeMM-Video-4B ambos se describen con más amplitud de la que demuestran en la práctica. La versión de lanzamiento de HiDream promociona un modelo que acepta texto, imágenes y vídeo y devuelve entre cinco y veinte segundos de metraje en 1080p con audio sincronizado; la API documentada acepta exactamente una imagen de referencia y un prompt opcional. WeMM-Video-4B acepta texto, imágenes, vídeo y audio y devuelve texto, lo cual es cierto —y el modelo no se sirve en ningún sitio, así que lo que acepta en teoría es lo que se obtiene solo después de parchear tu propio motor de inferencia. Uno queda limitado por su contrato de servicio; el otro, por no tener ningún contrato de servicio. Esa es toda la comparación, y todo lo que sigue son detalles que penden de ella.

Ninguno de los dos modelos es uno al que puedas invocar hoy en el modo que destaca su artículo. Cuánto importa eso depende de cuál de las dos mitades de la brecha puedes cerrar por tu cuenta, y esa es una cuestión de licencias y GPU más que de calidad.

La fila, y la versión sobre la que se asienta

HiDream-O1-Video-1.0 tiene una medición independiente.AA-Video-I2V v2.1ocupa el puesto 14 con Elo 1.101 y un intervalo del 95 % de ±14, lo que supone un rango de 1.087 a 1.115, sobre 6.976 votos, registrado como lanzamiento de agosto de 2026, a 5,80 dólares por minuto de vídeo generado.

Seis semanas antes, en el tablero v1.0, el mismo modelo era sexto con 1.175 ±10 sobre 3.231 votos. Leído a la ligera, eso parece un desplome. No lo es, y la razón merece decirse con claridad porque es el error más común que se comete con estos tableros: v1.0 y v2.1 son instrumentos distintos, con escalas Elo distintas, conjuntos de votos distintos y una taxonomía distinta. Una puntuación no se transfiere entre ellos, así que la distancia entre 1.175 y 1.101 no es una medida de cuánto empeoró el modelo. Lo que sí cambió es real —el puesto 14 es un lugar peor que el puesto 6 con las reglas del tablero actual—, pero la aritmética que los conecta no existe.

WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is T​encent's own.

Qué acepta realmente la API de HiDream

La superficie de servicio está documentada y es limitada, de formas que se corresponden directamente con las afirmaciones del lanzamiento.

• Entrada — exactamente una imagen de referencia, proporcionada como una URL pública o Base64 de entre 40 KB y 20 MB. El prompt es opcional y su valor predeterminado es vacío. El anuncio enumera el vídeo entre las entradas del modelo; el esquema de la solicitud no tiene ningún campo para ello.

• Resolución — sin selector. El resultado conserva la relación de aspecto de la imagen de referencia. La afirmación de 1080p en el anuncio no puede controlarse desde la solicitud.

• Duración — un booleano, force_10s, con valor predeterminado false. Si se deja en false, el modelo elige; si se establece en true, obtienes diez segundos. El rango anunciado de cinco a veinte segundos no tiene campo numérico.

• Audio — no se expone ninguna entrada de audio ni ningún parámetro de generación de audio, a pesar del audio sincronizado nativo que describe la versión.

• Contrato de resultado: asíncrono. Usted envía la solicitud, obtiene un task_id y consulta periódicamente. result.status = 1 significa que todas las subtareas alcanzaron un estado terminal, no que la generación se haya realizado correctamente; el éxito es sub_task_results[].task_status = 1, con 3 para fallo de generación y 4 para revisión de seguridad.

Así que el modelo al que puedes llamar es un animador de imágenes con dos modos de duración. El modelo descrito en el comunicado es un generador conjunto de texto-vídeo-audio con duración planificada. Ambas afirmaciones están documentadas por la misma empresa, y la diferencia es una hoja de ruta más que una contradicción.

Lo que WeMM-Video-4B te pide que construyas

El otro lado no tiene ningún contrato que lo obligue a ser estrecho, porque no existe un punto final. WeMM-Video-4B tiene 5.611.746.312 parámetros —10,45 GiB de pesos BF16— y se publicó bajo Apache 2.0 dentro de una familia de cuatro tamaños que aparecieron en una ventana de diecinueve minutos el 17 de noviembre de 2026, con el informe técnico, arXiv 2611.26409, publicado a continuación el 19 de noviembre.

Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and T​encent labels it exported_unvalidated.

Lo que se obtiene a cambio es un descriptor con una pila de audio inusualmente grande: 4210 millones de parámetros de un modelo de lenguaje derivado de Qwen3.5-4B, 330 millones de una torre de visión y 1070 millones de un codificador-decodificador de audio al estilo Whisper que alimenta a un Q-Former a 10 tokens por segundo. Casi una quinta parte del checkpoint son oídos, y por eso sus puntuaciones audiovisuales conjuntas son las interesantes.

Los modos en los que se compara cada modelo

Un contraste justo aquí no es «cuál es mejor», sino «cuál es el modo al que realmente puedes llegar», y las dos respuestas acaban en lugares distintos.

• HiDream-O1-Video-1.0 — modo accesible: imagen a vídeo, un fotograma de referencia, relación de aspecto fija, diez segundos o a elección del modelo, sin control de audio. Modo puntuado: imagen a vídeo. La tabla y la API coinciden.

• WeMM-Video-4B — modo alcanzable: video con pista de audio de entrada, texto de salida, con 16 fotogramas muestreados y 8.192 tokens tal como se distribuye. Modo puntuado: el artículo reporta el modo Thinking en las tablas de video, Instruct en la tabla de audio y Thinking de nuevo en imagen y texto, y no indica el número de fotogramas ni la longitud de contexto utilizados.

• Ambos — reportados por el proveedor cuando existe una cifra, y ningún tercero ha reproducido ninguno de los dos. La ventaja de HiDream es que una configuración ha sido votada por personas que no trabajan para HiDream.

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

La pregunta sobre el audio, que solo una parte puede responder

HiDream genera audio y WeMM-Video-4B lo entiende. En una lista de funciones, ambas suenan como la misma capacidad, y no lo son; y para un equipo que construye una pipeline, la distinción decide cuál de las dos es siquiera relevante.

En el lado de la generación, el lanzamiento de HiDream describe un único proceso que modela texto, vídeo y audio conjuntamente en lugar de añadir sonido después, por lo que el movimiento de labios, el ambiente y la acción física comparten una línea temporal. Que puedas dirigir eso es otra cuestión: la solicitud documentada no expone ningún parámetro de audio, y el anuncio no publica un número de pistas, así que la existencia de diálogo, música y efectos como pistas separables no está verificada en ninguno de los dos aspectos.

On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are T​encent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.

Así que el resumen honesto es que un modelo genera sonido que todavía no puedes inspeccionar y el otro inspecciona sonido que tienes que aportar. Ninguno de los dos es la herramienta de audio que un pipeline de producción quiere, hasta que el primero incorpore un parámetro de audio y el segundo incorpore un host.

Dónde ayuda un router y dónde no

OrcaRouter no ofrece ninguno de los dos modelos. No hay endpoint de WeMM —el catálogo no contiene ningún checkpoint de WeMM— y tampoco hay ruta de HiDream; se puede acceder a HiDream-O1-Video-1.0 a través de la propia plataforma de HiDream y de varias plataformas de terceros. Nada de lo que sigue afirma que alojemos ninguno de los dos.

El punto donde un router justifica su existencia en esta comparación es la propia migración, y la herramienta para eso es el DSL de enrutamiento en lugar de la lista de modelos. Ambos modelos se sitúan detrás de una superficie de servicio visiblemente provisional — uno es una vista previa de entrada única con una bandera terminal de dos estados, el otro es una superposición de fuentes fijada a versiones upstream concretas — y una pila que codifique cualquiera de las dos de forma rígida es una pila que se rompe con la nota de versión de otro. Una política de enrutamiento que designa un primario y un respaldo, y que puede comparar dos modelos dentro de una sola solicitud en lugar de dos integraciones, convierte ese riesgo en configuración. Eso se ejecuta sobre un único endpoint compatible con OpenAI en más de doscientos modelos a los precios de lista del proveedor, traspasados con un 0 % de margen, de modo que un cambio de precio del proveedor se aplica el mismo día. Para la parte exclusivamente de visión de la carga de trabajo WeMM, Qwen3-VL-235B-A22B-Thinking y Qwen3-VL-8B-Thinking ya están ambos en la plataforma — lo que es una forma de sortear el checkpoint omni que falta, no un sustituto de su torre de audio.

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

Con qué estrechez puedes vivir

Si necesitas metraje este trimestre y basta con una imagen de referencia, HiDream-O1-Video-1.0 es el único de los dos con un endpoint invocable, y sus restricciones están documentadas con la suficiente claridad como para integrarlo en una tarde. Presupuesta $5.80 por minuto, planifica diez segundos o lo que elija el modelo, y lee el estado de la subtarea en lugar del indicador de terminal.

Si necesitas saber qué hay en el metraje que ya tienes —incluido lo que se dice en él—, WeMM-Video-4B es el único de los dos que puede responder, y el precio de entrada es un motor de inferencia parcheado, un checkpoint de 10,45 GiB y un presupuesto de muestreo de 16 fotogramas que deberías ajustar antes de confiar en un resultado de vídeo largo.

Lo que ninguno de los dos te da es lo que una página de comparación suele prometer: una tarea compartida sobre la que ordenarlos. No son dos respuestas a una misma pregunta. Son dos modelos cuyas superficies públicas son ambas más pequeñas que sus artículos, y el juicio de ingeniería útil es cuál de esas brechas puedes cerrar con tu propio hardware.

Comparados en este artículo1

Detectado en este artículo