Tarjeta de título que dice «WeMM-Video-9B vs Alibaba Wan 2.7» con el subtítulo «Una factura y un checkpoint», dos paneles separados por un disco «vs»: el izquierdo etiquetado «solo pesos» y con 9B parámetros densos, 19.54 GiB de fragmentos BF16, Apache 2.0 y sin precio; el derecho etiquetado «API de pago por uso» y con Elo 1,074 en AA-Video-Editing v1.1 y $16.90 por minuto.
Guides & Insights

WeMM-Video-9B vs Alibaba Wan 2.7: una factura y un checkpoint

Autor

jinhao.song

Fecha de publicación

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

Empecemos por la factura. Alibaba Wan 2.7 tiene una tarifa por minuto en dos tableros de video de Artificial Analysis y un rango de duración documentado, lo que lo convierte en uno de los pocos modelos de video cuyo costo se puede calcular antes de escribir una sola línea de código. WeMM-Video-9B no tiene ninguna tarifa. El grupo WeChat Vision de Tencent lo publicó el 17 de noviembre de 2026 como diecinueve gigabytes y medio de pesos Apache-2.0 —cinco fragmentos BF16, una tarjeta de modelo y una prepublicación de arXiv con el número 2611.26409— y luego no dijo nada. Sin publicación de lanzamiento, sin página de precios, sin endpoint alojado, sin envío a ningún tablero. Tres días después, los repositorios siguen mostrando cero descargas entre ambos. Así que la comparación honesta no es Wan 2.7 frente a WeMM-Video-9B en calidad; es un servicio tarificado por consumo frente a un artefacto sin precio, y los dos números que querrías poner uno junto al otro no existen por la misma razón en ambos lados.

Todo lo que sigue separa tres cosas: lo que afirman la documentación de Wan 2.7 y las dos clasificaciones, lo que sostienen el repositorio y el artículo de WeMM-Video-9B, y lo que nadie fuera de ninguno de los dos laboratorios ha reproducido. Ese tercer grupo es donde se ubica la mayor parte del material de WeMM-Video-9B, y fingir lo contrario sería la forma más rápida de que este artículo resulte inútil.

Wan 2.7 se factura en minutos

La tarjeta de tarifas de Alibaba para Wan 2.7 es inusualmente legible para un modelo de vídeo. La suite es un producto de cuatro modos —texto a vídeo, imagen a vídeo, referencia a vídeo y edición de vídeo—, y el precio que aparece en las tablas es una cifra directa por minuto en lugar de un sistema de créditos que tengas que descifrar.

• AA-Video-Editing v1.1 — Wan 2.7 ocupa el 9.º puesto con un Elo de 1.074 ±8 sobre 22.754 muestras, un mes de lanzamiento de abril de 2026 y 16,90 $ por minuto. El intervalo es el más estrecho del tablero fuera de los tres primeros, que es lo que te compran veintidós mil votos.

• AA-Video-T2V v2.1 — la misma familia aparece como Wan2.7-260612 en el puesto 20 de Elo 1.035 ±13 sobre 6.965 muestras, junio de 2026, 9,00 $ por minuto. Mismo proveedor, distinta tarea, distinto precio y un Elo que no se traduce en la puntuación de edición.

• Wan 2.7 no aparece en absoluto en la tabla de imagen a vídeo.Wan 3.0 sí: puesto 12 con 1.109, y esa ausencia merece una lectura cuidadosa. No significa que Wan 2.7 no pueda animar una imagen fija; significa que la arena no lo ha clasificado ahí. La suite de Alibaba sí anuncia control de fotogramas clave inicial y final, hasta cinco imágenes de sujeto y cinco clips de referencia, y salida de 720p a 1080p con audio nativo. Una capacidad que la tabla no puntúa sigue siendo una capacidad.

Una nota contextual que importa para la planificación presupuestaria: Wan 2.7 es la generación anterior. Wan 3.0 ahora lidera tanto la tabla de texto a vídeo (1,176) como la de edición (1,197), y es el más barato de los dos en texto a vídeo, a $12.00 por minuto frente a la tarifa de edición de $9.00 de Wan 2.7. Si hoy eliges un modelo de Alibaba en lugar de comparar uno, la decisión ya ha cambiado.

Qué es en realidad el checkpoint de 9B

WeMM-Video-9B no es un generador de vídeo, y esa sola frase hace la mayor parte del trabajo en esta comparación. Es un modelo de comprensión de vídeo: le pasas fotogramas junto con la banda sonora original y devuelve texto. Descripción, transcripción, razonamiento temporal, respuesta a preguntas sobre metraje que ya tienes.

El repositorio es inusualmente específico sobre lo que contiene, que es el único terreno en el que un lanzamiento discreto supera a uno ruidoso. El registro de Hugging Face enumera 10.488.603.384 parámetros repartidos en 1.305 tensores, BF16, 19,54 GiB divididos en cinco fragmentos. El desglose está detallado: un backbone lingüístico de 7,94B que incluye un embedding de tokens de 1,02B, una cabeza de salida desvinculada de 1,02B, una torre de audio al estilo Whisper de 1,08B con 32 capas de anchura 1.280 tras un Q-Former de dos capas, y una torre de visión de 0,46B de 27 bloques con anchura oculta 1.152, tamaño de parche 16 y una fusión espacial 2×2. La pila lingüística tiene 32 capas con oculto 4.096, 16 cabezas de atención frente a 4 cabezas de clave-valor con dimensión de cabeza 256, con atención lineal híbrida —una capa de atención completa por cada tres lineales— y 262.144 embeddings de posición.

Lo que eso te aporta en la práctica es una entrada amplia y una salida limitada. Entran vídeo, audio, imágenes y texto. Sale texto, en inglés o chino. No hay síntesis de fotogramas en ninguna parte de la arquitectura, y ninguna cantidad de instrucciones producirá una.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

Dos relojes que no coinciden

La comparación que realmente decide algo gira en torno al tiempo y el dinero, y ambas partes tienen un límite.

• 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 en 1080p es una cantidad conocida antes de pulsar el botón de inicio.

• El límite de WeMM-Video-9B es el contexto. El procesador usa de forma predeterminada 2 fotogramas por segundo, con un mínimo de 4 fotogramas, un máximo de 128 fotogramas y un presupuesto total de 100,663,296 píxeles. La receta de vLLM incluida anula todo eso y lo reduce a 2 fps y 16 fotogramas a 262,144 píxeles —aproximadamente ocho segundos de cobertura muestreados desde el punto medio del clip. Todos los comandos de servicio del repositorio también especifican una longitud de contexto de 8,192 tokens, y a diez tokens de audio por segundo eso supone unos trece minutos de audio si gastas el presupuesto solo en sonido.

• El desajuste.Wan 2.7 produce quince segundos de metraje. WeMM-Video-9B, tal como se distribuye, analiza ocho. Si tu pipeline genera un clip y luego le pregunta a un modelo qué ocurrió en él, el descriptor está muestreando la mitad de la salida. Eso no es un defecto de ninguno de los dos productos; es una configuración que tienes que cambiar deliberadamente, y el propio ejemplo del repositorio no la cambia por ti.

La junta a la que ninguno de los dos pertenece

Este es el problema estructural de este enfrentamiento, dicho sin rodeos. Todas las tablas de vídeo de Artificial Analysis clasifican metraje generado. Texto a vídeo, imagen a vídeo y edición de vídeo: las tres toman un modelo que genera píxeles y lo clasifican según la preferencia humana por pares. WeMM-Video-9B genera tokens.

No es que WeMM-Video-9B haya obtenido una mala puntuación. Es que no se puede inscribir. Wan 2.7 tiene dos filas, ambas con intervalos lo bastante ajustados como para discutirlos; WeMM-Video-9B no tiene ninguna y no tendrá ninguna hasta que alguien construya una arena de comprensión de video. Lo que significa que la única evidencia de calidad para el tema de este artículo es la tabla de los propios autores.

Esa tabla no es poca cosa. En modo de pensamiento en tareas conjuntas de audio y vídeo, el checkpoint de 9B supera a Qwen3-Omni-30B-A3B-Instruct en 35 de 37 cifras compartidas — Video-MME con audio 85,1 frente a 77,3, Daily-Omni 83,6 frente a 70,7, SciVideoBench 64,2 frente a 49,9, OmniReasoningBench 43,9 frente a 24,1 — y pierde exactamente una, FutureOmni con 53,7 frente a 55,1. En vídeo silencioso frente a su propio backbone Qwen3.5-9B, mejora en F-16-NBA (88,7 vs 75,8) y TimeLens, y pierde en MLVU, LVBench, VideoVista, VSI-Bench y MVBench. El artículo dice que reporta «resultados oficiales cuando están disponibles y nuestras propias evaluaciones en caso contrario», lo cual es la divulgación correcta y también la razón por la que nada de ello es independiente.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

Dónde encaja OrcaRouter

Ninguno de los dos modelos se sirve a través de OrcaRouter, y este artículo no va a pretender lo contrario. Se puede acceder a Wan 2.7 mediante la API propia de Alibaba y varias plataformas de terceros; se puede acceder a WeMM-Video-9B descargándolo.

Lo que sí corresponde aquí es el aspecto de la facturación, porque la razón por la que los equipos terminan comparando un generador con un descriptor es que ambos se conectan al mismo pipeline. OrcaRouter pasa el precio de lista del proveedor con un 0% de margen, lo que significa que una reducción de tarifa del proveedor llega a tu factura el mismo día que llega a la suya, en lugar de cuando un revendedor vuelve a fijar el precio. Si la tarifa de edición de $16.90 de Wan 2.7 pasa a $12.00 como lo hizo la de Wan 3.0, lo verás en la próxima factura. Para una carga de trabajo en la que una parte se factura por segundo y la otra es un checkpoint que alojas tú mismo, que la mitad medida se informe al costo es la diferencia entre un presupuesto que puedes prever y uno que no.

¿Cuál presupuestar?

Si el entregable es metraje, Wan 2.7 es el único de los dos que puede producirlo, y la decisión se reduce a si $16.90 por minuto para edición o $9.00 por minuto para texto a vídeo resulta competitivo frente al resto de la tabla. En el 9.º y el 20.º puesto respectivamente, está en la mitad de la tabla en ambos.

Si el entregable es una declaración sobre material audiovisual que ya posee, WeMM-Video-9B es el único de los dos capaz de generarlo, y la decisión se reduce a si puede asumir una instalación parcheada de vLLM o SGLang, un checkpoint de 19.54 GiB y una ventana de muestreo de ocho segundos para obtener un descriptor de clase 9B con métricas audiovisuales genuinamente sólidas.

La trampa consiste en interpretar $16.90 y $0.00 como la misma cantidad. Una es una tarifa por consumo de un servicio al que puedes llamar esta tarde. La otra es la ausencia de un servicio, y el precio de esa ausencia se paga en trabajo de integración y en el hecho de que nadie fuera de Tencent te ha dicho si las cifras se sostienen.