Tarjeta de título que dice «WeMM-Video-9B vs Hailuo 2.3» con el subtítulo «Seis segundos en silencio», dos paneles divididos por un disco «vs»: el de la izquierda encabezado por WeMM-Video-9B con una insignia «pesos abiertos» y filas que dicen «19.54 GiB BF16», «lee 16 fotogramas a 2 fps», «8 segundos de cobertura», «acepta entrada de audio», «sin coste por clip»; el de la derecha encabezado por Hailuo 2.3 con una insignia «API de pago por uso» y filas que dicen «6 s a 1080p», «10 s a 768p», «salida sin audio», «sin control del fotograma final», «unos $0.48 por clip».
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Seis segundos de silencio

Autor

jinhao.song

Fecha de publicación

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

Ambos modelos te defraudarán exactamente en un punto, y es el mismo punto. Hailuo 2.3 produce seis segundos de vídeo en 1080p y ningún sonido en absoluto. WeMM-Video-9B lee dieciséis fotogramas de vídeo muestreados, lo que, con la frecuencia de muestreo de serie, equivale a unos ocho segundos de cobertura, y devuelve texto. Ninguno de los dos es un sistema de vídeo de propósito general, y ninguno está en una tabla de clasificación a la que puedas señalar. M​iniMax lanzó Hailuo 2.3 en abril de 2026 y desde entonces ha pasado a un modelo que sí aparece en esas tablas; el grupo WeChat Vision de T​encent publicó WeMM-Video-9B en Hugging Face el 17 de noviembre de 2026 sin anuncio, sin endpoint y sin precio. Eso deja dos lanzamientos que son, cada uno a su manera, una herramienta acotada —y el límite es la parte interesante.

Una nota sobre las fuentes antes que nada, porque este artículo se apoya en ellas. Las cifras de Hailuo 2.3 provienen de los precios y la documentación propios de MiniMax, además de rastreadores externos por segundo, ya que el modelo no cuenta con un Elo independiente. Las cifras de WeMM-Video-9B provienen de los manifiestos del repositorio, la ficha del modelo y arXiv 2611.26409. Nada de esto se ha reproducido fuera de los laboratorios que lo publicaron, y cuando una cifra es reportada por el proveedor, el texto así lo indica.

Los seis segundos no son un valor predeterminado.

El límite de duración de Hailuo 2.3 es una propiedad entrenada, no un ajuste. Seis segundos a 1080p. Diez segundos si bajas a 768p. No hay condicionamiento por fotograma final, así que no puedes pedirle que termine en una composición final específica como sí puedes con un modelo de fotogramas clave, y no hay ninguna pista de audio nativa: la salida es silenciosa, y cualquier sonido que quieras debe añadirse en una etapa posterior o generarse por separado.

El precio se gestiona mediante puntos prepago en lugar de una tarifa publicada por segundo, lo que hace que las comparaciones de costes sean más difíciles de lo que deberían ser. Seis segundos a 768p en el nivel estándar equivalen a un punto; diez segundos a 768p o seis segundos a 1080p equivalen a dos. La variante Fast se sitúa en torno a 0,7 puntos para el caso corto y entre 1,1 y 1,3 para el largo. Los rastreadores de terceros que han convertido esto a dólares lo sitúan cerca de 0,08 $ por segundo, o aproximadamente 0,48 $ por un clip de seis segundos.

• Duración — Hailuo 2.3: 6 s a 1080p, 10 s a 768p. WeMM-Video-9B: sin duración de salida, porque no genera vídeo.

• Audio — Hailuo 2.3: ninguno, la salida es silenciosa. WeMM-Video-9B: una torre estilo Whisper de 1,08B que transcribe y razona sobre la banda sonora que proporciones.

• Control — Hailuo 2.3: sin condicionamiento de fotograma final. WeMM-Video-9B: de 4 a 128 fotogramas configurables, muestreo predeterminado de 2 fps.

Donde Hailuo 2.3 es realmente bueno es en lo que comentan sus usuarios: movimiento cinematográfico de cámara, movimiento humano y microexpresiones, y un aspecto estilizado, cercano a la animación, que resiste mejor que la mayoría de los modelos en encargos no fotorrealistas. Esa es una fortaleza real y no se puede medir en una clasificación, y eso explica en parte por qué el modelo nunca ha aparecido en una.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

El tablero no tiene fila para ninguno de los dos.

Consultados el 20 de noviembre de 2026, los tres tableros de vídeo de Artificial Analysis —AA-Video-T2V v2.1, AA-Video-I2V v2.1 y AA-Video-Editing v1.1— no devuelven ningún resultado para Hailuo 2.3. No es un rango bajo. No hay entrada.

Esa ausencia tiene dos causas distintas y vale la pena separarlas. WeMM-Video-9B no se puede clasificar: los paneles puntúan el material generado mediante preferencia por pares, y un modelo que emite tokens no tiene nada que enviar. Hailuo 2.3 en principio podría clasificarse y no se ha hecho: salida en 1080p que un evaluador podría ver, ningún envío, ninguna fila de precio, ningún recuento de muestras.

Así que la única evidencia de calidad en esta comparación está del lado que no tiene producto. El artículo de WeMM-Video-9B informa, en modo de pensamiento sobre benchmarks audiovisuales conjuntos, victorias frente 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; EvaOmni 50,7 frente a 26,1— y una derrota, FutureOmni con 53,7 frente a 55,1. Frente a su propio backbone Qwen3.5-9B en vídeo sin audio, mejora en F-16-NBA y TimeLens y pierde en MLVU, LVBench, VideoVista y MVBench. Todo ello proviene del propio harness de los autores, declarado como tal en el artículo.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

La generación posterior a Hailuo 2.3

Hailuo 2.3 no es el modelo actual de M​iniMax, y fingir lo contrario sería un perjuicio para cualquiera que esté haciendo presupuesto para este trimestre. El sucesor, M​iniMax H3, se lanzó el 31 de julio de 2026 y sí aparece en las clasificaciones.

• AA-Video-T2V v2.1 — M​iniMax H3 a 768p ocupa el 3.er puesto en Elo 1.161 ±13 sobre 8.386 muestras, listado en julio de 2026 a $4,80 por minuto.

• AA-Video-I2V v2.1 — 5.º en Elo 1.134 ±14 sobre 6.594 muestras, misma tasa.

• AA-Video-Editing v1.1 — 6.º en Elo 1.126 ±10 sobre 9.688 muestras, $9,60 por minuto.

Ser tercero en texto a vídeo y quinto en imagen a vídeo a 4,80 dólares el minuto es una conversación distinta de la oferta sin clasificación, con precio por puntos y de seis segundos de Hailuo 2.3. Si estás eligiendo un modelo de M​iniMax en lugar de comparar uno, H3 ya ha ganado ese argumento dentro de la propia gama del proveedor.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Por qué los ocho segundos importan más de lo que parecen.

La receta de WeMM-Video-9B que se distribuye anula sus propios valores predeterminados generosos del procesador —2 fps, mínimo 4 fotogramas, máximo 128, un presupuesto de 100.663.296 píxeles— y los reduce a 2 fps y 16 fotogramas con 262.144 píxeles, muestreados alrededor del punto medio del clip. Dieciséis fotogramas a dos por segundo son ocho segundos de cobertura, y la cobertura comienza en el medio.

Ponga eso junto a los seis segundos de Hailuo 2.3 y ocurre algo esclarecedor. En cierto sentido, Hailuo 2.3 produce menos metraje del que WeMM-Video-9B puede examinar: un clip de seis segundos de Hailuo cabe dentro de la ventana del descriptor con espacio de sobra. Pero el modo de diez segundos a 768p no cabe, y tampoco cabe nada que usted generara con un modelo diferente y luego entregara a WeMM-Video-9B para su revisión. El lado de video del pipeline llega a un máximo de unos ocho segundos, mientras que el lado de audio puede contener aproximadamente trece minutos a diez tokens por segundo, y cada comando de servicio del repositorio pasa una longitud de contexto de 8,192 tokens que convierte esa asimetría en la restricción vinculante.

• Si estás generando — Hailuo 2.3 te ofrece seis segundos, sin sonido, con un fuerte movimiento de cámara y detalle humano.

• Si estás revisando — WeMM-Video-9B te ofrece ocho segundos de fotogramas muestreados además de la pista de audio completa, descritos en inglés o chino.

• La unión — una generación silenciosa de seis segundos está dentro de ambas ventanas, que es la única configuración en la que este emparejamiento es limpio.

La conmutación por error es la parte que no es teórica.

Ninguno de los dos modelos se sirve a través de OrcaRouter, y eso se indica aquí en lugar de quedar oculto. Se puede acceder a Hailuo 2.3 a través de la propia plataforma de M​iniMax y de varias plataformas de terceros; se puede acceder a WeMM-Video-9B descargando 19,54 GiB de pesos con licencia Apache-2.0.

Lo que importa en una canalización que combina un generador y un descriptor es qué ocurre cuando falla una de las partes. El failover de OrcaRouter evita un modelo que tiene límite de velocidad o devuelve errores sin que quien llama tenga que reescribir su cliente, y el DSL de enrutamiento permite expresar eso como una política en lugar de un montón de lógica de reintentos. Para una carga de trabajo en la que el paso de descripción es un checkpoint local y el paso de generación es una API alojada, la mitad alojada es la que se cae —y hacer que cambie a un modelo comparable en lugar de hacer fallar el trabajo vale más que una diferencia de precio marginal.

Seis segundos son suficientes o no lo son.

Si el entregable son seis segundos de 1080p silencioso y con aplomo cinematográfico, Hailuo 2.3 lo logra y la única pregunta real es si el precio en puntos supera a las alternativas por segundo para el volumen que necesitas. Revisa el nivel de diez segundos en 768p antes de adoptar como estándar el corto; el costo en puntos se duplica, no la tarifa por segundo.

Si el entregable es un informe escrito de metraje, WeMM-Video-9B lo hace con las cifras audiovisuales más sólidas de la familia y sin confirmación independiente de ninguna de ellas. Presupuesta una instalación parcheada de vLLM o SGLang y el hecho de que serás la primera persona fuera de Tencent que lo ejecute en condiciones reales.

Lo que ninguna de las dos es, es una plataforma de vídeo general. Son dos herramientas limitadas, con una ventaja de ocho segundos y otra de seis, y elegir entre ellas es una cuestión de qué límite puedes permitirte alcanzar.