
WeMM-Video-9B vs HiDream-O1-Video-1.0: Dos cinturas estrechas
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 182 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 364 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 148 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
Por tanto, la comparación que sigue no gira en torno a la capacidad. Gira en torno a qué restricción puedes sortear mediante el diseño, y la respuesta depende de si prefieres pagar por un techo documentado o alojar uno no documentado.
Lo que dice el artículo y lo que acepta la API
HiDream-O1-Video-1.0 se lanzó el 28 de agosto de 2026 y llegó a la tabla de imagen a vídeo el 10 de septiembre. El anuncio del proveedor es amplio: entrada de texto, imagen y vídeo, salida de cinco a veinte segundos en 1080p, audio sincronizado de forma nativa, duración planificada a nivel narrativo y restricciones físicas.
La API de HiHarness no es amplia. Toma una imagen de referencia —una URL o Base64, de no más de 20 MB ni menos de 40 KB— más un prompt de texto opcional, más un booleano force_10s. No hay selector de resolución. No hay campo de vídeo de referencia. No hay control de audio. Si quieres cinco segundos, obtienes diez; si quieres veinte, obtienes diez. La brecha entre el paper y el endpoint es el hecho más concreto sobre este modelo y el que con más probabilidad cambiará tu arquitectura.
• Entrada — HiDream-O1-Video-1.0: una imagen de referencia más un prompt opcional. WeMM-Video-9B: vídeo, audio, imágenes y texto, hasta cuatro imágenes, dos vídeos y dos clips de audio por solicitud.
• Salida — HiDream-O1-Video-1.0: vídeo 1080p con audio sincronizado, diez segundos en la práctica. WeMM-Video-9B: texto en inglés o chino.
• Restricción — HiDream-O1-Video-1.0: la superficie de la API. WeMM-Video-9B: la receta de muestreo incluida, 16 fotogramas a 2 fps.

Una fila del tablero, una celda vacía
HiDream-O1-Video-1.0 tiene exactamente una medición independiente, y es una buena con la que discutir.
• AA-Video-I2V v2.1 — 14.º en Elo 1.101 ±14 sobre 6.976 muestras, lanzamiento de agosto de 2026, 5,80 $ por minuto. Es un intervalo estrecho para una muestra grande, y se sitúa entre Wan 3.0 con 1.109 y Agnes-Video-2.5 con 1.105 — una banda concurrida donde catorce puntos equivalen a un intervalo.
• Ausente en AA-Video-T2V v2.1 y AA-Video-Editing v1.1. La ausencia de texto a vídeo es la más interesante, porque el propio anuncio del proveedor comienza con la entrada de texto. Un modelo sin fila de texto a vídeo y sin campo de vídeo de referencia tiene una historia de texto a vídeo que solo existe en prosa.
• WeMM-Video-9B — ninguna fila en ninguno de los tres tableros, por la razón estructural: los tres clasifican metraje generado, y este no genera nada. Una celda vacía, no una puntuación baja.
A 5,80 $ por minuto, HiDream-O1-Video-1.0 es una de las opciones más económicas del tablero de imagen a vídeo. Solo Pika H3 Flex a 2,10 $, HeyGen Video 1 a 2,40 $, Agnes-Video-2.5 a 2,40 $, Vidu Q4 Preview a 5,04 $ y P-Video-2-Pro a 5,70 $ quedan por debajo entre los modelos clasificados, y supera a varios modelos con precios tres o cuatro veces más altos.

Diecinueve gigabytes y medio de detalle
El punto en el que WeMM-Video-9B es generoso es en lo que te cuenta sobre sí mismo. La ficha de Hugging Face enumera 10.488.603.384 parámetros en 1.305 tensores —un backbone de lenguaje de 7,94B que incluye un embedding de tokens de 1,02B, una cabeza de salida no vinculada de 1,02B, una torre de audio de 1,08B de 32 capas al estilo Whisper con una anchura de 1.280 detrás de un Q-Former de dos capas a diez tokens de audio por segundo, y una torre de visión de 0,46B de 27 bloques con una dimensión oculta de 1.152, un tamaño de parche de 16 y una fusión espacial de 2×2.
Esa precisión es una forma de honestidad que el lado de HiDream no ofrece: tanto Black Forest Labs como HiDream se niegan a publicar el número de parámetros, y ninguno está obligado a hacerlo. Pero también tiende una trampa, porque una arquitectura detallada invita a suponer que la configuración distribuida coincide con ella. No es así.
• Valores predeterminados del procesador — 2 fps, mínimo 4 fotogramas, máximo 128 fotogramas, 100.663.296 píxeles totales.
• Receta de vLLM publicada — 2 fps, 16 fotogramas, 262.144 píxeles, muestreados alrededor del punto medio del clip.
• Contexto — 8,192 tokens en cada comando de servicio, frente a 262,144 embeddings de posición en la arquitectura.
Dieciséis fotogramas a dos por segundo son ocho segundos de cobertura, y el muestreo comienza en el medio. Un clip de sesenta segundos pierde sus primeros y últimos veintiséis segundos. La arquitectura permitiría mucho más; la receta no, y la receta es lo que se entrega.

Diez segundos contra ocho
Pon los dos límites uno junto al otro y aparecerá la forma de la decisión. HiDream-O1-Video-1.0 te da diez segundos de 1080p terminado con audio sincronizado, sin importar lo que pidas. WeMM-Video-9B analiza ocho segundos de metraje que ya tengas, sin importar cuánto dure.
Ambos números son arbitrarios. Los diez segundos de HiDream son una decisión de producto plasmada en un booleano; los ocho de WeMM-Video-9B son un valor predeterminado en un archivo de receta. Ninguno es una ley de la física. Pero solo uno de ellos viene con un proveedor que te dirá qué ocurre en el límite, y no es el que se distribuye como checkpoint.
Si generas un clip de diez segundos con HiDream-O1-Video-1.0 y luego le preguntas a WeMM-Video-9B qué ocurrió en él, el descriptor muestrea ocho de esos diez segundos desde el medio. Dos segundos —el primero y el último— nunca llegan al modelo. Ese es un problema de coordinación que se resuelve con un cambio de configuración, y es exactamente el tipo de problema de coordinación que crea este par y que ninguno de los dos proveedores documenta.
Fusión de modelos, y dónde se gana la frase
Ninguno de los dos modelos está alojado en OrcaRouter. Se puede acceder a HiDream-O1-Video-1.0 a través de la propia plataforma de HiDream y de varias plataformas de terceros; a WeMM-Video-9B se puede acceder descargándolo.
La razón por la que una comparación como esta termina en una conversación sobre orquestación es que las dos mitades fallan de manera distinta. La mitad alojada falla de forma ruidosa —un límite de velocidad, un tiempo de espera agotado, un código de error—, y para eso está la conmutación por error automática. La mitad autoalojada falla en silencio: devuelve una descripción segura de ocho segundos de metraje y no dice nada de los veintiséis segundos que nunca vio. La fusión de modelos es la herramienta más interesante aquí, porque un segundo modelo que lea el mismo clip con una política de muestreo diferente discrepará en los límites, y esa discrepancia es la única señal que recibes de que la ventana era demasiado pequeña.
Para el tramo alojado, el precio de lista del proveedor se traslada con 0% de margen, lo que importa más de lo habitual a $5.80 por minuto: un cambio de precio del proveedor en un modelo barato supone una variación porcentual mayor que en uno caro, y seguir la tarifa publicada en lugar de una copia en caché mantiene honesta la previsión de un lote de cien clips.
¿En qué restricción puedes vivir?
Elige HiDream-O1-Video-1.0 si el trabajo consiste en una imagen de referencia y diez segundos. Obtienes un endpoint documentado, audio sincronizado, una tarifa de $5.80 y una fila en la clasificación en el puesto 14 en imagen a vídeo. Renuncias a texto a vídeo, control de resolución y cualquier duración que no sean diez segundos.
Elige WeMM-Video-9B si describir metraje es la tarea. Obtienes un descriptor omnimodal de 9B con sólidas cifras audiovisuales reportadas, una licencia Apache-2.0 y un recuento de parámetros que puedes auditar. Renuncias a un contrato de servicio, a la verificación independiente y a cualquier garantía de que la ventana de ocho segundos sea lo bastante amplia para los clips que realmente tienes.
Lo que no deberías hacer es comparar los dos por calidad. Ninguno se ha evaluado con el mismo instrumento, y uno de ellos no puede serlo. La comparación que vale la pena es entre dos cinturas estrechas —un booleano y un archivo de receta— y cuál de ellas puedes usar como base sin mentirte a ti mismo sobre lo que ve.
