Un hero de comparaison à deux panneaux intitulé WeMM-Video-35B-A3B vs Alibaba Wan 2.7, avec pour sous-titre « 22 754 votes contre zéro » : le panneau de gauche liste 36,18 B de paramètres, 67,39 GiB en BF16, 0 téléchargement et aucune ligne au classement sous un badge open-weights ; le panneau de droite liste Elo 1 074 en édition, 22 754 votes, 16,90 $ par minute et une 9e place au classement sous un badge metered-API.
Guides & Insights

WeMM-Video-35B-A3B vs Alibaba Wan 2.7 : 22 754 votes contre zéro

Auteur

Alistair Wren

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

Le seul numéro tiers ici

La ligne d’édition de Wan 2.7 est exceptionnellement bien soutenue. Vingt-deux mille votes ne constituent pas un échantillon de classement que l’on peut écarter comme du bruit ; l’intervalle de ±8 signifie que la neuvième place est stable face à tout ce qui se trouve en dessous, et le mois de sortie associé à la ligne est avril 2026, donc les votes ont eu sept mois pour s’accumuler.

La même famille apparaît deux fois de plus sur les planches, et les trois lignes ne concordent pas entre elles, ce qui est en soi instructif :

• AA-Video-Editing v1.1 — 9e, Elo 1 074 ±8, 22 754 échantillons, avril 2026, 16,90 $ par minute.

• AA-Video-T2V v2.1 — répertorié comme Wan2.7-260612, 20e, Elo 1 035 ±13, 6 965 échantillons, juin 2026, 9,00 $ par minute. Même fournisseur, tâche différente, un tiers du nombre d’échantillons et un prix inférieur de 47 % au tarif de montage.

• AA-Video-I2V v2.1 — aucune ligne. Wan 3.0 figure sur ce tableau à la douzième place avec 1 109 ; Wan 2.7 n'y figure pas. La suite annonce une capacité image-vers-vidéo ; il s'agit donc d'une lacune de l'arène plutôt que d'une lacune du produit, mais cela signifie que le modèle n'a jamais été classé sur la tâche vers laquelle la plupart des gens se tourneraient en premier.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Si l’on lit les trois ensemble, le résumé honnête est que Wan 2.7 est un modèle vidéo mesuré de milieu de tableau, avec une base de preuves véritablement solide (le montage), une plus mince (le texte-vers-vidéo) et une case vide. Cela représente encore bien plus de preuves externes que ce dont dispose l’autre côté de cette comparaison.

What A​libaba is selling, and at what rate

Wan 2.7 est un produit à quatre modes : texte-vers-vidéo, image-vers-vidéo, référence-vers-vidéo et montage vidéo. Les contrôles documentés sont le conditionnement par image clé de début et de fin, jusqu'à cinq images de sujet plus cinq clips de référence, une sortie de 720p à 1080p, un audio natif et des clips de deux à quinze secondes. La facturation se fait à la seconde, au tarif du barème, ce qui fait d'une génération de quinze secondes en 1080p un coût que vous pouvez calculer avant de lancer plutôt qu'un solde de crédits que vous découvrez après coup.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

Le point de contrôle qui est arrivé ce matin

La publication de WeMM-Video-35B-A3B est lisible d’une manière que la plupart des publications discrètes ne sont pas, car Hugging Face horodate toute la séquence. Le dépôt est apparu à 08:53:50 UTC le 17 novembre, ne contenant qu’un stub gitattributes. Le rapport arXiv, 2611.26409, a été soumis le 19 novembre à 16:58 UTC et a déjà été révisé une fois, à 06:15 UTC le 20 novembre. Le commit des poids BF16 est daté du 2026-11-20T03:57:36Z. Le dépôt GitHub, Tencent/WeMM-Video, a été créé le 17 novembre à 02:29 UTC, totalise neuf étoiles, zéro fork et aucune version publiée, et son README était encore en cours de modification à 06:34 UTC ce matin.

Ainsi, l’article a précédé les tenseurs d’environ onze heures, et la fiche du modèle est encore en cours de réécriture au moment où ces lignes sont écrites. Cet ordre est toute l’histoire. Il n’y a eu aucune publication de lancement, aucune page de tarification, aucun point de terminaison hébergé, aucun communiqué de presse et aucun compte d’annonce — rien de ce qu’un fournisseur fait normalement lorsqu’il veut qu’un modèle soit remarqué.

Ce que le dépôt contient bel et bien est précis :

• Taille — 36 177 564 536 paramètres, BF16, répartis sur dix-sept fragments safetensors totalisant 67,39 GiB. L’étiquette « 35B-A3B » comptabilise autre chose que la taille du fichier ; l’écart est décrit plus bas.

• La version FP8 est bien revenue. Lorsque l’article a été publié, le dépôt FP8 Block128 vers lequel renvoie la fiche répondait 401 — la même réponse que le Hub donne pour un nom qui n’a jamais existé. Il se résout désormais : 36,09 GiB dans un seul fichier safetensors, commité à 05:53:01 UTC, deux heures après le téléversement BF16, avec 33,6 B de paramètres en E4M3 et 2,56 B laissés en BF16. Quoi qu’il se soit passé à 16:58 UTC le 19 novembre, la publication n’était pas terminée.

• Trois autres variantes quantifiées — AWQ W4A16 à 22,72 Gio réparti sur 52 fragments par couche, NVFP4 W4A16 à 24,11 Gio dans un seul fichier, et un ensemble GGUF Q4_K_M à 25,46 Gio scindé en un fichier de langue de 22,61 Gio, un projecteur de 0,84 Gio et un encodeur audio de 1,99 Gio. Deux de ces trois variantes se décrivent comme non validées dans leurs propres manifestes. Celle en NVFP4 affirme seulement que les poids ont été relus sur CPU, ce qui constitue une somme de contrôle et non une évaluation.

• Runtimes — rien ici ne fonctionne sur un moteur standard. Le dépôt fournit des surcouches de code source avec des manifestes SHA-256 pour exactement quatre versions amont : vLLM 0.18.0 et 0.31.0, SGLang 0.5.16 et 0.5.19. Chaque commande de service publiée utilise un contexte de 8 192 tokens, un parallélisme de tenseurs sur deux GPU et un pipeline média limité à 16 images et 262 144 pixels. Une recherche dans le gestionnaire de tickets vLLM ne trouve aucune demande amont pour cette architecture.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

Chaque chiffre de qualité associé à WeMM-Video-35B-A3B provient de l’équipe qui l’a entraîné. L’article le dit d’ailleurs — « nous rapportons les résultats officiels lorsqu’ils sont disponibles et nos propres évaluations sinon » — et le seul chiffre de la fiche dont les conditions sont entièrement précisées n’est même pas un résultat vidéo : MMAR1000, audio uniquement, décodé à 16 kHz, décodage glouton, deux H20. Le reste de la fiche consigne le chargement du checkpoint. Face à 22 754 votes, il s’agit d’une autre catégorie de preuves et il convient de la lire comme telle.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

Les deux pertes pointent dans l’autre direction et méritent d’être répétées : JointAVBench à 65,9 derrière les 69,0 de Qwen, et MUSIC-AVQA à 79,5 derrière les 82,1 de Qwen. Les deux sont fortement orientées audio. Un checkpoint plus volumineux ne l’emporte pas partout, et les endroits où il ne l’emporte pas sont ceux où la pile audio de Qwen a eu plus de temps pour mûrir.

Rien de tout cela n’a été reproduit. Ni Artificial Analysis ni LMArena ne répertorie un modèle WeMM, quelle que soit sa taille, et les trois « j’aime » sur le dépôt ne constituent pas une évaluation par les pairs. Si vous choisissez entre ces deux modèles pour effectuer une tâche, vous comparez 22 754 votes à un tableau signé par les auteurs.

Les deux filment, un seul renvoie la vidéo.

La différence structurelle est facile à énoncer et difficile à surestimer. Wan 2.7 accepte du texte, des images, des clips de référence et de la vidéo, et renvoie de la vidéo. WeMM-Video-35B-A3B accepte du texte, des images, de l’audio et de la vidéo avec sa bande sonore, et renvoie du texte. Le mode d’édition de Wan 2.7 est celui qui s’approche le plus de l’autre côté — il prend des séquences en entrée et rend des séquences en sortie — mais la sortie reste des pixels, et aucun réglage ne lui permet de décrire ce qu’il a édité.

Les plafonds de chaque côté délimitent le pipeline que vous pouvez construire :

• La limite de Wan 2.7, c’est la durée. De deux à quinze secondes par génération, de 720p à 1080p, facturé à la seconde. Un clip de quinze secondes au tarif d’édition revient à environ 4,23 $ avant tout réessai.

• Le plafond de WeMM-Video-35B-A3B tient au contexte et à l’échantillonnage. Le processeur utilise par défaut deux images par seconde, avec un minimum de quatre images, un maximum de seize et un budget total de 262 144 pixels — soit environ huit secondes de couverture avec la configuration livrée. Les commandes de service plafonnent le contexte à 8 192 jetons et autorisent quatre images, deux vidéos et deux clips audio par requête. À dix jetons audio par seconde, ce contexte représente environ treize minutes d’audio si vous le consacrez uniquement au son.

• Le décalage. Wan 2.7 peut produire quinze secondes de vidéo ; la recette WeMM livrée n’en examine que huit. Si votre pipeline effectue le rendu d’un clip puis demande à un modèle ce qui s’y est passé, le descripteur tel que configuré n’échantillonne qu’environ la moitié de la sortie. Il s’agit d’une configuration que vous devez modifier délibérément, et non d’une limite de l’architecture — la valeur par défaut du processeur lui-même autorise 128 images.

Deux fournisseurs, un seul modèle, une seule clé

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Quel numéro choisissez-vous réellement ?

Si le livrable est constitué de séquences vidéo, Wan 2.7 est le seul des deux à en produire, et la décision se résume à savoir si 16,90 $ la minute pour le montage ou 9,00 $ la minute pour la génération texte-vers-vidéo est défendable face à un comité où le leader actuel facture 12,00 $ et le surpasse sur les deux tâches. Les neuvième et vingtième places sont des positions de milieu de tableau respectables. Elles ne constituent pas une raison de choisir la génération précédente.

Si le livrable est un énoncé portant sur des séquences vidéo que vous détenez déjà, WeMM-Video-35B-A3B est le seul des deux à le produire, et la décision se résume à savoir si vous pouvez embarquer un moteur d’inférence corrigé, un téléchargement de 67,39 GiB ou un téléchargement FP8 de 36,09 GiB, deux GPU en parallélisme tensoriel et une fenêtre d’échantillonnage de huit secondes — pour obtenir un descripteur de classe 36B dont les chiffres audio-visuels sont solides et entièrement first-party.

Le piège, c'est de traiter « Elo 1 074 sur 22 754 votes » et « 86,4 sur Video-MME avec audio » comme des grandeurs commensurables. L'un est une mesure par la foule d'un service que n'importe qui peut solliciter. L'autre est un tableau de fournisseur à propos d'un checkpoint qui ne contenait aucun poids jusqu'à ce matin. Les deux méritent d'être lus. Un seul des deux est une preuve.