
WeMM-Video-4B vs FLUX 3 Video : lire le clip ou en créer un
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 182 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 356 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 147 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
La façon la plus rapide de perdre un après-midi, c'est de comparer WeMM-Video-4B avec FLUX 3 Video sur la qualité. L'un des deux a un numéro et l'autre n'en a pas, et ce numéro n'est pas un score de qualité — c'est un prix. FLUX 3 Video, de Black Forest Labs, est passé en disponibilité générale le 4 août 2026 avec un tarif publié à la minute et des lignes dans les deux tableaux vidéo d'Artificial Analysis. WeMM-Video-4B, du groupe WeChat Vision de Tencent, est apparu le 17 novembre 2026 sous la forme de dix gigaoctets et demi de poids Apache-2.0, sans point de terminaison, sans prix et sans la moindre entrée dans un classement. Le choix se fait entre un générateur facturé à l'usage et un descripteur gratuit, et la comparaison honnête consiste à déterminer laquelle de ces deux choses manque à votre pipeline.
Le reste de cet article distingue trois types de faits : ce que déclarent les dépôts et les deux conseils, ce que les fournisseurs affirment dans leurs propres articles et documentation, et ce que personne en dehors de l’un ou l’autre laboratoire n’a vérifié. Au 20 novembre 2026, cette troisième catégorie constitue l’essentiel des éléments intéressants.
L'un siège à deux conseils, l'autre à aucun.
Artificial Analysis évalue FLUX 3 Video deux fois, et les deux scores reposent sur des échelles distinctes, de sorte qu’aucun des deux ne se transpose à l’autre.
• AA-Video-T2V v2.1 — FLUX 3 Video 10e, Elo 1 137 ±13 sur 7 406 votes, affiché à 17,40 $ la minute. Le plus grand FLUX 3 Video Max occupe la 7e place avec 1 151 ±14 sur 4 708 votes à 8,70 $ la minute, ce qui est le cas inhabituel où le modèle le plus grand est le moins cher du classement.
• AA-Video-I2V v2.1 — FLUX 3 Video 16e à 1 069 ±14 sur 6 838 votes, au même prix de 17,40 $. FLUX 3 Video Max est 17e à 1 068 ±14 sur 6 848 votes, à 8,70 $.
• WeMM-Video-4B — aucune ligne sur l’un ou l’autre tableau, et aucune ligne sur le tableau de montage vidéo. Ce n’est pas une mesure manquante ; il n’est pas admissible. Les tableaux vidéo AA classent des séquences générées, et WeMM-Video-4B n’en génère aucune.
Lisez les intervalles plutôt que les rangs. Soixante-huit points séparent les deux positions de FLUX 3 Video dans les classements texte-vidéo et image-vidéo — l’équivalent de cinq intervalles —, ce qui est le fait utile à retenir d’un modèle évalué sur deux instruments qui ne se convertissent pas l’un en l’autre : c’est un générateur compétent dont la position dépend de la tâche qu’on lui confie. C’est une mesure indépendante réelle, quoique modeste — et c’est plus que ce dont dispose l’autre camp de cette confrontation.
Ce que 17,40 $ la minute permet d’acheter
FLUX 3 Video est un générateur multimodal avec une liste d’entrées plus large que ne le montre n’importe quelle ligne de tableau. Des prompts textuels, une image fixe comme première image, de la vidéo pour le vidéo-vers-vidéo et la prolongation, et des images clés pour des transitions contrôlées. La durée va jusqu’à 20 secondes en une seule génération, avec 5 à 20 secondes pour le texte-vers-vidéo et l’image-vers-vidéo, et 5 à 15 pour la prolongation. La résolution est vendue par paliers de pixels plutôt que par ratios d’aspect — HD à environ un mégapixel par image, FHD à deux, QHD/2K à quatre, UHD/4K à huit. L’audio natif avec dialogue multilingue, parole synchronisée, effets sonores et ambiance est optionnel et inclus dans le prix à la seconde.
• Draft HD — 0,06 $ par seconde. Un clip de test de cinq secondes coûte trente cents.
• HD / 720p — 0,17 $ par seconde, soit environ 0,85 $ pour cinq secondes.
• FHD / 1080p — 0,29 $ par seconde. QHD/2K coûte 0,40 $ et UHD/4K 0,80 $.
• Vidéo à vidéo et continuation — 0,12 $ le brouillon, 0,41 $ à 0,43 $ HD, 0,53 $ à 0,54 $ FHD, 0,65 $ en 2K et 0,95 $ en 4K.
Le tarif de 17,40 $ par minute de la grille est un chiffre normalisé pour la 1080p, ce qui explique qu’il ne s’intègre pas proprement dans cette carte. Il s’agit d’une unité de comparaison, pas d’un reçu. Plusieurs synthèses de tiers indiquent également que les paliers 2K et 4K sont en cours de déploiement plutôt que disponibles universellement ; considérez donc le haut de la carte comme une question propre au compte.
Ce que WeMM-Video-4B vous offre gratuitement
L’autre côté du duel ne coûte rien par appel et ne peut pas être acheté du tout. WeMM-Video-4B compte 5 611 746 312 paramètres — 10,45 Gio en BF16 — dans un dépôt nommé d’après son socle linguistique Qwen3.5-4B plutôt que d’après sa taille réelle. Le surplus est justement l’intérêt : 4,21 milliards de paramètres de modèle linguistique, 0,33 milliard de tour de vision, et 1,07 milliard de pile audio de type Whisper avec un Q-Former émettant 10 jetons audio par seconde à partir d’audio à 16 kHz par tranches de 30 secondes.
Il prend en entrée du texte, des images, de la vidéo et de la vidéo avec sa bande-son originale, et renvoie du texte. Sur le tableau audio-visuel conjoint des auteurs, il surpasse Qwen3-Omni-30B-A3B-Instruct sur Video-MME avec audio, 83,9 contre 77,3, et sur Video-MME v2, 48,1 contre 36,3. Sur vidéo silencieuse, il devance LVBench 65,3 contre 50,2 et LongVideoBench 74,8 contre 63,5. Face à Qwen3.5-Omni-Flash, il perd sur les benchmarks audio — MMAU 75,2 contre 80,4, MMAR 67,3 contre 74,0 — et est devancé sur OCRBench 85,7 contre 89,1 et GPQA 73,2 contre 76,4.
Chacun de ces éléments provient des propres mesures de Tencent. L’article indique qu’il rapporte les résultats officiels lorsqu’ils sont disponibles et ses propres évaluations sinon, et aucun tiers n’a reproduit une seule ligne. Le nombre d’images, les budgets de pixels et la longueur de contexte des exécutions du benchmark ne sont pas précisés — ce qui compte, car la recette vLLM livrée plafonne la vidéo à 16 images et 262 144 pixels au total, alors que le processeur a une valeur par défaut de 128 images.

Deux horloges qui ne se rencontrent jamais
Aucun des deux modèles ne peut remplacer l’autre, et les contraintes qui rendent cela vrai sont toutes deux des contraintes de budget plutôt que de capacités.
• Budget de sortie — FLUX 3 Video produit jusqu’à 20 secondes de séquence par appel, en 4K maximum, avec audio. WeMM-Video-4B ne produit aucune image du tout, son budget de sortie est donc un budget de jetons : 8 192 jetons par requête tel que livré, l’audio consommant 10 jetons par seconde avant que les images ne soient comptées.
• Budget d'entrée — WeMM-Video-4B accepte quatre images, deux vidéos et deux éléments audio par requête, à 2 images par seconde, plafonné à 16 images. FLUX 3 Video accepte un prompt, une première image, une vidéo de référence ou un ensemble d'images clés, et aucune entrée audio d'aucune sorte.
• Structure des coûts — FLUX 3 Video facture à la seconde de sortie, si bien que le coût évolue avec l'ambition. WeMM-Video-4B facture à l'heure GPU de votre propre matériel, si bien que le coût dépend de la taille du lot et ne se soucie pas de la durée du clip source, seulement du nombre d'images qui survivent à l'échantillonnage.
• Licence — Apache 2.0 sur la collection WeMM, avec une exception non détaillée pour les composants tiers ; une API commerciale hébergée côté FLUX, sans publication des poids.
Pour le dire simplement : l’un est une dépense à la seconde avec un tableau des scores, l’autre un coût d’investissement fixe avec un article. Une équipe qui a besoin d’un plan finalisé ne peut pas utiliser WeMM-Video-4B, et une équipe qui a besoin d’un index interrogeable de dix mille clips existants ne peut pas utiliser FLUX 3 Video — non pas parce qu’il est coûteux, mais parce qu’il n’a aucun moyen de répondre à une question sur des séquences qu’il n’a pas produites.
C’est sur l’audio que la comparaison se déforme
FLUX 3 Video génère de l’audio. WeMM-Video-4B comprend l’audio. Ce sont des capacités différentes qui se ressemblent dans une liste de fonctionnalités, et cette différence détermine le pipeline.
L’audio de FLUX est une sortie de génération : dialogues multilingues, parole synchronisée, effets sonores et ambiances, en option et inclus dans le tarif à la seconde. Ce que Black Forest Labs ne publie pas, c’est le nombre de pistes ; donc si vous avez besoin de dialogues, de musique et d’effets sous forme de stems séparables, ni la grille tarifaire ni la documentation ne vous disent si vous les obtiendrez. Prévoyez une seconde passe dans un DAW.
L’audio de WeMM est une voie d’entrée : une tour de 1,07 milliard de paramètres qui transforme une bande sonore en 10 tokens par seconde et les fusionne avec les tokens visuels dans l’ordre chronologique, avec des horodatages textuels explicites. C’est ce que mesure le 83,9 sur Video-MME avec audio et ce que mesure le 75,2 sur MMAU — sa capacité à bien entendre, pas à bien parler.
Ainsi, un flux de travail qui écrit une scène, la rend avec du son, puis doit savoir si le dialogue a réellement porté nécessite les deux moitiés, et aucun des deux modèles ne couvre la moitié de l’autre. C’est le seul endroit de cette confrontation où les deux sont véritablement complémentaires plutôt que simplement différents.
La question du routage, formulée honnêtement
OrcaRouter ne sert aucun des deux modèles. Il n’existe pas de point de terminaison WeMM-Video-4B — le catalogue de la plateforme ne contient aucun checkpoint WeMM — ni de route FLUX 3 Video. FLUX 3 Video est disponible via l’API de Black Forest Labs et plusieurs plateformes tierces ; WeMM-Video-4B est disponible en téléchargement, avec une surcouche vLLM ou SGLang patchée, car aucun des deux moteurs ne prend en charge l’architecture en amont.
Ce que la plateforme couvre, c'est la couche de texte qui entoure l'un ou l'autre de ces workflows, et sur cette combinaison, l'élément utile est la fusion de modèles plutôt qu'un simple routage. La décision « ce clip mérite-t-il d'être conservé » relève du jugement, et un appel fusionné qui place un classifieur bon marché et un raisonneur coûteux sur le même prompt peut la rendre pour une fraction du coût que représenterait l'exécution du modèle coûteux sur chaque candidat. Tout cela tourne sur une clé compatible OpenAI pour plus de 200 modèles, aux prix catalogue des fournisseurs avec 0 % de marge, de sorte que lorsqu'un fournisseur baisse un prix, la baisse est effective le jour même plutôt qu'au cycle de facturation suivant. Pour la moitié consacrée à la vision seule du travail WeMM en particulier, Qwen3-VL-235B-A22B-Thinking et Qwen3-VL-8B-Thinking acceptent tous deux des images et des trames vidéo et sont disponibles sur la plateforme dès aujourd'hui — ce qui constitue un contournement du modèle omni manquant, et non un substitut à sa tour audio.


Qu’est-ce qui réglerait vraiment la question ?
Trois évolutions permettraient de sortir cette comparaison du socle déclaratif des fournisseurs sur lequel elle repose actuellement.
Premièrement, une entrée WeMM-Video-4B sur un classement indépendant quelconque. Il n’y en a aucune, et la raison est structurelle plutôt que conspirationniste : les classements vidéo AA classent des séquences générées, et un modèle de compréhension ne peut pas y être inscrit. Une arène omnimodale de compréhension vidéo est l’instrument manquant, et tant qu’elle n’existe pas, chaque chiffre WeMM n’est que parole de Tencent.
Deuxièmement, une publication des poids de FLUX 3 Video. Black Forest Labs a la réputation de publier ouvertement, et ce checkpoint n’a pas de licence de téléchargement ; la comparaison oppose donc actuellement un modèle ouvert à un modèle fermé, une différence qu’aucune ligne de benchmark ne capture.
Troisièmement, un prix d’hébergement pour la famille WeMM. Si un hébergeur compatible commence à proposer ces poids au prix catalogue du fournisseur, avec 0 % de marge répercutée, le volet coût de cet article change de forme en une semaine. Il s’agit d’une condition, et non d’un fait actuel, et rien ici ne doit être lu comme une affirmation selon laquelle nous l’hébergeons.
Lequel vous faut-il réellement ?
Si le livrable est une séquence vidéo, FLUX 3 Video est le seul des deux à pouvoir la produire, et la décision se résume à savoir si 0,17 $ par seconde pour du 720p est acceptable face aux générateurs alternatifs du même classement — où, à la 10e place en texte-vers-vidéo, il se situe dans la moyenne en termes de prix.
Si le livrable est un énoncé concernant des séquences vidéo que vous détenez déjà, WeMM-Video-4B est le seul des deux capable de le produire, et la décision se réduit à savoir si vous pouvez embarquer une surcouche source pour vLLM ou SGLang ainsi qu’un checkpoint de 10,45 GiB afin d’obtenir un descripteur de classe 4B aux chiffres inhabituellement bons sur les vidéos longues.
Le piège est de traiter les 17,40 $ et les 0,00 $ comme une même quantité. L’un est un tarif à l’usage pour un service ; l’autre est l’absence de service. WeMM-Video-4B est gratuit comme une publication de recherche est gratuite — vous payez en intégration, en lots GGUF non validés, et en l’absence de l’avis de qui que ce soit d’autre sur son efficacité.
Comparés dans cet article1
Détecté à partir de cet article
