
WeMM-Video-4B vs HiDream-O1-Video-1.0 : deux formes d’étroitesse
- 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
HiDream-O1-Video-1.0 et WeMM-Video-4B se présentent tous deux de manière plus large que ce que leur comportement ne laisse paraître. La version de lancement de HiDream fait la promotion d’un modèle qui prend en entrée du texte, des images et de la vidéo et renvoie cinq à vingt secondes de séquences en 1080p avec un audio synchronisé ; l’API documentée accepte exactement une image de référence et un prompt facultatif. WeMM-Video-4B prend en entrée du texte, des images, de la vidéo et de l’audio et renvoie du texte, ce qui est exact — et le modèle n’est mis à disposition par aucun service, donc ce qu’il accepte en théorie, vous ne l’obtenez qu’après avoir modifié votre propre moteur d’inférence. L’un est restreint par son contrat de service, l’autre par l’absence totale de contrat de service. Voilà toute la comparaison, et tout ce qui suit n’est que du détail qui en découle.
Aucun des deux modèles n’est un modèle que l’on peut appeler aujourd’hui dans le mode sur lequel son article met l’accent. L’importance de cela dépend de la moitié de l’écart que vous pouvez combler vous-même, et c’est une question de licences et de GPU plutôt que de qualité.
La ligne, et la version sur laquelle elle repose
HiDream-O1-Video-1.0 fait l’objet d’une mesure indépendante. Relevé le 20 novembre 2026, sur le AA-Video-I2V v2.1 tableau, il se classe 14e avec un score Elo de 1 101 et un intervalle à 95 % de ±14, soit une plage de 1 087 à 1 115, sur 6 976 votes, enregistré comme une sortie d’août 2026, à 5,80 $ par minute de vidéo générée.
Six semaines plus tôt, sur le v1.0 tableau, le même modèle était sixième à 1 175 ±10 sur 3 231 votes. Lu sans attention, cela ressemble à un effondrement. Ce n’est pas le cas, et la raison mérite d’être dite clairement, car c’est l’erreur la plus fréquente commise avec ces tableaux : v1.0 et v2.1 sont des instruments différents, avec des échelles Elo différentes, des bassins de votes différents et une taxonomie différente. Un score ne se transfère pas de l’un à l’autre, donc la distance entre 1 175 et 1 101 n’est pas une mesure de la dégradation du modèle. Ce qui a changé est réel — la 14e place est une moins bonne position que la 6e selon les règles du tableau actuel — mais l’arithmétique qui les relie n’existe pas.
WeMM-Video-4B n’a de ligne sur aucun classement, et cette absence est structurelle plutôt que le résultat d’un examen en attente. Les classements de vidéos IA évaluent des séquences générées. Un modèle qui lit la vidéo et écrit des phrases ne peut pas être inscrit à un vote entre deux clips. Tant qu’une arène omni-modale de compréhension vidéo n’existe pas, chaque chiffre de WeMM-Video-4B est propre à Tencent.
Ce que l'API de HiDream accepte réellement
La surface de service est documentée et elle est étroite, d’une manière qui correspond directement aux promesses du lancement.
• Entrée — exactement une image de référence, fournie sous forme d’URL publique ou de Base64 entre 40 Ko et 20 Mo. Le prompt est facultatif et vide par défaut. L’annonce mentionne la vidéo parmi les entrées du modèle ; le schéma de requête ne comporte aucun champ pour celle-ci.
• Résolution — aucun sélecteur. Le résultat conserve le rapport d'aspect de l'image de référence. La mention 1080p dans l'annonce ne peut pas être pilotée depuis la requête.
• Durée — un booléen, force_10s, avec false comme valeur par défaut. Laissé à false, le modèle choisit ; défini sur true, vous obtenez dix secondes. La plage annoncée de cinq à vingt secondes ne comporte aucun champ numérique.
• Audio — aucun paramètre d’entrée audio ou de génération audio n’est exposé, malgré l’audio synchronisé natif décrit par la version.
• Contrat de résultat — asynchrone. Vous soumettez, obtenez un task_id, puis interrogez. result.status = 1 signifie que chaque sous-tâche a atteint un état terminal, et non que la génération a réussi ; le succès est sub_task_results[].task_status = 1, avec 3 pour un échec de génération et 4 pour un examen de sécurité.
Ainsi, le modèle que vous pouvez appeler est un animateur d’images doté de deux modes de durée. Le modèle décrit dans la publication est un générateur conjoint texte-vidéo-audio avec une durée planifiée. Les deux affirmations sont documentées par la même entreprise, et la différence relève d’une feuille de route plutôt que d’une contradiction.
Ce que WeMM-Video-4B vous demande de construire
L’autre camp n’a aucun contrat l’obligeant à être étroit, car il n’y a pas de point de terminaison. WeMM-Video-4B compte 5 611 746 312 paramètres — 10,45 Gio de poids BF16 — diffusé sous Apache 2.0 au sein d’une famille de quatre tailles toutes apparues en l’espace de dix-neuf minutes le 17 novembre 2026, le rapport technique, arXiv 2611.26409, étant paru le 19 novembre.
Le faire répondre demande un travail que les utilisateurs de HiDream ne voient jamais. Ni vLLM ni SGLang ne prennent en charge cette architecture en amont ; le dépôt fournit des correctifs de superposition de code source pour quatre versions amont exactes — vLLM 0.18.0 et 0.31.0, SGLang 0.5.16 et 0.5.19 — chacune étant épinglée à une combinaison spécifique de PyTorch, Transformers et CUDA 12.9, avec Python 3.12, FFmpeg et une chaîne d’outils C++ ainsi que Ninja pour la compilation des noyaux à la première utilisation de SGLang. Le lot GGUF est conçu pour un environnement d’exécution natif que vous compilez depuis le dépôt, et non pour llama.cpp, et Tencent le qualifie de exported_unvalidated.
En échange, vous obtenez un descripteur doté d’une pile audio exceptionnellement grande : 4,21 milliards de paramètres d’un modèle de langage dérivé de Qwen3.5-4B, 0,33 milliard pour la tour de vision, et 1,07 milliard pour un encodeur-décodeur audio de type Whisper alimentant un Q-Former à 10 tokens par seconde. Près d’un cinquième du checkpoint est consacré à l’ouïe, ce qui explique pourquoi ses scores audio-visuels conjoints sont les plus intéressants.
Les modes selon lesquels chaque modèle est comparé
Un contraste équitable ici n’est pas « lequel est meilleur » mais « quel mode est celui que l’on peut réellement atteindre », et les deux réponses mènent à des endroits différents.
• HiDream-O1-Video-1.0 — mode accessible : image-vers-vidéo, une image de référence, format fixe, dix secondes ou au choix du modèle, aucun contrôle audio. Mode noté : image-vers-vidéo. Le classement et l'API concordent.
• WeMM-Video-4B — mode accessible : entrée vidéo avec piste audio, sortie texte, à 16 images échantillonnées et 8 192 jetons tel que livré. Mode évalué : l’article rapporte le mode Thinking sur les tableaux vidéo, Instruct sur le tableau audio, et de nouveau Thinking sur l’image et le texte, et il ne précise pas le nombre d’images ni la longueur de contexte utilisés.
• Les deux — déclarés par le fournisseur lorsqu’un chiffre est disponible, et aucun tiers n’a reproduit ni l’un ni l’autre. L’avantage de HiDream est qu’une configuration a été votée par des personnes qui ne travaillent pas pour HiDream.


La question audio, à laquelle seul un camp peut répondre
HiDream génère de l’audio et WeMM-Video-4B le comprend. Dans une liste de fonctionnalités, ces deux éléments semblent désigner la même capacité, mais ce n’est pas le cas, et pour une équipe qui construit un pipeline, cette distinction détermine lequel est même pertinent.
Du côté de la génération, la publication de HiDream décrit un processus unique qui modélise ensemble le texte, la vidéo et l’audio plutôt que d’ajouter le son après coup, de sorte que les mouvements des lèvres, l’ambiance et l’action physique partagent une même chronologie. Quant à savoir si l’on peut piloter cela, c’est une autre question : la requête documentée n’expose aucun paramètre audio, et l’annonce ne publie pas de nombre de pistes, si bien que l’existence de dialogues, de musiques et d’effets sous forme de pistes séparables n’est vérifiée sur aucun de ces deux points.
Du côté de la compréhension, WeMM-Video-4B obtient 83,9 sur Video-MME avec audio, contre 77,3 pour Qwen3-Omni-30B-A3B-Instruct et 69,2 pour MiniCPM-o-4.5-9B, et 82,5 sur Daily-Omni contre 70,7 et 80,2. Il perd face à un modèle flash propriétaire sur les benchmarks purement audio — 75,2 contre 80,4 sur MMAU, 67,3 contre 74,0 sur MMAR — avec une victoire sur MMAU-Pro, à 68,1 contre 64,8. Ce sont les chiffres de Tencent du tableau 2, obtenus en mode Thinking, et personne en dehors du laboratoire ne les a reproduits.
Donc, le résumé honnête est qu’un modèle produit du son que vous ne pouvez pas encore inspecter, tandis que l’autre inspecte du son que vous devez fournir. Aucun des deux n’est l’outil audio qu’un pipeline de production recherche tant que le premier n’acquiert pas un paramètre audio et le second un hôte.
Là où un routeur est utile et là où il ne l’est pas
OrcaRouter ne fournit aucun des deux modèles. Il n’existe pas de point de terminaison WeMM — le catalogue ne contient aucun checkpoint WeMM — ni de route HiDream ; HiDream-O1-Video-1.0 est accessible via la plateforme propre à HiDream et plusieurs plateformes tierces. Rien ci-dessous n’affirme que nous hébergeons l’un ou l’autre.
Là où un routeur justifie sa présence dans cette confrontation, c'est sur la migration elle-même, et l'outil pour cela est le DSL de routage plutôt que la liste de modèles. Ces deux modèles reposent sur une surface de service visiblement provisoire — l'un est un aperçu à entrée unique avec un indicateur terminal à deux états, l'autre est une surcouche source épinglée à des versions amont précises — et une stack qui code en dur l'un ou l'autre est une stack qui casse à la première note de version de quelqu'un d'autre. Une politique de routage qui nomme un primaire et un repli, et qui peut comparer deux modèles au sein d'une même requête plutôt que deux intégrations, transforme ce risque en configuration. Cela passe par un point de terminaison compatible OpenAI, sur plus de deux cents modèles aux prix catalogue du fournisseur répercutés avec 0 % de marge, de sorte qu'un changement de prix chez un fournisseur se répercute le jour même. Pour la partie uniquement vision de la charge de travail WeMM, Qwen3-VL-235B-A22B-Thinking et Qwen3-VL-8B-Thinking sont tous deux désormais disponibles sur la plateforme — ce qui permet de contourner le checkpoint omni manquant, sans pour autant remplacer sa tour audio.

Quelle étroitesse pouvez-vous supporter
Si vous avez besoin de séquences ce trimestre et qu’une seule image de référence suffit, HiDream-O1-Video-1.0 est le seul des deux à disposer d’un point de terminaison appelable, et ses contraintes sont suffisamment bien documentées pour permettre une intégration en une après-midi. Comptez 5,80 $ la minute, prévoyez dix secondes ou le choix du modèle, et lisez l’état de la sous-tâche plutôt que l’indicateur terminal.
Si vous avez besoin de savoir ce que contient une séquence vidéo que vous possédez déjà — y compris ce qui y est dit — WeMM-Video-4B est le seul des deux à pouvoir répondre, et le prix à payer est un moteur d’inférence patché, un point de contrôle de 10,45 GiB et un budget d’échantillonnage de 16 images que vous devriez ajuster avant de faire confiance à un résultat sur une vidéo longue.
Ce qu'aucun des deux ne vous donne, c'est ce que promet habituellement une page de comparaison : une tâche commune sur laquelle les classer. Ce ne sont pas deux réponses à une même question. Ce sont deux modèles dont les surfaces publiques sont toutes deux plus réduites que leurs articles, et le jugement d'ingénierie utile consiste à savoir lequel de ces écarts vous pouvez combler avec votre propre matériel.
Comparés dans cet article1
Détecté à partir de cet article
