
WeMM-Video-9B vs Alibaba Wan 2.7 : une facture et un checkpoint
- 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
Commencez par la facture. Alibaba Wan 2.7a un tarif à la minute sur deux classements vidéo d'Artificial Analysis et une plage de durée documentée, ce qui en fait l'un des rares modèles vidéo dont vous pouvez estimer le coût avant d'écrire la moindre ligne de code. WeMM-Video-9Bn'a aucun tarif du tout. Le groupe WeChat Vision de Tencent l'a publié le 17 novembre 2026 sous la forme de dix-neuf gigaoctets et demi de poids Apache-2.0 — cinq shards BF16, une fiche de modèle et une prépublication arXiv numérotée 2611.26409 — puis n'a plus rien dit. Aucun billet de lancement, aucune page de tarification, aucun point de terminaison hébergé, aucune soumission à un classement. Trois jours plus tard, les dépôts affichent toujours zéro téléchargement au total. Ainsi, la comparaison honnête n'est pas Wan 2.7 face à WeMM-Video-9B sur la qualité ; c'est un service facturé à l'usage face à un artefact sans prix, et les deux chiffres que vous voudriez mettre côte à côte n'existent pas pour la même raison des deux côtés.
Tout ce qui suit distingue trois choses : ce que déclarent la documentation de Wan 2.7 et les deux classements, ce que revendiquent le dépôt et l’article WeMM-Video-9B, et ce que personne en dehors de l’un ou l’autre laboratoire n’a reproduit. C’est dans cette troisième catégorie que se trouve l’essentiel des éléments concernant WeMM-Video-9B, et prétendre le contraire serait le moyen le plus rapide de rendre cet article inutile.
Wan 2.7 est facturé à la minute
La grille tarifaire d’Alibaba pour Wan 2.7 est étonnamment claire pour un modèle vidéo. La suite est un produit à quatre modes — texte-vers-vidéo, image-vers-vidéo, référence-vers-vidéo et montage vidéo — et le prix qui apparaît sur les tableaux est un montant direct à la minute, plutôt qu’un système de crédits qu’il faut reconstituer à l’envers.
• AA-Video-Editing v1.1 — Wan 2.7 occupe la 9e place avec un Elo de 1 074 ±8 sur 22 754 échantillons, un mois de publication en avril 2026 et 16,90 $ par minute. L'intervalle est le plus resserré du classement en dehors du top trois, ce que vingt-deux mille votes vous permettent d'obtenir.
• AA-Video-T2V v2.1 — la même famille apparaît sous le nom de Wan2.7-260612 à la 20e place au classement Elo avec 1 035 ±13 sur 6 965 échantillons, en juin 2026, à 9,00 $ la minute. Même fournisseur, tâche différente, prix différent, et un Elo qui ne se convertit pas en score de montage.
• Wan 2.7 n’est pas du tout présent dans le classement image-vers-vidéo. Wan 3.0 l’est — 12e à 1,109 — et cette absence mérite une lecture attentive. Cela ne signifie pas que Wan 2.7 ne peut pas animer une image fixe ; cela signifie que l’arène ne l’y a pas classé. La suite Alibaba met bien en avant le contrôle des images clés de début et de fin, jusqu’à cinq images de sujet et cinq clips de référence, et une sortie de 720p à 1080p avec audio natif. Une capacité que le classement ne mesure pas reste une capacité.
Une note contextuelle qui compte pour l'établissement du budget : Wan 2.7 est la génération précédente. Wan 3.0 domine désormais à la fois le classement text-to-video (1 176) et le classement édition (1 197), et c'est le moins cher des deux en text-to-video, à 12,00 $ la minute, contre 9,00 $ pour le tarif d'édition de Wan 2.7. Si vous choisissez un modèle Alibaba aujourd'hui plutôt que d'en comparer un, la décision a déjà évolué.
Ce qu'est réellement le checkpoint 9B
WeMM-Video-9B n'est pas un générateur de vidéos, et cette seule phrase fait l'essentiel du travail dans cette comparaison. C'est un modèle de compréhension vidéo : vous lui fournissez des images ainsi que la bande-son originale, et il renvoie du texte. Description, transcription, raisonnement temporel, réponse aux questions sur des séquences que vous possédez déjà.
Le dépôt est étonnamment précis sur ce qu'il contient, et c'est bien le seul domaine où une publication discrète l'emporte sur une publication tapageuse. La fiche Hugging Face recense 10 488 603 384 paramètres répartis sur 1 305 tenseurs, en BF16, soit 19,54 GiB répartis sur cinq shards. La répartition est détaillée : une colonne vertébrale linguistique de 7,94 Md comprenant un embedding de tokens de 1,02 Md, une tête de sortie non liée de 1,02 Md, une tour audio de style Whisper de 1,08 Md avec 32 couches de largeur 1 280 derrière un Q-Former à deux couches, et une tour vision de 0,46 Md composée de 27 blocs de largeur cachée 1 152, avec une taille de patch de 16 et une fusion spatiale 2×2. La pile linguistique compte 32 couches de dimension cachée 4 096, 16 têtes d'attention face à 4 têtes clé-valeur de dimension 256, avec une attention linéaire hybride — une couche d'attention complète pour trois couches linéaires — et 262 144 embeddings de position.
En pratique, cela vous offre une entrée large et une sortie étroite. Vidéo, audio, images et texte en entrée. Le texte en sortie, en anglais ou en chinois. Il n’y a nulle part dans l’architecture de synthèse de trames, et aucune quantité de prompts ne permettra d’en produire une.


Deux horloges qui ne se rencontrent pas
La comparaison qui décide réellement de quoi que ce soit porte sur le temps et l’argent, et les deux parties ont un plafond.
• 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 en 1080p représente un montant connu d'avance avant même de lancer la génération.
• Le plafond de WeMM-Video-9B est le contexte. Le processeur utilise par défaut 2 images par seconde, avec un minimum de 4 images, un maximum de 128 images et un budget total de 100 663 296 pixels. La recette vLLM fournie ramène tout cela à 2 fps et 16 images à 262 144 pixels — soit environ huit secondes de couverture échantillonnées à partir du milieu du clip. Chaque commande de service du dépôt transmet également une longueur de contexte de 8 192 tokens, et à raison de dix tokens audio par seconde, cela représente environ treize minutes d’audio si vous consacrez le budget au son uniquement.
• Le décalage. Wan 2.7 produit quinze secondes de vidéo. WeMM-Video-9B, tel que livré, n'en examine que huit. Si votre pipeline génère un clip puis demande à un modèle ce qui s'y passe, le descripteur n'échantillonne que la moitié de la sortie. Ce n'est un défaut ni d'un produit ni de l'autre ; c'est une configuration que vous devez modifier délibérément, et l'exemple fourni dans le dépôt ne le fait pas à votre place.
Le conseil auquel aucun des deux n’appartient
Voici le problème structurel de cette confrontation, dit clairement. Chaque tableau de classement vidéo d’Artificial Analysis classe des séquences générées. Texte-vers-vidéo, image-vers-vidéo, montage vidéo : tous les trois prennent un modèle qui produit des pixels et le classent selon la préférence humaine par paires. WeMM-Video-9B produit des tokens.
Ce n’est pas que WeMM-Video-9B ait obtenu un mauvais score. Il ne peut pas être inscrit. Wan 2.7 a deux lignes, toutes deux avec des intervalles assez serrés pour prêter à discussion ; WeMM-Video-9B n’en a aucune et n’en aura aucune tant que quelqu’un ne construira pas une arène de compréhension vidéo. Ce qui signifie que la seule preuve de qualité concernant le sujet de cet article est le tableau des auteurs eux-mêmes.
Ce tableau n’est pas rien. En mode réflexion sur des tâches audio-visuelles conjointes, le checkpoint 9B dépasse Qwen3-Omni-30B-A3B-Instruct sur 35 des 37 chiffres communs — Video-MME avec audio 85,1 contre 77,3, Daily-Omni 83,6 contre 70,7, SciVideoBench 64,2 contre 49,9, OmniReasoningBench 43,9 contre 24,1 — et n’en perd qu’un seul, FutureOmni, à 53,7 contre 55,1. Sur vidéo silencieuse, face à son propre backbone Qwen3.5-9B, il gagne sur F-16-NBA (88,7 contre 75,8) et TimeLens, et perd sur MLVU, LVBench, VideoVista, VSI-Bench et MVBench. L’article indique qu’il rapporte « les résultats officiels lorsqu’ils sont disponibles et nos propres évaluations sinon », ce qui est la déclaration correcte et aussi la raison pour laquelle rien de tout cela n’est indépendant.

Où OrcaRouter s'intègre
Aucun des deux modèles n’est servi via OrcaRouter, et cet article ne va pas prétendre le contraire. Wan 2.7 est accessible via l’API propre à Alibaba et plusieurs plateformes tierces ; WeMM-Video-9B est accessible en le téléchargeant.
Ce qui a sa place ici, c’est le volet facturation, car la raison pour laquelle les équipes finissent par comparer un générateur à un descripteur, c’est que les deux sont intégrés au même pipeline. OrcaRouter répercute le prix catalogue du fournisseur directement, avec 0 % de marge, ce qui signifie qu’une baisse de tarif d’un fournisseur se répercute sur votre facture le jour où elle arrive dans la sienne, et non au moment où un revendeur réajuste ses prix. Si le tarif de montage de Wan 2.7 passe de 16,90 $ à 12,00 $, comme l’a fait celui de Wan 3.0, vous le verrez sur la prochaine facture. Pour une charge de travail où une branche est facturée à la seconde et l’autre est un checkpoint que vous hébergez vous-même, le fait que la moitié facturée soit reportée à prix coûtant fait la différence entre un budget que vous pouvez prévoir et un budget que vous ne pouvez pas.
Lequel faut-il budgétiser ?
Si le livrable est constitué de séquences vidéo, Wan 2.7 est le seul des deux à pouvoir les produire, et la décision se résume à savoir si 16,90 $ la minute pour le montage ou 9,00 $ la minute pour le texte-vers-vidéo est compétitif face au reste du tableau. Aux 9e et 20e places respectivement, il se situe en milieu de tableau sur les deux.
Si le livrable est une déclaration concernant des séquences vidéo que vous détenez déjà, WeMM-Video-9B est le seul des deux capable de la produire, et la décision se résume à savoir si vous pouvez assumer une installation corrigée de vLLM ou de SGLang, un checkpoint de 19,54 GiB et une fenêtre d’échantillonnage de huit secondes pour obtenir un descripteur de classe 9B avec des résultats audio-visuels véritablement solides.
Le piège est de lire 16,90 $ et 0,00 $ comme une même quantité. L’un est un tarif à l’usage pour un service que vous pouvez appeler cet après-midi. L’autre est l’absence d’un service, et le prix de cette absence se paie en travail d’intégration et dans le fait que personne en dehors de Tencent ne vous a dit si les chiffres tiennent.
