Carton titre indiquant « WeMM-Video-9B vs Hailuo 2.3 » avec le sous-titre « Six secondes silencieuses », deux panneaux séparés par une pastille « vs » : à gauche, l’en-tête WeMM-Video-9B avec un badge « poids ouverts » et des lignes indiquant « 19,54 GiB BF16 », « lit 16 images à 2 fps », « 8 secondes de couverture », « accepte une entrée audio », « aucun coût par clip » ; à droite, l’en-tête Hailuo 2.3 avec un badge « API facturée à l’usage » et des lignes indiquant « 6 s en 1080p », « 10 s en 768p », « sortie silencieuse », « aucun contrôle de l’image de fin », « environ 0,48 $ par clip ».
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3 : Six secondes silencieuses

Auteur

jinhao.song

Date de publication

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

Ces deux modèles vous décevront exactement à un endroit, et c'est le même endroit. Hailuo 2.3 produit six secondes de vidéo en 1080p et aucun son du tout. WeMM-Video-9B lit seize images échantillonnées d'une vidéo, ce qui, au taux d'échantillonnage livré, couvre environ huit secondes, et renvoie du texte. Aucun des deux n'est un système vidéo polyvalent, et aucun des deux ne figure sur un classement que l'on peut pointer. MiniMax a livré Hailuo 2.3 en avril 2026 et est depuis passé à un modèle qui figure bel et bien sur ces classements ; le groupe WeChat Vision de Tencent a mis WeMM-Video-9B sur Hugging Face le 17 novembre 2026, sans annonce, sans endpoint ni prix. Cela laisse deux sorties qui sont chacune, à sa manière, un outil limité — et c'est la frontière qui est la partie intéressante.

Une note sur les sources avant toute chose, car ce texte s’appuie dessus. Les chiffres de Hailuo 2.3 proviennent de la tarification et de la documentation de MiniMax lui-même, ainsi que de trackers tiers à la seconde, car le modèle ne dispose d’aucun classement Elo indépendant. Les chiffres de WeMM-Video-9B proviennent des manifestes du dépôt, de la fiche du modèle et d’arXiv 2611.26409. Rien ici n’a été reproduit en dehors des laboratoires qui l’ont publié, et lorsqu’un chiffre est rapporté par le fournisseur, le texte l’indique.

Les six secondes ne sont pas une valeur par défaut

La limite de durée de Hailuo 2.3 est une propriété apprise, pas un réglage. Six secondes en 1080p. Dix secondes si vous passez en 768p. Il n’existe pas de conditionnement sur l’image de fin, vous ne pouvez donc pas lui demander d’aboutir à une composition finale précise comme avec un modèle à images clés, et il n’y a aucune piste audio native — la sortie est silencieuse, et tout son souhaité doit être ajouté en aval ou généré séparément.

La tarification repose sur des points prépayés plutôt que sur un tarif publié à la seconde, ce qui complique inutilement les comparaisons de coûts. Six secondes en 768p au niveau standard correspondent à un point ; dix secondes en 768p ou six secondes en 1080p correspondent à deux. La variante Fast se situe autour de 0,7 point pour le cas court et de 1,1 à 1,3 pour le cas long. Les outils de suivi tiers qui ont converti cela en dollars l'estiment à environ 0,08 $ par seconde, soit environ 0,48 $ pour un clip de six secondes.

• Durée — Hailuo 2.3 : 6 s en 1080p, 10 s en 768p. WeMM-Video-9B : aucune durée de sortie, car il ne produit aucune vidéo.

• Audio — Hailuo 2.3 : aucun, la sortie est silencieuse. WeMM-Video-9B : une tour de style Whisper de 1,08 milliard de paramètres qui transcrit la bande sonore que vous fournissez et raisonne dessus.

• Contrôle — Hailuo 2.3 : pas de conditionnement par image de fin. WeMM-Video-9B : 4 à 128 images configurables, échantillonnage par défaut à 2 fps.

Là où Hailuo 2.3 est véritablement bon, c'est ce dont parlent ses utilisateurs : des mouvements de caméra cinématographiques, le mouvement humain et les micro-expressions, et un rendu stylisé, proche de l'animation, qui tient mieux que la plupart des modèles sur des briefs non photoréalistes. C'est une véritable force, et elle n'est pas mesurable sur un classement, ce qui explique en partie pourquoi le modèle n'y a jamais figuré.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

Le tableau n’a de ligne pour aucun des deux.

Consulté le 20 novembre 2026, les trois tableaux vidéo d'Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1, AA-Video-Editing v1.1 — ne renvoient rien pour Hailuo 2.3. Pas un rang faible. Aucune entrée.

Cette absence a deux causes différentes, et il vaut la peine de les distinguer. WeMM-Video-9B est inclassable : les classements notent les séquences générées selon une préférence par paire, et un modèle qui produit des tokens n’a rien à soumettre. Hailuo 2.3 pourrait en principe être classé et ne l’a pas été — une sortie 1080p qu’un évaluateur pourrait regarder, aucune soumission, aucune ligne de prix, aucun nombre d’échantillons.

Ainsi, la seule preuve de qualité dans cette confrontation se trouve du côté qui n’a pas de produit. L’article WeMM-Video-9B rapporte, en mode réflexion sur des benchmarks audio-visuels conjoints, des victoires face à 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, EvaOmni : 50,7 contre 26,1 — et une défaite, FutureOmni à 53,7 contre 55,1. Face à son propre backbone Qwen3.5-9B sur vidéo muette, il gagne sur F-16-NBA et TimeLens et perd sur MLVU, LVBench, VideoVista et MVBench. Tout cela relève du propre banc d’évaluation des auteurs, ce qui est précisé comme tel dans l’article.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

La génération qui succède à Hailuo 2.3

Hailuo 2.3 n'est pas le modèle actuel de M​iniMax, et prétendre le contraire rendrait un mauvais service à quiconque établit son budget ce trimestre. Son successeur, M​iniMax H3, est sorti le 31 juillet 2026 et figure bien dans les classements.

• AA-Video-T2V v2.1 — MiniMax H3 en 768p se classe 3e sur l'Elo 1 161 ±13 sur 8 386 échantillons, répertorié en juillet 2026 à 4,80 $ par minute.

• AA-Video-I2V v2.1 — 5e à Elo 1 134 ±14 sur 6 594 échantillons, même taux.

• AA-Video-Editing v1.1 — 6e à Elo 1 126 ±10 sur 9 688 échantillons, 9,60 $ par minute.

Être troisième en texte-vers-vidéo et cinquième en image-vers-vidéo à 4,80 $ la minute, c’est une autre histoire que l’offre non classée, à tarification en points et de six secondes de Hailuo 2.3. Si vous choisissez un modèle M​iniMax plutôt que d’en comparer un, H3 a déjà remporté ce débat au sein même de la gamme du fournisseur.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Pourquoi les huit secondes comptent plus qu'elles n'en ont l'air

La recette WeMM-Video-9B livrée remplace les généreuses valeurs par défaut de son propre processeur — 2 ips, minimum 4 images, maximum 128, un budget de 100 663 296 pixels — en les ramenant à 2 ips et 16 images à 262 144 pixels, échantillonnées autour du milieu du clip. Seize images à deux par seconde représentent huit secondes de couverture, et la couverture commence au milieu.

Placez cela à côté des six secondes de Hailuo 2.3, et quelque chose d’éclairant se produit. D’une certaine manière, Hailuo 2.3 produit moins de séquences que WeMM-Video-9B ne peut en examiner : un clip Hailuo de six secondes tient dans la fenêtre du descripteur avec de la marge. Mais le mode 768p de dix secondes n’y tient pas, et il en va de même pour tout ce que vous généreriez avec un autre modèle avant de le confier à WeMM-Video-9B pour examen. Le volet vidéo du pipeline plafonne autour de huit secondes, tandis que le volet audio peut contenir environ treize minutes à dix tokens par seconde, et chaque commande de service du dépôt passe une longueur de contexte de 8 192 tokens qui fait de cette asymétrie la contrainte limitante.

• Si vous générez — Hailuo 2.3 vous offre six secondes, sans son, avec un mouvement de caméra marqué et des détails humains précis.

• Si vous êtes en train d'examiner — WeMM-Video-9B vous fournit huit secondes d'images échantillonnées ainsi que la piste audio complète, décrites en anglais ou en chinois.

• La jointure — une génération silencieuse de six secondes se trouve dans les deux fenêtres, ce qui est la seule configuration où cet appariement est propre.

Le basculement est la partie qui n’est pas théorique

Aucun des deux modèles n’est servi via OrcaRouter, et cela est indiqué ici plutôt que dissimulé. Hailuo 2.3 est accessible via la plateforme propre à MiniMax et plusieurs plateformes tierces ; WeMM-Video-9B est accessible en téléchargeant 19,54 GiB de poids Apache-2.0.

Ce qui compte pour un pipeline qui mélange un générateur et un descripteur, c'est ce qui se passe lorsqu'un maillon tombe. Côté OrcaRouter, le basculement contourne un modèle soumis à une limite de débit ou renvoyant des erreurs sans que l'appelant ait à réécrire son client, et le DSL de routage vous permet d'exprimer cela sous forme de politique plutôt qu'un empilement de logique de nouvelle tentative. Pour une charge de travail où l'étape de description est un checkpoint local et l'étape de génération une API hébergée, c'est la moitié hébergée qui tombe — et pouvoir basculer vers un modèle comparable au lieu de faire échouer la tâche vaut plus qu'une différence de prix marginale.

Six secondes, c’est soit suffisant, soit non.

Si six secondes de 1080p silencieux et cinématographiquement assuré sont le livrable, Hailuo 2.3 le fait, et la seule vraie question est de savoir si la tarification en points bat les alternatives à la seconde pour le volume dont vous avez besoin. Vérifiez le palier de dix secondes en 768p avant d’adopter la version courte comme standard ; le coût en points double, pas le tarif à la seconde.

Si le livrable est un compte rendu écrit de séquences vidéo, WeMM-Video-9B y parvient avec les meilleurs chiffres audio-visuels de la famille, sans aucune confirmation indépendante d’aucun d’entre eux. Prévoyez une installation patchée de vLLM ou de SGLang, ainsi que le fait que vous serez la première personne en dehors de Tencent à l’utiliser en conditions réelles.

Ce que ni l’un ni l’autre n’est, c’est une plateforme vidéo généraliste. Ce sont deux outils à spectre étroit, avec un avantage de huit secondes et de six secondes, et choisir entre eux revient à déterminer quel avantage vous pouvez vous permettre d’exploiter.