
WeMM-Video-9B vs HiDream-O1-Video-1.0 : deux tailles étroites
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 118 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
La comparaison qui suit ne porte donc pas sur les capacités. Elle porte sur la contrainte autour de laquelle vous pouvez concevoir, et la réponse dépend en fin de compte de si vous préférez payer pour un plafond documenté ou héberger un plafond non documenté.
Ce que dit l'article et ce que l'API accepte
HiDream-O1-Video-1.0 est sorti le 28 août 2026 et a atteint le classement image-vers-vidéo le 10 septembre. L'annonce du fournisseur est vaste : entrée texte, image et vidéo, cinq à vingt secondes de sortie en 1080p, audio synchronisé nativement, durée planifiée selon le récit, contraintes physiques.
L’API HiHarness n’est pas étendue. Elle prend une image de référence — une URL ou du Base64, ne dépassant pas 20 Mo et ne descendant pas sous 40 Ko — ainsi qu’une invite textuelle facultative, et un booléen force_10s. Il n’y a pas de sélecteur de résolution. Il n’y a pas de champ de vidéo de référence. Il n’y a pas de contrôle audio. Si vous voulez cinq secondes, vous en obtenez dix ; si vous en voulez vingt, vous en obtenez dix. L’écart entre l’article et le point de terminaison est le fait le plus concret concernant ce modèle, et celui qui a le plus de chances de modifier votre architecture.
• Entrée — HiDream-O1-Video-1.0 : une image de référence plus une invite facultative. WeMM-Video-9B : vidéo, audio, images et texte, jusqu’à quatre images, deux vidéos et deux clips audio par requête.
• Sortie — HiDream-O1-Video-1.0 : vidéo 1080p avec audio synchronisé, dix secondes en pratique. WeMM-Video-9B : texte en anglais ou en chinois.
• Contrainte — HiDream-O1-Video-1.0 : la surface de l'API. WeMM-Video-9B : la recette d'échantillonnage livrée, 16 images à 2 fps.

Une rangée du plateau, une case vide
HiDream-O1-Video-1.0 ne compte qu’une seule mesure indépendante, et c’est une bonne mesure sur laquelle débattre.
• AA-Video-I2V v2.1 — 14e à l'Elo 1 101 ±14 sur 6 976 échantillons, sortie d'août 2026, 5,80 $ par minute. C'est un intervalle serré sur un grand échantillon, et il se situe entre Wan 3.0 à 1 109 et Agnes-Video-2.5 à 1 105 — une bande encombrée où quatorze points ne font qu'un seul intervalle.
• Absent de AA-Video-T2V v2.1 et de AA-Video-Editing v1.1. L'absence de texte-vers-vidéo est la plus intéressante, car l'annonce du fournisseur elle-même met en avant la saisie de texte. Un modèle sans ligne texte-vers-vidéo et sans champ de vidéo de référence présente un récit texte-vers-vidéo qui n'existe que dans la prose.
• WeMM-Video-9B — aucune ligne sur aucun des trois tableaux, pour une raison structurelle : tous les trois classent des séquences générées, et il n'en génère aucune. Une cellule vide, pas une note faible.
À 5,80 $ la minute, HiDream-O1-Video-1.0 est l’une des entrées les moins chères du classement image-vers-vidéo. Parmi les modèles classés, seuls Pika H3 Flex à 2,10 $, HeyGen Video 1 à 2,40 $, Agnes-Video-2.5 à 2,40 $, Vidu Q4 Preview à 5,04 $ et P-Video-2-Pro à 5,70 $ sont moins chers, et il devance plusieurs modèles dont le prix est trois à quatre fois plus élevé.

Dix-neuf gigaoctets et demi de détails
Ce qui fait la générosité de WeMM-Video-9B, c’est ce qu’il révèle de lui-même. La fiche Hugging Face répertorie 10 488 603 384 paramètres répartis sur 1 305 tenseurs — un socle linguistique de 7,94B incluant un embedding de tokens de 1,02B, une tête de sortie non liée de 1,02B, une tour audio de 1,08B composée de 32 couches de type Whisper d’une largeur de 1 280 derrière un Q-Former à deux couches à dix tokens audio par seconde, et une tour visuelle de 0,46B composée de 27 blocs à une dimension cachée de 1 152, avec une taille de patch de 16 et une fusion spatiale 2×2.
Cette précision est une forme d’honnêteté que le camp HiDream n’offre pas : Black Forest Labs et HiDream refusent tous deux de publier le nombre de paramètres, et aucun des deux n’y est obligé. Mais elle tend aussi un piège, car une architecture détaillée invite à supposer que la configuration livrée y correspond. Ce n’est pas le cas.
• Valeurs par défaut du processeur — 2 ips, minimum 4 images, maximum 128 images, 100 663 296 pixels au total.
• Recette vLLM livrée — 2 fps, 16 images, 262 144 pixels, échantillonnés autour du milieu du clip.
• Contexte — 8 192 tokens sur chaque commande de service, contre 262 144 plongements de position dans l'architecture.
Seize images à deux par seconde, cela fait huit secondes de couverture, et l’échantillonnage commence au milieu. Un clip de soixante secondes perd ses vingt-six premières secondes et ses vingt-six dernières secondes. L’architecture permettrait bien plus ; la recette, non, et c’est la recette qui est livrée.

Dix secondes à huit
Mettez les deux limites côte à côte et la forme de la décision apparaît. HiDream-O1-Video-1.0 vous offre dix secondes de vidéo 1080p finalisée avec un audio synchronisé, peu importe ce que vous demandez. WeMM-Video-9B examine huit secondes de séquences que vous avez déjà, quelle que soit leur durée.
Les deux nombres sont arbitraires. Les dix secondes de HiDream sont une décision produit incarnée dans un booléen ; les huit de WeMM-Video-9B sont une valeur par défaut dans un fichier de recette. Ni l’un ni l’autre n’est une loi de la physique. Mais un seul des deux s’accompagne d’un fournisseur qui vous dira ce qui se passe à la limite, et ce n’est pas celui qui est distribué sous forme de checkpoint.
Si vous générez un clip de dix secondes avec HiDream-O1-Video-1.0, puis demandez à WeMM-Video-9B ce qui s'y passe, le descripteur échantillonne huit de ces dix secondes au milieu. Deux secondes — la première et la dernière — n'atteignent jamais le modèle. C'est un problème de coordination que l'on résout par un changement de configuration, et c'est exactement le type de problème de coordination que ce duo crée et qu'aucun des deux fournisseurs ne documente.
Fusion de modèles, et où elle gagne sa place dans la phrase
Aucun des deux modèles n'est hébergé sur {{1}}OrcaRouter{{/1}}. {{2}}HiDream-O1-Video-1.0{{/2}} est accessible via la plateforme propre à HiDream et plusieurs plateformes tierces ; WeMM-Video-9B est accessible en le téléchargeant.
La raison pour laquelle une comparaison comme celle-ci finit dans une conversation sur l'orchestration, c'est que les deux moitiés échouent différemment. La moitié hébergée échoue bruyamment — une limite de débit, un délai d'expiration, un code d'erreur — et c'est précisément à cela que sert le basculement automatique. La moitié auto-hébergée échoue silencieusement : elle renvoie une description assurée de huit secondes de séquence et ne dit rien des vingt-six secondes qu'elle n'a jamais vues. La fusion de modèles est l'outil le plus intéressant ici, car un second modèle qui lit le même clip selon une politique d'échantillonnage différente sera en désaccord aux frontières, et ce désaccord est le seul signal dont vous disposez pour savoir que la fenêtre était trop étroite.
Pour le segment hébergé, le prix catalogue du fournisseur est répercuté avec une marge de 0 %, ce qui compte plus que d’ordinaire à 5,80 $ la minute : une variation de prix d’un fournisseur sur un modèle bon marché représente un écart en pourcentage plus important que sur un modèle coûteux, et suivre le tarif publié plutôt qu’une copie mise en cache permet de garder fiable une prévision pour un lot de cent clips.
Dans quelle contrainte pouvez-vous vivre ?
Choisissez HiDream-O1-Video-1.0 si le travail consiste en une image de référence et dix secondes. Vous obtenez un point de terminaison documenté, un audio synchronisé, un tarif de 5,80 $ et une place au 14e rang du classement image-to-video. Vous renoncez au text-to-video, au contrôle de la résolution et à toute durée autre que dix secondes.
Choisissez WeMM-Video-9B si votre travail consiste à décrire des séquences vidéo. Vous obtenez un descripteur omnimodal de 9B avec de solides chiffres audio-visuels rapportés, une licence Apache-2.0 et un nombre de paramètres que vous pouvez auditer. Vous renoncez à un contrat de service, à une vérification indépendante et à toute garantie que la fenêtre de huit secondes soit suffisamment large pour les clips que vous avez réellement.
Ce que vous ne devez pas faire, c’est comparer les deux sur la qualité. Aucun des deux n’a été évalué avec le même instrument, et l’un d’eux ne peut pas l’être. La comparaison qui vaut la peine se fait entre deux tailles fines — un booléen et un fichier de recette — et consiste à savoir autour de laquelle vous pouvez construire sans vous mentir sur ce qu’elle voit.
