Carton de titre principal indiquant « WeMM-Video-9B vs Wan 3.0 », sous-titré « L'un vend les secondes. L'autre les relit. », avec trois pastilles de statistiques indiquant 10,49 B de poids ouverts, 8 s de visualisation par défaut et un plafond de clip de 30 s, et un pied de page précisant que les chiffres de WeMM-Video-9B proviennent du dépôt de Tencent et d'arXiv 2611.26409, tandis que ceux de Wan 3.0 proviennent d'Alibaba et d'Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0 : secondes vendues, secondes regardées

Auteur

Alistair Wren

Date de publication

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

Wan 3.0 vend des secondes de vidéo. WeMM-Video-9B les relit. C’est toute la comparaison, et c’est la raison pour laquelle un duel de spécifications, dimension par dimension, entre ces deux modèles serait presque dénué de sens : l’un est un modèle de génération qui renvoie un MP4, l’autre est un modèle de compréhension omni-modal qui renvoie une phrase. Ils ne sont pas rivaux. Ce sont les deux moitiés d’un même pipeline — produire un clip, puis le vérifier — et la question intéressante n’est pas de savoir lequel gagne, mais où chacun cesse d’être utilisable.

Un seul d'entre eux est une actualité. Tencent a mis en ligne WeMM-Video-9B et dix-huit dépôts frères en l'espace de cinq minutes à partir de 08:53:50 UTC le 17 novembre 2026, a publié le rapport technique sous la référence arXiv 2611.26409 le 19 novembre, et n'a rien annoncé de tout cela : aucun article de blog, aucune page de lancement, aucun niveau payant. Au moment de la rédaction, le dépôt 9B affiche zéro téléchargement, la collection affiche une poignée de mentions « j'aime », et aucun fournisseur d'inférence ne propose le modèle. Wan 3.0 est exactement le cas inverse — Alibaba l'a mis en bêta publique le 6 août 2026 et l'a lancé officiellement le 24 août, soit quatre-vingt-huit jours avant cet article, et il occupe actuellement la tête de deux classements indépendants. Tout ce qui suit concernant Wan 3.0 porte sur un produit lancé, tarifé et évalué de manière indépendante. Tout ce qui concerne WeMM-Video-9B provient soit de son propre dépôt, soit du PDF des auteurs, et ce sont les deux seuls endroits où existe le moindre chiffre à son sujet.

Ce que chacun retourne réellement

Les lignes de spécifications méritent d’être mises côte à côte précisément parce qu’elles décrivent des usages différents.

• Sortie — WeMM-Video-9B renvoie du texte, en chinois ou en anglais. Wan 3.0 renvoie un clip généré d’une durée pouvant atteindre 30 secondes avec audio natif.

• Entrée — le modèle 9B accepte des images vidéo avec leur bande-son d'origine, de la vidéo muette, de l'audio seul, des images et du texte, et peut raisonner sur l'ensemble simultanément. Wan 3.0 accepte des prompts texte, image, vidéo et audio, ainsi que, une exclusivité dans sa famille, des documents : doc, xls, ppt, pdf, md, txt, jusqu'à 100 Mo ou 50 pages par fichier, convertis directement en vidéo.

• Poids — WeMM-Video-9B distribue des poids Apache 2.0 sur Hugging Face en BF16, ainsi que quatre versions quantifiées (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 ne dispose d'aucun poids publié ; il s'agit d'une API fermée, facturée à l'usage.

• Prix — le 9B n’a pas de prix hébergé, car personne ne l’héberge ; votre coût, c’est un GPU, un runtime corrigé et votre propre temps. Wan 3.0 facture à la seconde de sortie : 0,3, 0,6 et 1,2 yuan par seconde en 480p, 720p et 1080p — environ 0,05 $, 0,10 $ et 0,20 $ — qu’Artificial Analysis normalise à 12,00 $ par minute dans ses classements.

• Scores indépendants — aucun pour WeMM-Video-9B. Artificial Analysis ne répertorie aucun modèle WeMM sur aucun tableau. Wan 3.0 est premier du tableau texte-vidéo d’Artificial Analysis avec un Elo de 1 176 (intervalle à 95 % : 1 163 à 1 189, 8 243 échantillons) et premier de son tableau de montage vidéo avec 1 197 (1 187 à 1 207, 9 919 échantillons), et douzième en image-vidéo avec 1 109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

L'écart de prix n'est pas un écart de prix

Douze dollars la minute, c’est le chiffre que les gens citeront, et c’est le mauvais chiffre auquel comparer quoi que ce soit concernant le 9B, parce que les deux facturations mesurent des quantités différentes. Wan 3.0 facture la durée produite. WeMM-Video-9B ne facture rien à l’unité — sa facturation passe par le matériel que vous possédez déjà, et la façon honnête de le tarifer consiste à déterminer quelle part d’une carte graphique il occupe et combien de clips vous pouvez faire passer par heure.

L’empreinte peut être mesurée directement depuis le dépôt. Le checkpoint BF16 représente 19,54 GiB de fichiers de poids et 10 488 603 384 paramètres répartis sur 1 305 tenseurs — soit 10,49 milliards, et non neuf, car le « 9B » du nom désigne le socle linguistique Qwen3.5-9B, et non l’ensemble de la pile. La version AWQ W4A16 atteint 12,86 GiB. Cela représente une réduction de 34 %, et non les 75 % qu’implique une recette en quatre bits, et la raison est visible dans les manifestes de l’exportateur : seules les matrices denses de type feed-forward sont compressées, tandis que la tour de vision, l’encodeur audio basé sur Whisper, l’embedding, la tête de sortie et chaque poids d’attention conservent leur précision d’origine. Environ 5,7 milliards de paramètres restent à deux octets chacun, ce qui fixe un plancher sous lequel aucune recette en quatre bits ne peut descendre. Quiconque dimensionne un déploiement à partir du nom se trompera d’environ 1,5 GiB et d’un palier de précision.

La comparaison des coûts qui compte vraiment n’est pas dollars contre dollars. C’est : un appel API à 0,20 $ par seconde de séquence finie, contre un modèle résident de 13 à 20 GiB, une pile de service patchée et quel que soit le coût de votre heure de GPU. Pour une équipe qui fait déjà tourner l’inférence, la seconde option peut être moins chère. Pour une équipe qui veut un clip d’ici vendredi, la première est la seule qui existe.

Où le 9B se situe face à un 30B

Le seul endroit où WeMM-Video-9B dispose de chiffres concrets est l’évaluation des auteurs, et l’affirmation phare de l’article concerne son grand frère : le modèle 35B-A3B établit un nouvel état de l’art open source pour la vidéo omni-modale et se rapproche de Gemini-3.0-Flash. Le 9B bénéficie d’une affirmation plus discrète : il surpasse Qwen3-Omni-30B-A3B-Instruct, un modèle environ trois fois plus grand que lui. En mode Thinking, sur le tableau conjoint audio-visuel, c’est bien le cas.

• Video-MME avec audio — 85,1 pour le 9B, 77,3 pour Qwen3-Omni-30B-A3B-Instruct, 69,2 pour MiniCPM-o-4.5-9B.

• Video-MME-v2 avec audio — 51,6 contre 36,3, un écart de 15,3 points.

• Lignes de type raisonnement — SciVideoBench 64,2 contre 49,9, MMOU 71,7 contre 60,5, EvaOmni 50,7 contre 26,1, OmniReasoningBench 43,9 contre 24,1.

• Là où il perd — FutureOmni 53,7 contre 55,1, et JointAVBench est à égalité à 64,6.

La comparaison la plus intéressante est interne, et c’est celle que personne ne mentionne en citant l’article. En confrontant le 9B au modèle phare 35B-A3B sur les mêmes 17 lignes, l’écart est faible : 85,1 contre 86,4 sur Video-MME avec audio, 51,6 contre 54,9 sur Video-MME-v2, 71,7 contre 74,5 sur MMOU. Sur une ligne, le plus petit modèle l’emporte carrément — SVHalluc 86,8 contre 80,3. Un modèle portant une fraction des paramètres actifs du modèle phare se situe à 1,3 point près sur le benchmark principal. C’est le meilleur argument du dépôt en faveur du 9B spécifiquement, et c’est un argument concernant le coût de déploiement, pas la capacité.

Le 9B ne constitue pas non plus une amélioration uniforme par rapport au backbone dont il hérite. Sa comparaison avec le Qwen3.5-9B simple sur le tableau des vidéos silencieuses révèle un modèle orienté vers le moment et le lieu où un événement s’est produit, au prix d’un coût mesurable ailleurs : F-16-NBA 88,7 contre 75,8 ; TimeLens-QVHighlights 66,8 contre 64,3 ; TOMATO 48,5 contre 45,0 — mais MLVU 82,4 contre 84,4 ; LVBench 68,2 contre 70,0 ; VSI-Bench 54,5 contre 58,3 ; MVBench 71,4 contre 74,4. Si votre tâche est le résumé de longues vidéos, le dispositif audiovisuel vous a fait perdre sur un point que le backbone gérait déjà mieux.

Huit secondes de couverture, par défaut

C’est ici que les deux modèles deviennent directement comparables, car il s’agit d’une limite de durée — et les chiffres ne sont pas proches.

Wan 3.0 génère jusqu'à 30 secondes en une seule exécution, soit le double du plafond de 15 secondes de Wan 2.7, avec un outil d'extension vidéo permettant d'enchaîner des récits plus longs. WeMM-Video-9B, tel qu'il est fourni, en prend en charge huit.

L’écart ne se situe pas dans le checkpoint. Le 9B déclare 262,144 plongements de position dans sa configuration texte, ce qui représente un budget très important. Il se situe dans les recettes. Le processeur utilise par défaut 2 fps avec un minimum de quatre images, un maximum de 128 images et 100,663,296 pixels au total, et la commande vLLM publiée par Tencent remplace ces quatre paramètres par 2 fps, 16 images et 262,144 pixels. À 2 fps, seize images correspondent à huit secondes de couverture prélevées au milieu d’un clip. Chaque commande de service du dépôt passe également --max-model-len 8192 ou --context-length 8192, et rien dans le dépôt n’explique comment atteindre la valeur déclarée plus élevée.

• Budget d’images — par défaut, 16 images à 2 fps, soit environ 8 secondes, contre 30 secondes en une seule génération avec Wan 3.0.

• Coût audio — la pile audio émet 10 jetons par seconde, donc un budget de 8 192 jetons représente environ treize minutes d’audio et rien d’autre ; un clip avec une bande-son dépense ce même budget en images et en audio ensemble.

• Médias par requête — quatre images, deux vidéos et deux éléments audio, selon les limites fournies dans les recettes vLLM et SGLang.

Personne en dehors de WeChat Vision n’a publié quel échantillonnage les exécutions du benchmark ont utilisé. Si vous reproduisez un chiffre du tableau ci-dessus, c’est la première inconnue à lever, et la valeur par défaut de 16 images livrée n’est pas le bon point de départ. Mais le plafond est réel : pour tout ce qui dépasse une prise, le 9B est un contrôleur ponctuel, pas un relecteur, à moins de relever le plafond d’images et de le payer en contexte.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Le nombre que personne n’a encore mesuré

Trois faits séparent ce modèle de toute recommandation sûre, et ils méritent d’être énoncés sans détour plutôt que passés sous silence.

Le premier est que tous les scores ci-dessus sont déclarés par le fournisseur. Il n'existe aucune évaluation indépendante de WeMM-Video-9B nulle part — pas d'Elo d'arène, pas de reproduction par un tiers, pas d'entrée dans un classement. Les tableaux proviennent des mêmes auteurs qui ont entraîné le modèle, sur plus de 120 benchmarks de leur propre sélection, et plusieurs de ces benchmarks utilisent des juges différents : l'évaluation de l'article s'appuie sur GPT-6.1-Sol, GPT-4o et Qwen3-235B-A22B selon la tâche. Les comparaisons entre modèles au sein de l'article sont donc des comparaisons de chiffres produits par différents évaluateurs, une mise en garde que l'article mentionne et que toute personne citant le tableau tend à omettre.

La seconde est une séparation de modes qui rend deux lignes non comparables. Le tableau vidéo omni-modal exécute les modèles WeMM en mode Thinking ; le tableau audio les exécute en mode Instruct, selon le jugement des auteurs que les benchmarks audio standard sont des tâches perceptuelles directes. C’est défendable, et cela signifie aussi qu’une ligne WeMM d’un tableau ne peut pas être alignée sur une ligne rivale de l’autre.

Troisième point : la distribution. Zéro téléchargement ne prouve rien sur la qualité, dans un sens ou dans l’autre, mais cela signifie qu’il n’existe aucun corpus de retours de praticiens — aucun mode de défaillance, aucun « il hallucine sur les clips musicaux », aucun fil où des gens découvrent la limite de frames à leurs dépens. Wan 3.0 en dispose depuis quatre-vingt-huit jours, avec en plus des intégrations dès le lancement dans ComfyUI, Leonardo.Ai et Envato. À la question « qu’est-ce qui cloche réellement en production », l’un de ces modèles a une réponse, et l’autre a un dépôt.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Exécution de la paire aujourd'hui

Si vous voulez les deux, ils s’installent de façons complètement différentes, et ni l’un ni l’autre ne se trouve sur une plateforme de routage.

Wan 3.0 est un appel API facturé à l’usage. Il est accessible via les consoles propres à Alibaba et via des outils créatifs tiers ; la facturation se fait à la seconde, à 0,3, 0,6 et 1,2 yuan pour le 480p, le 720p et le 1080p, et la seule véritable question d’achat est de savoir quelle résolution votre étape de validation nécessite, car c’est elle qui fait le multiplicateur.

WeMM-Video-9B est une tâche à héberger soi-même. Vous avez besoin de Python 3.12, d'un GPU NVIDIA sur un pilote CUDA 12.9, de FFmpeg et des bibliothèques partagées TorchCodec, puis du correctif d'exécution du dépôt : vLLM 0.18.0 corrigé, ou 0.31.0 pour BF16, ou SGLang 0.5.16 ou 0.5.19 corrigé, épinglé à la combinaison exacte de PyTorch, Transformers et CUDA que le manifeste du correctif indique pour la version de votre moteur. Le chargement nécessite en outre trust_remote_code, car le modèle fournit du code personnalisé de modélisation et de processeur. Tencent a validé que vLLM corrigé charge le point de contrôle et termine les vérifications de génération de texte, d'image, d'audio et de vidéo avec bande-son sur un H20, ce qui constitue une validation de chargement et d'exécution, et non une affirmation de précision. La voie GGUF nécessite l'exécution native compilée depuis les sources.

OrcaRouter ne sert pas WeMM-Video-9B, et son catalogue ne répertorie aucun checkpoint WeMM, donc il n’y a aucun prix hébergé à citer et aucun endpoint à appeler. Ce que la plateforme propose, c’est la moitié vision de la même tâche — Qwen3-VL-8B-Thinking et Qwen3-VL-235B-A22B-Thinking acceptent tous deux des images et des trames vidéo — derrière une clé compatible OpenAI, aux côtés de plus de 200 autres modèles, facturés au prix catalogue du fournisseur répercuté avec 0 % de marge. Aucun des deux n’entend quoi que ce soit, donc aucun ne remplace la moitié audio-visuelle. Si vous prévoyez d’essayer un 9B auto-hébergé sans lui confier de chemin de production, le faire passer derrière une règle de basculement est le moyen économique de vérifier si le runtime corrigé tient à votre niveau de concurrence avant d’y engager une carte.

Le couplage lui-même est un flux de travail, pas un benchmark. Générez avec Wan 3.0, puis confiez le clip à un modèle qui renvoie une description au lieu de pixels : la scène correspond-elle au prompt, la parole est-elle intelligible, l'audio tombe-t-il sur l'action. Rien ici ne mesure si WeMM-Video-9B excelle dans cette tâche face aux propres sorties de Wan 3.0 en particulier — personne ne l'a testé. Le budget de huit secondes par image est la contrainte à tester en premier, car si vos clips durent trente secondes, le réviseur n'en examine qu'un quart.

Qu’est-ce qui changerait la réponse ?

Trois éléments datables, classés selon l’impact qu’ils auraient sur la recommandation.

Un score indépendant pour WeMM-Video-9B. Une seule entrée Artificial Analysis, ou un seul résultat d’arène provenant d’un acteur qui ne partage pas d’employeur avec les auteurs, ferait passer le tableau ci-dessus du statut de simple affirmation à celui de mesure. D’ici là, l’interprétation honnête est qu’un checkpoint de 10,49B doté d’un backbone de 9B obtient un score proche de celui de son propre fleuron 35B-A3B sur les benchmarks de Tencent, et c’est tout ce que l’on peut en dire.

Un point de terminaison hébergé. Le modèle nécessite un environnement d’exécution corrigé, du code personnalisé et une empreinte résidente de 13 à 20 Gio ; le jour où un fournisseur le proposera derrière une API, la comparaison de prix dans cet article cessera d’être une erreur de catégorie pour devenir de l’arithmétique.

Une recette qui utilise le contexte déclaré. Le checkpoint revendique déjà 262 144 positions. Si Tencent livre un profil de service qui relève le plafond de frames et l’exerce réellement, la valeur par défaut de huit secondes devient un détail de configuration plutôt qu’un plafond — et le 9B cesse d’être un vérificateur ponctuel pour les prises courtes.

Pour l'instant, la séparation est nette. Choisissez Wan 3.0 lorsque vous avez besoin de séquences ; il est lancé, avec un prix, en tête de deux classements indépendants et le seul des deux que vous pouvez solliciter cet après-midi. Choisissez WeMM-Video-9Blorsque vous avez besoin d'un modèle qui entend la bande-son aussi bien qu'il voit les images, que vous avez une carte à consacrer et que vous êtes prêt à être la première personne à découvrir si la recette de huit secondes est une valeur par défaut ou une limite. Les deux ne sont pas en concurrence pour la même décision.

Comparés dans cet article2

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement