בלוק הירו דו-פאנלי להשוואה שכותרתו WeMM-Video-35B-A3B מול Alibaba Wan 2.7, עם כותרת המשנה 22,754 הצבעות מול אפס: הפאנל השמאלי מפרט 36.18B פרמטרים, 67.39 GiB BF16, 0 הורדות וללא שורה בלוח תחת תג משקלים פתוחים, והפאנל הימני מפרט Elo 1,074 לעריכה, 22,754 הצבעות, 16.90 דולר לדקה ומקום 9 בלוח תחת תג API מתומחר לפי שימוש.
Guides & Insights

WeMM-Video-35B-A3B מול Alibaba Wan 2.7: 22,754 הצבעות לעומת אפס

מחבר

Alistair Wren

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

המספר היחיד מצד שלישי כאן

השורה של עריכת הווידאו ב-Wan 2.7 זוכה לתמיכה חזקה באופן יוצא דופן. עשרים ושניים אלף הצבעות אינם מדגם בטבלת דירוג שאפשר לנפנף אותו כרעש; המרווח של ±8 פירושו שהמקום התשיעי יציב מול כל מה שמתחתיו, וחודש ההשחרור המשויך לשורה הוא אפריל 2026, כך שלהצבעות היו שבעה חודשים להצטבר.

אותה משפחה מופיעה פעמיים נוספות על הלוחות, ושלוש השורות אינן תואמות זו את זו, וזה כשלעצמו מאלף:

• AA-Video-Editing v1.1 — מקום 9, Elo 1,074 ±8, 22,754 דגימות, אפריל 2026, $16.90 לדקה.

• AA-Video-T2V v2.1 — רשום כ-Wan2.7-260612, מקום 20, Elo 1,035 ±13, 6,965 דגימות, יוני 2026, $9.00 לדקה. אותו ספק, משימה שונה, שליש ממספר הדגימות, ומחיר הנמוך ב-47% מתעריף העריכה.

• AA-Video-I2V v2.1 — אין שורה. Wan 3.0 נמצא בלוח הזה במקום ה-12 עם 1,109; Wan 2.7 לא. החבילה מפרסמת יכולת תמונה-ל-וידאו, כך שזה פער של זירה ולא פער של מוצר, אבל זה אומר שהמודל מעולם לא דורג במשימה שרוב האנשים היו פונים אליה ראשונה.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

קרא את שלושתם יחד, והסיכום הכנה הוא ש-Wan 2.7 הוא מודל וידאו מדוד בתחום הביניים, עם בסיס ראיות אחד חזק באמת (עריכה), אחד דק יותר (טקסט לווידאו), ותא ריק אחד. זה עדיין הרבה יותר ראיות חיצוניות ממה שיש לצד השני של ההשוואה הזו.

What A​libaba is selling, and at what rate

Wan 2.7 הוא מוצר בעל ארבעה מצבים: טקסט לווידאו, תמונה לווידאו, רפרנס לווידאו ועריכת וידאו. הפקדים המתועדים הם התניה לפי פריים מפתח ראשון ואחרון, עד חמש תמונות נושא ועוד חמישה קליפי רפרנס, פלט באיכות 720p עד 1080p, אודיו מקורי, וקליפים באורך שתיים עד חמש עשרה שניות. החיוב הוא לפי שנייה בתעריף המחירון, מה שהופך יצירה של חמש עשרה שניות ב-1080p לעלות שאפשר לחשב לפני שמתחילים, ולא ליתרת קרדיט שמתגלה בדיעבד.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

נקודת הביקורת שנחתה הבוקר

השחרור של WeMM-Video-35B-A3B קריא באופן שרוב השחרורים השקטים אינם, מפני ש-Hugging Face מטביע חותמות זמן על כל הרצף. המאגר הופיע ב-08:53:50 UTC ב-17 בנובמבר, כשאין בו דבר מלבד שלד gitattributes. דוח ה-arXiv, 2611.26409, הוגש ב-19 בנובמבר בשעה 16:58 UTC וכבר תוקן פעם אחת, ב-06:15 UTC ב-20 בנובמבר. קומיט המשקולות ב-BF16 נושא תאריך 2026-11-20T03:57:36Z. מאגר ה-GitHub, Tencent/WeMM-Video, נוצר ב-17 בנובמבר בשעה 02:29 UTC, צבר תשעה כוכבים, אפס forks ואפס שחרורים שפורסמו, והבוקר בשעה 06:34 UTC עדיין נערכו בו שינויים בקובץ ה-README.

אז המאמר הקדים את הטנסורים בכע אחת עשרה שעות, וכרטיס המודל עדיין נכתב מחדש בזמן כתיבת שורות אלה. סדר הדברים הזה הוא הסיפור. לא היה פוסט השקה, לא עמוד תמחור, לא נקודת קצה מתארחת, לא הודעה לעיתונות ולא חשבון הכרזות — שום דבר שספק עושה בדרך כלל כשהוא רוצה שמודל יזכה לתשומת לב.

מה שהמאגר כן מכיל הוא ספציפי:

• גודל — 36,177,564,536 פרמטרים, BF16, פרוסים על פני שבעה־עשר שברי safetensors בסך כולל של 67.39 GiB. התווית "35B-A3B" סופרת משהו שונה מגודל הקובץ; הפער מתואר בהמשך.

• גרסת ה-FP8 אכן חזרה. כשהמאמר עלה, מאגר ה-FP8 Block128 שאליו מפנה כרטיס המודל החזיר 401 — אותה תשובה ש-Hub מחזיר עבור שם שמעולם לא היה קיים. עכשיו הוא נפתר: 36.09 GiB בקובץ safetensors אחד, שהופקד ב-05:53:01 UTC, שעתיים לאחר העלאת ה-BF16, עם 33.6B פרמטרים ב-E4M3 ו-2.56B שנותרו ב-BF16. לא משנה מה התרחש ב-16:58 UTC ב-19 בנובמבר, השחרור לא הושלם.

• עוד שלושה וריאנטים מכומתים — AWQ W4A16 בנפח 22.72 GiB על פני 52 שרדים לכל שכבה, NVFP4 W4A16 בנפח 24.11 GiB בקובץ אחד, וחבילת GGUF Q4_K_M בנפח 25.46 GiB המפוצלת לקובץ שפה בנפח 22.61 GiB, מקרן בנפח 0.84 GiB ומקודד אודיו בנפח 1.99 GiB. שניים מבין השלושה מתארים את עצמם כלא-מאומתים במניפסטים שלהם. זה של NVFP4 טוען רק שהמשקולות נקראו מחדש על ה-CPU, שזה סכום בדיקה ולא הערכה.

• סביבות הרצה — שום דבר כאן לא פועל על מנוע סטנדרטי. המאגר מספק שכבות-על של קוד מקור עם מניפסטים של SHA-256 בדיוק עבור ארבע גרסאות upstream: vLLM 0.18.0 ו-0.31.0, SGLang 0.5.16 ו-0.5.19. כל פקודת שירות שפורסמה מעבירה הקשר של 8,192 טוקנים, מקביליות טנזורית על פני שני GPUs, וצינור מדיה המוגבל ל-16 פריימים ול-262,144 פיקסלים. חיפוש במעקב הבעיות של vLLM אינו מוצא בקשה ב-upstream לארכיטקטורה הזו.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

כל נתון איכות שמצורף ל־WeMM-Video-35B-A3B מגיע מהצוות שאימן אותו. המאמר אומר זאת במפורש — "אנו מדווחים על תוצאות רשמיות כאשר הן זמינות, ואחרת על ההערכות שלנו" — והמספר היחיד בכרטיס שתנאיו מופיעים במלואם אינו אפילו תוצאת וידאו: MMAR1000, אודיו בלבד, מפוענח ב־16 kHz, פענוח חמדני, שני H20s. שאר הכרטיס מתעד את טעינת ה־checkpoint. מול 22,754 הצבעות, זהו סוג אחר של ראיות ויש לקרוא אותו ככזה.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

שני ההפסדים מצביעים לכיוון ההפוך וראויים לחזרה: JointAVBench ב-65.9 מאחורי 69.0 של Qwen, ו-MUSIC-AVQA ב-79.5 מאחורי 82.1 של Qwen. שניהם עתירי אודיו. צ'קפוינט גדול יותר לא מנצח בכל מקום, והמקומות שבהם הוא לא מנצח הם המקומות שבהם למערך האודיו של Qwen היה יותר זמן להתבגר.

שום דבר מזה לא שוחזר. לא Artificial Analysis ולא LMArena מציגים מודל WeMM מכל גודל, ושלושת הלייקים במאגר אינם ביקורת עמיתים. אם אתם בוחרים בין שני המודלים האלה לביצוע משימה, אתם משווים 22,754 הצבעות מול טבלה שעליה חתומים המחברים.

שניהם מצלמים וידאו, רק אחד מחזיר אותו.

ההבדל המבני קל להצגה וקשה להפריז בחשיבותו. Wan 2.7 מקבל טקסט, תמונות, קטעי ייחוס ווידאו, ומחזיר וידאו. WeMM-Video-35B-A3B מקבל טקסט, תמונות, אודיו ווידאו עם פס הקול שלו, ומחזיר טקסט. מצב העריכה של Wan 2.7 הוא הקרוב ביותר לצד השני — הוא מקבל צילומים ומחזיר צילומים — אבל הפלט עדיין פיקסלים, ואין הגדרה שגורמת לו לתאר את מה שערך.

התקרות בכל צד תוחמות את ה-pipeline שתוכלו לבנות:

• המגבלה של Wan 2.7 היא משך הזמן. שתיים עד חמש־עשרה שניות לכל יצירה, 720p עד 1080p, בחיוב לפי שנייה. קליפ בן חמש־עשרה שניות בתעריף העריכה עולה כ־$4.23 לפני כל ניסיון חוזר.

• היכולת של WeMM-Video-35B-A3B נקבעת על ידי הקשר ודגימה. המעבד משתמש כברירת מחדל בשתי פריימים לשנייה, במינימום ארבעה פריימים, במקסימום שישה־עשר ובתקציב כולל של 262,144 פיקסלים — בערך שמונה שניות כיסוי במתכון המובנה. פקודות ההגשה מגבילות את ההקשר ל־8,192 טוקנים ומאפשרות ארבע תמונות, שני סרטונים ושני קטעי אודיו בכל בקשה. בקצב של עשרה טוקני אודיו לשנייה, ההקשר הזה מספיק לכ־שלוש־עשרה דקות של אודיו אם משתמשים בו לאודיו בלבד.

• אי־ההתאמה.Wan 2.7 יכול להפיק חמש־עשרה שניות של צילום; מתכון WeMM שנשלח בוחן שמונה. אם הצינור שלך מרנדר קליפ ואז שואל מודל מה קרה בו, המתאר כפי שהוא מוגדר דוגם בערך מחצית מהפלט. זו תצורה שצריך לשנות במכוון, לא מגבלה של הארכיטקטורה — ברירת המחדל של המעבד עצמו מאפשרת 128 פריימים.

שני ספקים, מודל אחד, מפתח אחד

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

איזה מספר אתה בעצם בוחר?

אם התוצר הוא קטעי וידאו, Wan 2.7 היא היחידה מבין השתיים שמייצרת אותו, וההחלטה מצטמצמת לשאלה אם אפשר להצדיק $16.90 לדקה עבור עריכה או $9.00 לדקה עבור טקסט לווידאו מול טבלת מובילים שבה המוביל הנוכחי גובה $12.00 ומנצח אותה בשתי המשימות. המקומות התשיעי והעשרים הם מיקומים מכובדים במרכז הטבלה. הם אינם סיבה לבחור בדור הקודם.

אם התוצר הוא הצהרה על חומרי צילום שכבר ברשותך, WeMM-Video-35B-A3B הוא היחיד מבין השניים שמייצר אותה, וההחלטה מצטמצמת לשאלה אם תוכל לשאת מנוע הסקה מתוקן, הורדה של 67.39 GiB או הורדת FP8 של 36.09 GiB, שני כרטיסי GPU עם מקבילות טנזורית, וחלון דגימה של שמונה שניות — כדי לקבל מתאר בדרגת 36B שהמספרים האודיו-חזותיים שלו חזקים ולחלוטין ממקור ראשון.

המלכודת היא להתייחס אל "Elo 1,074 על פני 22,754 הצבעות" ואל "86.4 ב-Video-MME עם אודיו" כאל ברי השוואה. האחד הוא מדידת המון של שירות שכל אחד יכול לפנות אליו. האחר הוא טבלת ספק על צ'קפוינט שלא היו בו משקלים עד הבוקר. שניהם שווים קריאה. רק אחד מהם הוא ראיה.