כרטיס כותרת עם הכיתוב 'WeMM-Video-4B vs FastFrames Video Generation' וכתובית משנה 'תפר שקט', שני פאנלים המופרדים בעיגול vs, השמאלי מפרט 5.61B, וידאו ואודיו בכניסה, טקסט ביציאה, 1.07B מתוכו הם אוזניים, מקסימום 16 פריימים ו-Apache 2.0, הימני מפרט 1.3B ו-14B, טקסט בכניסה, וידאו ביציאה, 81 פריימים ב-832 על 480, 36 מ״ש לפריים על B200 אחד ו-Apple AMLR, וכותרת תחתונה עם הכיתוב 'נתוני WeMM כפי שדווחו על ידי הספק; נתוני FastFrames לפי המחברים.'
Engineering & Research

WeMM-Video-4B לעומת FastFrames ליצירת וידאו: תפר שקט

מחבר

jinhao.song

תאריך פרסום

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

FastFrames Video Generation הגיע ב-16 בנובמבר 2026 ו-WeMM-Video-4B ב-17 בנובמבר, שניהם כהורדות משקלים עם מאמר מצורף, ולאף אחד מהם אין פוסט השקה הראוי לשמו. הצירוף המקרי הזה הוא הסיבה היחידה לקרוא אותם זה מול זה, כי הם לא עושים את אותו תפקיד: FastFrames הופך משפט ל-81 פריימים של וידאו אילם, ו-WeMM-Video-4B הופך וידאו לתיאור, כולל תיאור של מה שנאמר מעליו. השאלה המעניינת אינה איזה מהם טוב יותר. אלא מה קורה כששמים אחד אחרי השני — והתשובה היא שהתפר ביניהם אילם, מה שמשבית בשקט את החלק היקר ביותר של צ'קפוינט WeMM.

כל מה שלהלן ניתן למדידה בשני המאגרים או מדווח על ידי מחברי שני המאמרים. אף אחד מהמודלים לא הורץ על ידי מי שלא כתב את פרק ההערכה שלו, ולאף אחד מהם אין מחיר לשירות מתארח, שורה בארנה או שחזור על ידי צד שלישי. כאשר נתון מגיע מטבלת ספק, הוא מסומן ככזה.

מה FastFrames שמה על הדיסק

FastFrames הוא מודל דיפוזיה לווידאו אוטורגרסיבי, שזוקק מ-Wan2.1, פורסם על ידי אפל וקורנל כ- arXiv 2611.23226 ב-17 בנובמבר, כאשר המשקולות פורסמו יום קודם לכן. הוא מגיע בשני גדלים — FastFrames-S עם 1.3 מיליארד פרמטרים ו-FastFrames-L עם 14 מיליארד — והתזה היא השהיה ולא נאמנות. על B200 בודד, הדגם הקטן מייצר פריים ב-36 אלפיות השנייה, וזה מהיר יותר מקצב ההפעלה של הקליפ: יצירה של 5.06 שניות אורכת כ-2.9 שניות. הדגם הגדול מגיע ל-45 אלפיות השנייה לפריים בפריסה על פני שמונה מעבדי B200, ומִדרדר ל-158 אלפיות השנייה על GPU אחד, וזה איטי יותר מזמן אמת. אפל גם מדווחת על ירידת ביצועים של 25 עד 50 אחוז ב-H100 במקום ב-B200.

פורמט הפלט קבוע וצר. 832×480, 16 פריימים בשנייה, 81 פריימים לכל יצירה — קצת יותר מחמש שניות — מונע על ידי הנחיית טקסט בלבד. אין התניה על תמונה, אין קלט פריים מפתח, אין מצב המשך ואין שליטה במצלמה בתצורה שפורסמה. אין גם אודיו: אין מפענח אודיו, אין לטנט אודיו, אין פסקול. המחברים מדווחים על ציוני VBench כוללים של 84.23 עבור המודל הקטן ו-84.44 עבור המודל הגדול ב-480p על הנחיות וזרעים מותאמים, שזה ציון מכובד למודל שנקודת המכירה שלו היא שהוא מהיר, וזהו מספר האיכות היחיד בגרסה שפורסמה.

לאן הולכים 1.07 מיליארד פרמטרים

WeMM-Video-4B הוא הילד האמצעי של משפחה בת ארבעה גדלים מקבוצת WeChat Vision של Tencent — 2B, 4B, 9B צפופים ו-35B-A3B בתצורת תערובת מומחים — שכולם הועלו בתוך חלון של תשע-עשרה דקות ב-17 בנובמבר, כאשר הדוח הטכני, arXiv 2611.26409, הגיע ב-19 בנובמבר. השם ממעיט בערכו: המטא-נתונים של safetensors מתעדים 5,611,746,312 פרמטרים, או 10.45 GiB ב-BF16, משום ש"4B" מתייחס לעמוד השדרה הלשוני Qwen3.5-4B ולא לצ'קפוינט.

קריאת אינדקס הטנסורים מסבירה מדוע. מתוך 1,268 טנסורים, מודל השפה מכיל 4.21 מיליארד פרמטרים, מגדל הראייה 0.33 מיליארד, ומערך האודיו 1.07 מיליארד. כמעט חמישית מה-checkpoint הזה הוא מקודד-מפענח בסגנון Whisper — 32 שכבות מקודד ו-32 שכבות מפענח ברוחב 1,280, עם Q-Former ברמת חלון שמדחיס חלונות של 0.1 שנייה ל-10 טוקני אודיו בשנייה, המוזן ב-16 kHz בקטעים של 30 שניות. מערך זה מאותחל מ-Qwen2.5-Omni.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-4B showing an Image-Text-to-Text pipeline tag, Safetensors and custom-code tags, an Apache 2.0 licence, a BF16 block reading 10.45 GiB of weight files, a size panel reading 6B params and 10.5 GB, and a Quantizations section listing four sibling repositories.

• יצירת וידאו FastFrames — טקסט נכנס, פריימים יוצאים, ללא שמע בשום שלב בצינור העיבוד.

• WeMM-Video-4B — קלט של פריימים וקול, פלט של טקסט, כשהקול מטופל על ידי מגדל ייעודי בגודל 1.07B ולא מוסק מהפיקסלים.

• חפיפה — אין כזו ברמת המודל. שניהם חבילות משקולות ברישיון Apache או Apple, ללא נקודת קצה מאחוריהן, ושניהם מצפים שתחזיקו בבעלותכם את המאיץ.

הקליפ היחיד ש-FastFrames יוצר הוא אילם

אם לוקחים את זה עד הסוף, בעיית ההרכבה הופכת למוחשית. אם מחברים את WeMM-Video-4B מאחורי FastFrames Video Generation — מרנדרים צילום, ואז מתארים אותו כדי לאנדקס, לסנן או לבצע עליו QA — לכל קליפ שמוסרים למתאר אין רצועת שמע. למגדל השמע בעל 1.07 מיליארד הפרמטרים אין מה לשמוע. ה-Q-Former לא מפיק דבר, ושלב המיזוג מצטמצם למסלול הראייה.

זו אינה פגם באף אחד מהמודלים; זו עובדה לגבי ה-pipeline, ויש לה השלכה מדידה, משום שמאמר WeMM מדווח על בנצ'מרקים של וידאו שקט בנפרד. בראייה בלבד, WeMM-Video-4B משיג 75.7 ב-Video-MME, 65.3 ב-LVBench, 74.8 ב-LongVideoBench ו-74.2 ב-EgoSchema. המספרים המשולבים שלו באודיו-ויזואלי — 83.9 ב-Video-MME עם אודיו, 82.5 ב-Daily-Omni — הם אלה שמצדיקים את גודל הקובץ, והם בדיוק אלה שצינור הזנה של FastFrames לא יכול להגיע אליהם.

אז ההצגה הכנה של השילוב הזה היא ש-FastFrames מפעיל כ-80 אחוז מה-checkpoint של WeMM. אם המטרה שלך היא לופ כתוביות על קטעי וידאו שנוצרו, מודל חזותי בלבד בגודל חצי היה עושה את אותה עבודה; אם המטרה שלך היא להבין קטעי וידאו שיש בהם קול, FastFrames לא יכול לספק את הקלט. שני הכלים נפגשים בנקודה שבה אחד מהם חצי בטל.

Screenshot of the Tencent/WeMM-Video GitHub repository showing six stars and zero forks, a README describing an omni-modal video understanding family from WeChat Vision, and a file tree containing patch, native, examples, licenses and a THIRD_PARTY_NOTICES file.

שני מספרי מהירות, ללא יחידות משותפות

שתי הגרסאות פותחות בטענת השהיה, והטענות אינן ברות-השוואה — וזו הדרך הנפוצה ביותר שבה ההשוואה הזו מתעוותת באינטרנט.

ה-36 מילישניות של FastFrames הן לכל פריים פלט על B200 אחד, כפי שנמדד ביחס להשמעה. WeMM-Video-4B אינו מייצר פריימים; העלות שלו היא עלות פענוח הטקסט במסגרת תקציב מדיה מוגבל. התקציב הזה הדוק יותר מכפי שברירות המחדל של המעבד מרמזות. מתכון ה-vLLM במאגר מגדיר max_frames 16 לעומת ברירת המחדל של המעבד של 128, fps 2, ותקרת פיקסלים כוללת של 262,144, עם אורך הקשר של 8,192 טוקנים. אודיו צורך 10 טוקנים עבור כל שנייה לפני שנספר אפילו פריים אחד.

הקריאה המעשית: קליפ של 20 שניות וקליפ של 5 שניות מגיעים שניהם אל התיאור בתור שש עשרה פריימים, וקליפ עם פס קול מבזבז את ההקשר שלו על שני זרמים בבת אחת. FastFrames נותן לך תנועה ב-16 פריימים לשנייה של פלט; WeMM-Video-4B רואה מצגת ומסיק את התנועה. אף אחד מהמספרים לא אומר לך דבר על האחר, ועמוד שמציב "36 מ״ש" לצד "הקשר של 8K" משווה תקציב רינדור לתקציב קריאה.

Two-column scoreboard headed 'WeMM-Video-4B vs FastFrames Video Generation', the left column listing direction, 5.61B total parameters, a 1.07B audio stack, an 8,192-token and 16-frame budget, Apache 2.0 and no independent benchmark, the right listing text in and video out, 1.3B small and 14B large, no audio, 81 frames at 832 by 480, Apple AMLR and no independent benchmark, with a footer reading 'WeMM figures vendor-reported; FastFrames figures per the authors and not independently reproduced.'

רישיונות קובעים כאן יותר מאשר ציונים

בהשוואה כה דלה בראיות עצמאיות, שורת הרישיון נושאת יותר משקל בהחלטה מכל בנצ'מרק בכל אחד משני המאמרים, ושני אלה נמצאים בקצוות מנוגדים של הספקטרום.

• יצירת וידאו FastFrames — תנאי AMLR של Apple על המשקלים, כאשר רכיבי ההדגמה של LingBot-World v2 נמצאים תחת CC BY-NC-SA 4.0. ה־"NC" הוא האילוץ המשמעותי: משקלים פתוחים, לא פתוחים לשימוש מסחרי.

• WeMM-Video-4B — רישיון Apache 2.0 בכל האוסף, עם קובץ רישיון של Tencent הקובע כי רכיבי צד שלישי "נותרים כפופים לתנאיהם המקוריים בהתאמה". ההחרגה אינה מפורטת בפריטים, וזהו פער של ממש ולא עניין פורמלי גרידא, בהתחשב בכך שמערך השמע נובע מ-Qwen2.5-Omni ושלד המערכת מ-Qwen3.5, ושניהם ברישיון Apache 2.0.

• שניהם — נקודות ביקורת מלאות של שלבי האימון וצינור הערכה במאגר, דבר יוצא דופן ביכולת השחזור שלו עבור פרסומים מסוג זה, ומהווה את התחליף הזמין הטוב ביותר להערכה הבלתי־תלויה שלשניהם אין.

חיבור מתאר מאחורי רנדרר

אם בכל זאת בונים את הלולאה, השאלה ההנדסית היא היכן למקם את מודל הטקסט, משום שיש שלושה מעברי טקסט ורק אחד מהם אופציונלי.

• הרחבת פרומפט — הערת שוט הופכת לפרומפט FastFrames. הכרחי, כי למוד דיפוזיה מזוקק בגודל 1.3B אין מקום לפרש הוראה מעורפלת.

• תיאור — הקליפ המעובד נשלח אל WeMM-Video-4B וחוזר כפרוזה, וזהו השלב שהופך את החומר המצולם לניתן לחיפוש.

• בחירה — הפרוזה מחליטה אם הקליפ נשמר, וזה השלב שחייב להיות זול, כי משלמים עליו עבור כל מועמד ולא עבור כל שורד.

שני המעברים החיצוניים האלה הם השלמות טקסט רגילות, והם החלק במערך הזה שאותו OrcaRouter למעשה מכסה: מפתח אחד תואם OpenAI על פני יותר מ-200 מודלים, מחירי המחירון של הספקים מועברים הלאה ללא תוספת מחיר של 0% כך ששינוי מחיר של ספק נכנס לתוקף באותו יום, ו-מעבר אוטומטי לגיבוי כך שהגבלת קצב באמצע אצווה של אלף קליפים הופכת לניסיון חוזר במקום לחור. לא FastFrames Video Generation ולא WeMM-Video-4B נמצאים בפלטפורמה — שניהם הורדות משקולות, ואף שכבת ניתוב אינה הופכת נקודת ביקורת לנקודת קצה. מה שהנתב מסיר הוא עבודת האינטגרציה סביב שני המודלים שאתם מארחים בעצמכם.

מה עדיין לא אושר?

• איכות בלתי תלויה — אין שורה של Artificial Analysis, אין רשומה בארנה, ואין שחזור של צד שלישי עבור אף אחד מהמודלים. VBench 84.44 ו-Video-MME 83.9 מדווחים על ידי המחברים ולא הורצו על ידי אף אחד אחר.

• תנאי ההערכה — מאמר WeMM אינו מפרט את מספר הפריימים, תקציב הפיקסלים או אורך ההקשר שבהם נעשה שימוש במבחני הבנצ'מרק הווידאו שלו, והמתכון המסופק משתמש ב-16 פריימים בעוד שהמעבד מגדיר כברירת מחדל 128. הפער הזה גדול מספיק כדי להשפיע על שורות הווידאו הארוך.

• מחיר — לאף אחד מהשניים אין. אין נקודת קצה מתארחת, אין תעריף לפי שנייה, אין רשימת שותפים. העלות היא ה-GPU שבבעלותך, בתוספת שכבת ה-overlay המתוקנת של vLLM או SGLang שמאגר WeMM דורש, מכיוון שאף אחד מהמנועים אינו תומך בארכיטקטורה ב-upstream.

• שימושיות מסחרית בצד של אפל — המשמעות של AMLR בתוספת רישיון הדגמה לא-מסחרי היא שהמרנדר, ולא המתאר, הוא החלק בצנרת הזו שבדיקה משפטית תעצור.

השאלה שבוחרת אחד

שאל מהו הארטיפקט שלך. אם מדובר בקובץ, רק FastFrames יכולה להפיק אותו, ואתה מתכנן סביב 480p, חמש שניות, שקט ורישיון לא-מסחרי. אם זו טענה לגבי צילום שכבר יש לך — מה קורה, מי מדבר, מה נשמע — רק WeMM-Video-4B יכולה להפיק אותה, ואתה מתכנן סביב שישה-עשר פריימים מדוגמים ושמונת אלפים טוקנים.

אם זה גם וגם, אתם בונים מערכת דו-מודלית שהתפר שלה שקט, והגרסה הנכונה והזולה ביותר של המערכת הזו אינה משתמשת בצ'קפוינט omni בנפח 5.61B כדי לתאר פלט שקט. השתמשו במודל ראייה עבור הקליפים המרונדרים והשאירו את WeMM-Video-4B עבור חומרי מקור שנושאים צליל. זו ארכיטקטורה פחות אלגנטית ממודל אחד להכול, והיא זו שהמספרים תומכים בה.

מה ששתי ההשקות עדיין אינן מספקות הוא הדבר שיכריע את העניין: הרצה בידי מישהו שלא כתב את המאמר. שתי מעבדות הוציאו עבודת וידאו רצינית באותו שבוע ללא הכרזה, וזו העובדה המעניינת יותר לגבי נובמבר 2026 מכל תא בודד בטבלת בנצ׳מרק.