
WeMM-Video-4B לעומת HiDream-O1-Video-1.0: שני סוגים של צרות
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 182 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 356 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 87 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 147 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 לכל 1M טוקנים · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
HiDream-O1-Video-1.0 וWeMM-Video-4B שניהם מתארים את עצמם בפריסה רחבה יותר משֶׁהִתְנַהֲגוּתָם בפועל. פרסום ההשקה של HiDream מפרסם מודל שמקבל טקסט, תמונות ווידאו ומחזיר חמש עד עשרים שניות של צילום ב-1080p עם אודיו מסונכרן; ה-API המתועד מקבל בדיוק תמונת ייחוס אחת ופרומפט אופציונלי. WeMM-Video-4B מקבל טקסט, תמונות, וידאו ואודיו ומחזיר טקסט, וזה מדויק — והמודל אינו מוגש בשום מקום, כך שמה שהוא מקבל בתאוריה הוא מה שמקבלים רק לאחר שתתקנו בעצמכם את מנוע ההסקה. האחד מצומצם על ידי חוזה ההגשה שלו, והשני על ידי כך שאין לו חוזה הגשה כלל. זו כל ההשוואה, וכל מה שלמטה הוא פרט התלוי בה.
אף אחד מהמודלים אינו כזה שאפשר לפנות אליו היום במצב שהמאמר שלו מדגיש. עד כמה זה משנה תלוי באיזה חצי מהפער אתה יכול לסגור בעצמך, וזו שאלה של רישיונות ו-GPUs ולא של איכות.
השורה, והגרסה שעליה היא יושבת
ל-HiDream-O1-Video-1.0 יש מדידה עצמאית. נכון ל-20 בנובמבר 2026, בלוח AA-Video-I2V v2.1, היא מדורגת במקום ה-14 עם Elo 1,101, עם מרווח של 95 אחוז של ±14, כלומר טווח של 1,087 עד 1,115, על סמך 6,976 הצבעות, מתועדת כגרסה מאוגוסט 2026, במחיר של $5.80 לדקה של וידאו שנוצר.
שישה שבועות קודם לכן, בלוחv1.0, אותו מודל היה במקום השישי עם 1,175 ±10 מתוך 3,231 הצבעות. בקריאה חפוזה זה נראה כמו קריסה. זה לא כך, וכדאי לומר את הסיבה בבירור, משום שזו השגיאה הנפוצה ביותר שנעשית עם הלוחות האלה: v1.0 ו-v2.1 הם כלים שונים, עם סולמות Elo שונים, מאגרי הצבעות שונים וטקסונומיה שונה. ציון אינו עובר ביניהם, ולכן המרחק בין 1,175 ל-1,101 אינו מדד לכמה המודל נעשה גרוע יותר. מה שכן השתנה הוא אמיתי — מקום 14 הוא מקום גרוע יותר ממקום 6 תחת כללי הלוח הנוכחי — אך החשבון שמחבר ביניהם אינו קיים.
WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is Tencent's own.
מה ה-API של HiDream באמת מקבל?
משטח ההגשה מתועד והוא צר, באופן שמתמפה ישירות על טענות ההשקה.
• קלט — תמונת ייחוס אחת בדיוק, שניתנת ככתובת URL ציבורית או כ-Base64 בין 40 KB ל-20 MB. הפרומפט אופציונלי וברירת המחדל שלו ריקה. ההכרזה מונה וידאו בין הקלטים של המודל; לסכימת הבקשה אין שדה עבורו.
• רזולוציה — ללא בורר. התוצאה שומרת על יחס הגובה-רוחב של תמונת ההתייחסות. אין אפשרות לכוון את הטענה ל-1080p מהבקשה.
• משך — בוליאני אחד, force_10s, עם ברירת מחדל false. כשמשאירים false, המודל בוחר; כשמגדירים true מקבלים עשר שניות. לטווח המפורסם של חמש עד עשרים שניות אין שדה מספרי.
• אודיו — לא נחשפים קלט אודיו או פרמטר ליצירת אודיו, אף שהגרסה מתארת אודיו מסונכרן מקורי.
• חוזה תוצאה — אסינכרוני. אתה שולח, מקבל task_id, ומבצע polling. result.status = 1 פירושו שכל תת-משימה הגיעה למצב סופי, ולא שההפקה הצליחה; הצלחה היא sub_task_results[].task_status = 1, כאשר 3 פירושו כשל בהפקה ו-4 פירושו סקירת בטיחות.
אז המודל שאפשר לקרוא לו הוא מנפיש תמונות עם שני מצבי משך. המודל המתואר בשחרור הוא מחולל משותף לטקסט-וידאו-אודיו עם משך מתוכנן. שתי ההצהרות מתועדות על ידי אותה חברה, וההבדל הוא מפת דרכים ולא סתירה.
מה WeMM-Video-4B מבקש ממך לבנות
לצד השני אין חוזה להיות צר, כי אין נקודת קצה. WeMM-Video-4B הוא 5,611,746,312 פרמטרים — 10.45 GiB של משקולות BF16 — שוחרר תחת Apache 2.0 במשפחה של ארבעה גדלים שכולם הופיעו בתוך חלון של תשע-עשרה דקות ב-17 בנובמבר 2026, כאשר הדוח הטכני, arXiv 2611.26409, מופיע אחריו ב-19 בנובמבר.
Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and Tencent labels it exported_unvalidated.
מה שמקבלים תמורת זה הוא מתאר עם מערך אודיו גדול באופן יוצא דופן: 4.21 מיליארד פרמטרים של מודל שפה שנגזר מ-Qwen3.5-4B, 0.33 מיליארד של מגדל ראייה, ו-1.07 מיליארד של מקודד-מפענח אודיו בסגנון Whisper שמזין Q-Former בקצב של 10 אסימונים לשנייה. כמעט חמישית מה-checkpoint הם אוזניים, ולכן ציוני האודיו-חזותי המשותפים שלו הם המעניינים.
המצבים שבהם כל מודל מושווה
השוואה הוגנת כאן היא לא "מה עדיף" אלא "איזה מצב הוא זה שאתה באמת יכול להגיע אליו", ושתי התשובות נופלות במקומות שונים.
• HiDream-O1-Video-1.0 — מצב זמין: תמונה לווידאו, פריים ייחוס אחד, יחס קבוע, עשר שניות או בחירת המודל, ללא שליטה באודיו. מצב מדורג: תמונה לווידאו. הלוח וה-API תואמים.
• WeMM-Video-4B — מצב נגיש: קלט וידאו עם פס קול, פלט טקסט, ב-16 פריימים מדוגמים וב-8,192 טוקנים כפי שסופק. מצב ניקוד: המאמר מדווח על מצב Thinking בטבלאות הווידאו, על Instruct בטבלת האודיו, ושוב על Thinking בתמונה ובטקסט, ואינו מציין את מספר הפריימים או את אורך ההקשר שבשימוש.
• שניהם — מדווחים על ידי הספק כאשר קיים מספר, ואף צד שלישי לא שחזר אף אחד מהם. היתרון של HiDream הוא שתצורה אחת הוצבעה על ידי אנשים שאינם עובדים ב-HiDream.


שאלת האודיו, שרק צד אחד יכול לענות עליה
HiDream מייצר אודיו ו-WeMM-Video-4B מבין אותו. הם נשמעים כמו אותה יכולת ברשימת פיצ'רים, אבל הם לא, ולצוות שבונה פייפליין ההבחנה הזו קובעת איזה מהם בכלל רלוונטי.
בצד היצירה, ההכרזה של HiDream מתארת תהליך יחיד שממודל טקסט, וידאו ואודיו יחד, במקום להוסיף סאונד בדיעבד, כך שתנועת השפתיים, אווירת הרקע והפעולה הפיזית חולקים ציר זמן אחד. האם ניתן לשלוט בכך היא שאלה נפרדת: הבקשה המתועדת אינה חושפת פרמטר אודיו, וההכרזה אינה מפרסמת מספר רצועות, ולכן דיאלוג, מוזיקה ואפקטים כרצועות נפרדות אינם מאומתים בשני המובנים.
On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are Tencent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.
אז הסיכום הכנה הוא שמודל אחד מפיק צליל שאי אפשר עדיין לבדוק, והשני בודק צליל שעליך לספק. אף אחד מהם אינו כלי האודיו שצינור ייצור רוצה, עד שהראשון יקבל פרמטר אודיו והשני יקבל מארח.
היכן נתב עוזר והיכן הוא אינו יכול לעזור
OrcaRouter אינה מספקת אף אחד מהמודלים. אין נקודת קצה של WeMM — הקטלוג אינו מכיל שום צ'קפוינט של WeMM — וגם אין נתיב ל-HiDream; ניתן להגיע ל-HiDream-O1-Video-1.0 דרך הפלטפורמה של HiDream עצמה ומספר פלטפורמות צד שלישי. שום דבר להלן אינו טענה שאנו מארחים את מי מהם.
המקום שבו נתב מצדיק את קיומו בהתמודדות הזו הוא ההגירה עצמה, והכלי לכך הוא ה-DSL לניתוב ולא רשימת המודלים. שני המודלים הללו נמצאים מאחורי שכבת הגשה שהיא בבירור זמנית — האחד הוא תצוגה מקדימה עם קלט יחיד ודגל טרמינלי דו-מצבי, והשני הוא שכבת-על של מקור המוצמדת למהדורות ספציפיות במעלה הזרם — ומערכת שמקבעת בקוד קשיח אחד מהם היא מערכת שנשברת בגלל הערת שחרור של מישהו אחר. מדיניות ניתוב שמציינת ראשי וגיבוי, ושהיכולה להשוות שני מודלים בתוך בקשה אחת ולא בשתי אינטגרציות, הופכת את הסיכון הזה לקונפיגורציה. זה פועל דרך נקודת קצה אחת תואמת OpenAI על פני יותר ממאתיים מודלים במחירי המחירון של הספקים, המועברים הלאה עם תוספת של 0%, כך ששינוי מחיר של ספק משתקף באותו יום. עבור החלק החזותי בלבד של עומס העבודה WeMM, גם Qwen3-VL-235B-A22B-Thinking וגם Qwen3-VL-8B-Thinking נמצאים כעת בפלטפורמה — מה שמהווה דרך לעקוף את ה-checkpoint החסר של omni, ולא תחליף למגדל האודיו שלו.

עם איזו צרות אתה יכול לחיות
אם אתה צריך קטעי וידאו ברבעון הזה ותמונת ייחוס אחת מספיקה, HiDream-O1-Video-1.0 הוא היחיד מבין השניים עם נקודת קצה שאפשר לפנות אליה, והאילוצים שלו מתועדים מספיק היטב כדי לבצע אינטגרציה מולם בתוך אחר צהריים אחד. תקציב של $5.80 לדקה, תכנן לעשר שניות או לבחירת המודל, וקרא את סטטוס משימת המשנה ולא את דגל הטרמינל.
אם אתה צריך לדעת מה יש בצילומים שכבר בבעלותך — כולל מה שנאמר מעליהם — WeMM-Video-4B הוא היחיד מבין השניים שיכול לענות, ומחיר הכניסה הוא מנוע הסקה מתוקן, צ'ק פוינט בנפח 10.45 GiB, ותקציב דגימה של 16 פריימים שכדאי לכוונן לפני שתסמוך על תוצאה של וידאו ארוך.
מה ששניהם לא נותנים לך הוא הדבר שדף השוואה בדרך כלל מבטיח: משימה משותפת שעל פיה אפשר לדרג אותם. הם אינם שתי תשובות לשאלה אחת. הם שני מודלים שהמשטחים הציבוריים של שניהם קטנים מהמאמרים שלהם, והשיקול ההנדסי המועיל הוא איזה מן הפערים הללו אתה יכול לסגור בחומרה שלך.
השוואות במאמר הזה1
זוהה מתוך המאמר הזה
