כרטיס פתיחה עם הכיתוב 'WeMM-Video-9B vs Alibaba Wan 2.7' וכתובית המשנה 'חשבונית וצ'קפוינט', שני פאנלים המופרדים בדיסק VS: השמאלי מסומן 'משקלים בלבד' ומפרט 9B פרמטרים צפופים, 19.54 GiB של שברי BF16, Apache 2.0 וללא מחיר; הימני מסומן 'API בתשלום לפי שימוש' ומפרט Elo 1,074 ב-AA-Video-Editing v1.1 ו-$16.90 לדקה.
Guides & Insights

WeMM-Video-9B לעומת Alibaba Wan 2.7: חשבון ונקודת ביקורת

מחבר

jinhao.song

תאריך פרסום

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

התחילו מהחשבונית. Alibaba Wan 2.7 יש תעריף לדקה בשני לוחות וידאו של Artificial Analysis וטווח משך מתועד, מה שהופך אותו לאחד מדגמי הווידאו הבודדים שאפשר לתמחר לפני שכותבים שורת קוד. WeMM-Video-9B אין לו תעריף כלל. קבוצת WeChat Vision של Tencent פרסמה אותו ב-17 בנובמבר 2026 כ-19.5 גיגבייט של משקולות Apache-2.0 — חמישה שברי BF16, כרטיס דגם, ו-preprint של arXiv שמספרו 2611.26409 — ואז לא אמרה דבר. בלי פוסט השקה, בלי עמוד תמחור, בלי נקודת קצה מתארחת, בלי הגשה ללוח. שלושה ימים לאחר מכן המאגרים עדיין מציגים אפס הורדות בסך הכול ביניהם. אז ההשוואה הישרה אינה בין Wan 2.7 ל-WeMM-Video-9B מבחינת איכות; היא בין שירות בתשלום לפי שימוש לבין ארטיפקט ללא תמחור, ושני המספרים שתרצו להעמיד זה לצד זה אינם קיימים מאותה סיבה בשני הצדדים.

כל מה שלהלן מפריד בין שלושה דברים: מה שתיעוד Wan 2.7 ושתי טבלאות הדירוג מצהירים, מה שמאגר WeMM-Video-9B והמאמר טוענים, ומה שאיש מחוץ לאף אחת משתי המעבדות לא הצליח לשחזר. הקטגוריה השלישית הזו היא המקום שבו נמצא רוב החומר של WeMM-Video-9B, ולהעמיד פנים אחרת תהיה הדרך המהירה ביותר להפוך את הטקסט הזה לחסר תועלת.

Wan 2.7 מחויב לפי דקות

מחירון התעריפים של Alibaba עבור Wan 2.7 קריא באופן יוצא דופן עבור מודל וידאו. החבילה היא מוצר בעל ארבעה מצבים — טקסט לווידאו, תמונה לווידאו, רפרנס לווידאו ועריכת וידאו — והתמחור שמופיע בלוחות הוא נתון ישיר לפי דקה ולא מערכת קרדיטים שצריך להנדס לאחור.

• AA-Video-Editing v1.1 — Wan 2.7 נמצא במקום התשיעי עם Elo של 1,074 ±8 על פני 22,754 דגימות, חודש השקה אפריל 2026, ו-16.90 דולר לדקה. המרווח הוא הצר ביותר בלוח מחוץ לשלוש הראשונות, וזה מה ש-22 אלף הצבעות קונות לך.

• AA-Video-T2V v2.1 — אותה משפחה מופיעה כ-Wan2.7-260612 במקום ה-20 ב-Elo 1,035 ±13 על פני 6,965 דגימות, יוני 2026, $9.00 לדקה. אותו ספק, משימה שונה, מחיר שונה, ו-Elo שאינו מתורגם לציון העריכה.

• Wan 2.7 כלל לא מופיע בלוח התמונה-ללווידאו. Wan 3.0 כן מופיע — במקום ה-12 עם 1,109 — והיעדרות הזו ראויה לקריאה זהירה. זה לא אומר ש-Wan 2.7 לא יכול להנפיש תמונה דוממת; זה אומר שהזירה לא דירגה אותו שם. החבילה של Alibaba אכן מפרסמת שליטה בפריימי מפתח ראשון ואחרון, עד חמש תמונות נושא וחמישה קליפי ייחוס, ופלט מ-720p עד 1080p עם אודיו מקורי. יכולת שהלוח לא מדרג היא עדיין יכולת.

הערה הקשרית אחת שחשובה לתקצוב: Wan 2.7 הוא הדור הקודם. Wan 3.0 מוביל כעת הן בלוח הטקסט-לווידאו (1,176) והן בלוח העריכה (1,197), והוא הזול מבין השניים בטקסט-לווידאו, במחיר של $12.00 לדקה לעומת תעריף העריכה של Wan 2.7, $9.00. אם אתם בוחרים מודל של Alibaba היום ולא משווים ביניהם, ההחלטה כבר התקדמה הלאה.

מהו למעשה ה-checkpoint של 9B

WeMM-Video-9B אינו מחולל וידאו, והמשפט הבודד הזה עושה את רוב העבודה בהשוואה הזו. זהו מודל הבנה של וידאו: אתם מעבירים לו פריימים יחד עם הפסקול המקורי, והוא מחזיר טקסט. תיאור, תמלול, הסקה זמנית, מענה על שאלות על צילומים שכבר נמצאים ברשותכם.

המאגר ספציפי באופן יוצא דופן לגבי מה שיש בתוכו, וזה המקום היחיד שבו שחרור שקט עדיף על שחרור רועש. רשומת Hugging Face מפרטת 10,488,603,384 פרמטרים ב-1,305 טנסורים, BF16, 19.54 GiB המחולקים על פני חמישה שרדים. הפיצול מפורט: עמוד שדרה לשוני של 7.94B הכולל הטבעת טוקנים של 1.02B, ראש פלט לא קשור של 1.02B, מגדל אודיו בסגנון Whisper של 1.08B עם 32 שכבות ברוחב 1,280 מאחורי Q-Former דו־שכבתי, ומגדל חזותי של 0.46B עם 27 בלוקים ברוחב חבוי 1,152 עם גודל patch 16 ומיזוג מרחבי 2×2. מחסנית השפה היא 32 שכבות ברוחב חבוי 4,096, 16 ראשי קשב מול 4 ראשי key-value בממד ראש 256, עם קשב ליניארי היברידי — שכבת קשב מלא אחת לכל שלוש שכבות ליניאריות — ו-262,144 הטמעות מיקום.

מה שזה נותן לך בפועל הוא קלט רחב ופלט צר. וידאו, אודיו, תמונות וטקסט נכנסים. טקסט יוצא, באנגלית או בסינית. אין סינתזת פריימים בשום מקום בארכיטקטורה, ושום כמות של פרומפטים לא תייצר כזו.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

שני שעונים שלא נפגשים

ההשוואה שבאמת מכריעה משהו נוגעת לזמן ולכסף, ולשני הצדדים יש תקרה.

• התקרה של Wan 2.7 היא משך הזמן. שתיים עד חמש עשרה שניות לכל יצירה, 720p עד 1080p, בחיוב לפי שנייה. קליפ 1080p באורך חמש עשרה שניות הוא דבר ידוע מראש לפני שלוחצים על "קדימה".

• התקרה של WeMM-Video-9B היא ההקשר. המעבד פועל כברירת מחדל ב-2 פריימים לשנייה, עם מינימום של 4 פריימים, מקסימום של 128 פריימים ותקציב כולל של 100,663,296 פיקסלים. מתכון ה-vLLM המסופק עוקף את כל זה ומוריד ל-2 fps ול-16 פריימים ב-262,144 פיקסלים — בערך שמונה שניות של כיסוי שנדגם מנקודת האמצע של הקליפ. כל פקודת שירות במאגר מעבירה גם אורך הקשר של 8,192 טוקנים, ובקצב של עשרה טוקני אודיו לשנייה מדובר בבערך שלוש עשרה דקות של אודיו אם משתמשים בכל התקציב רק על אודיו.

• אי-ההתאמה.Wan 2.7 מפיק חמש-עשרה שניות של חומר וידאו. WeMM-Video-9B, כפי שהוא מופץ, בוחן שמונה. אם ה-pipeline שלך יוצר קליפ ואז שואל מודל מה קרה בו, המתאר דוגם מחצית מהפלט. זו אינה פגם באף אחד מהמוצרים; זו תצורה שעליך לשנות במכוון, והדוגמה של המאגר עצמו אינה משנה אותה עבורך.

הוועד שאף אחד משניהם אינו חבר בו

הנה הבעיה המבנית בהתמודדות הזו, בפשטות. כל לוח וידאו של Artificial Analysis מדרג קטעי וידאו שנוצרו. טקסט לווידאו, תמונה לווידאו ועריכת וידאו — כל אחת מהן לוקחת מודל שפולט פיקסלים ומדרגת אותו לפי העדפה אנושית בהשוואות זוגיות. WeMM-Video-9B פולט טוקנים.

זה לא ש-WeMM-Video-9B קיבל ציון גרוע. אי אפשר להזין אותו. ל-Wan 2.7 יש שתי שורות, ולשתיהן מרווחים צרים מספיק כדי להתווכח עליהם; ל-WeMM-Video-9B אין אף אחת, ולא תהיה לו עד שמישהו יבנה זירת הבנת וידאו. מה שאומר שהראיה האיכותית היחידה לנושא המאמר הזה היא הטבלה של המחברים עצמם.

הטבלה הזו אינה דבר של מה בכך. במצב חשיבה במשימות אודיו-חזותיות משולבות, צ'ק פוינט ה-9B גובר על Qwen3-Omni-30B-A3B-Instruct ב-35 מתוך 37 נתונים משותפים — Video-MME עם אודיו 85.1 לעומת 77.3, Daily-Omni 83.6 לעומת 70.7, SciVideoBench 64.2 לעומת 49.9, OmniReasoningBench 43.9 לעומת 24.1 — ומפסיד בדיוק באחד, FutureOmni ב-53.7 לעומת 55.1. בווידאו שקט מול ה-backbone Qwen3.5-9B של עצמו הוא משתפר ב-F-16-NBA (88.7 לעומת 75.8) וב-TimeLens, ומפסיד ב-MLVU, LVBench, VideoVista, VSI-Bench ו-MVBench. המאמר אומר שהוא מדווח „תוצאות רשמיות היכן שקיימות ואת ההערכות שלנו אחרת”, וזהו הגילוי הנכון וגם הסיבה לכך ששום דבר מזה אינו עצמאי.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

היכן OrcaRouter מתאים

אף אחד מהמודלים לא מוגש דרך OrcaRouter, והמאמר הזה לא הולך להעמיד פנים אחרת. ניתן להגיע ל-Wan 2.7 דרך ה-API של Alibaba עצמה ומספר פלטפורמות צד שלישי; ניתן להגיע ל-WeMM-Video-9B על ידי הורדתו.

מה שכן שייך לכאן הוא צד החיוב, כי הסיבה שצוותים מגיעים בסופו של דבר להשוות בין מחולל למתאר היא ששניהם מחוברים לאותו צינור. OrcaRouter מעביר את מחיר המחירון של הספק הלאה בתוספת של 0% תוספת מחיר, כלומר קיצוץ בתעריף של ספק נוחת בחשבונית שלך ביום שבו הוא נוחת בשלהם, ולא בכל פעם שמשווק מתמחר מחדש. אם תעריף העריכה של Wan 2.7 בסך 16.90 דולר יהפוך ל-12.00 דולר כפי שקרה עם Wan 3.0, תראו זאת בחשבון הבא. עבור עומס עבודה שבו רגל אחת נמדדת לפי שנייה והרגל השנייה היא נקודת ביקורת שאתם מארחים בעצמכם, העובדה שהחצי הנמדד מדווח לפי עלות היא ההבדל בין תקציב שאפשר לחזות לבין כזה שאי אפשר.

לאיזה אחד להקצות תקציב?

אם התוצר הוא קטעי וידאו, Wan 2.7 הוא היחיד מבין השניים שיכול להפיק אותם, וההחלטה מצטמצמת לשאלה אם 16.90 דולר לדקה לעריכה או 9.00 דולר לדקה ליצירת וידאו מטקסט תחרותי מול שאר הלוח. במקום ה-9 וה-20 בהתאמה, הוא באמצע הדירוג בשניהם.

אם התוצר הוא הצהרה לגבי צילומים שכבר נמצאים ברשותך, WeMM-Video-9B הוא היחיד מבין השניים שיכול להפיק אותה, וההחלטה מצטמצמת לשאלה אם תוכל להחזיק התקנה מתוקנת של vLLM או SGLang, נקודת ביקורת של 19.54 GiB, וחלון דגימה של שמונה שניות כדי לקבל מתאר בדרגת 9B עם מדדים אודיו-חזותיים חזקים באמת.

המלכודת היא לקרוא את $16.90 ואת $0.00 כאותה כמות. האחד הוא תעריף מחויב לפי מדידה עבור שירות שאפשר להתקשר אליו היום אחר הצהריים. האחר הוא היעדר שירות, והמחיר של ההיעדר הזה משולם בעבודת אינטגרציה ובכך שאף אחד מחוץ ל-Tencent לא אמר לך אם המספרים מחזיקים מעמד.