כרטיס כותרת ראשי עם הכיתוב 'WeMM-Video-9B נגד Wan 3.0', כתובית 'אחד מוכר את השניות. אחד קורא אותן בחזרה.', שלושה תגי נתונים עם הכיתוב 10.49B משקלים פתוחים, תצוגה של 8 שניות כברירת מחדל ותקרת קליפ של 30 שניות, וכותרת תחתונה שאומרת שהנתונים של WeMM-Video-9B מגיעים ממאגר Tencent ומ־arXiv 2611.26409, בעוד שהנתונים של Wan 3.0 מגיעים מ-Alibaba ומ-Artificial Analysis.
Guides & Insights

WeMM-Video-9B לעומת Wan 3.0: שניות שנמכרו, שניות שנצפו

מחבר

Alistair Wren

תאריך פרסום

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

Wan 3.0 מוכר שניות של וידאו. WeMM-Video-9B קורא אותן בחזרה. זו כל ההשוואה, וזו הסיבה שקרב מפרטים ממד אחר ממד בין השניים יהיה כמעט חסר משמעות: האחד הוא מודל יצירה שמחזיר MP4, והשני הוא מודל הבנה אומני-מודאלי שמחזיר משפט. הם לא יריבים. הם שני החצאים של אותו צינור עיבוד — לייצר קליפ, ואז לבדוק אותו — והשאלה המעניינת היא לא מי מנצח אלא היכן כל אחד מפסיק להיות שמיש.

רק אחד מהם הוא חדשות. Tencent העלתה WeMM-Video-9B ושמונה-עשר מאגרים נלווים בחלון של חמש דקות שהחל ב-08:53:50 UTC ב-17 בנובמבר 2026, פרסמה את הדו"ח הטכני כ-arXiv 2611.26409 ב-19 בנובמבר, ולא הודיעה על דבר מזה: אין פוסט בבלוג, אין דף השקה, אין מסלול בתשלום. בזמן כתיבת שורות אלה מאגר ה-9B מציג אפס הורדות, האוסף מציג קומץ לייקים, ואף ספק הסקה לא מציע את המודל. Wan 3.0 הוא המקרה ההפוך לגמרי — Alibaba הכניסה אותו לבטא ציבורית ב-6 באוגוסט 2026 והשיקה אותו רשמית ב-24 באוגוסט, שמונים ושמונה ימים לפני הכתבה הזו, והוא נמצא כעת בראש שני לוחות דירוג עצמאיים. כל מה שלמטה אודות Wan 3.0 הוא מוצר שהושק, מתומחר וקיבל ציון באופן עצמאי. כל מה שאודות WeMM-Video-9B מגיע או מהמאגר שלו עצמו או מקובץ ה-PDF של המחברים, ואלה שני המקומות היחידים שבהם קיים מספר כלשהו אודותיו.

מה כל אחד מהם מחזיר בפועל

כדאי להעמיד את שורות המפרט זו לצד זו דווקא משום שהן מתארות תפקידים שונים.

• פלט — WeMM-Video-9B מחזיר טקסט, בסינית או באנגלית. Wan 3.0 מחזיר קליפ שנוצר באורך של עד 30 שניות עם אודיו מקורי.

• קלט — ה-9B מקבל פריימים של וידאו עם פס הקול המקורי שלהם, וידאו שקט, אודיו עצמאי, תמונות וטקסט, ויכול לנמק לגבי כולם בבת אחת. Wan 3.0 מקבל הנחיות טקסט, תמונה, וידאו ואודיו, ובנוסף, באופן ייחודי במשפחה שלו, מסמכים: doc, xls, ppt, pdf, md, txt, עד 100 MB או 50 עמודים לקובץ, המומרים ישירות לווידאו.

• משקלים — WeMM-Video-9B מספקת משקלים ברישיון Apache 2.0 ב-Hugging Face בפורמט BF16 ובנוסף ארבע גרסאות מכומתות (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). ל-Wan 3.0 אין משקלים מפורסמים; זהו API סגור בתשלום לפי שימוש.

• מחיר — ל-9B אין מחיר של שירות מתארח, כי שום דבר לא מארח אותו; העלות שלך היא GPU, סביבת ריצה מתוקנת והזמן שלך. Wan 3.0 מחייב לפי שנייה של פלט: 0.3, 0.6 ו-1.2 יואן לשנייה ברזולוציות 480p, 720p ו-1080p — בערך $0.05, $0.10 ו-$0.20 — אשר Artificial Analysis מנרמל ל-$12.00 לדקה בלוחות הדירוג שלה.

• ציונים בלתי־תלויים — אין עבור WeMM-Video-9B. ‏Artificial Analysis אינה מציגה שום מודל WeMM באף לוח. ‏Wan 3.0 נמצא במקום הראשון בלוח טקסט-לווידאו של Artificial Analysis עם Elo 1,176 (מרווח של 95%: 1,163 עד 1,189, 8,243 דגימות) ובמקום הראשון בלוח עריכת הווידאו שלה עם 1,197 (1,187 עד 1,207, 9,919 דגימות), ובמקום ה-12 בתמונה-ללווידאו עם 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.

פער המחיר אינו פער מחיר

שנים עשר דולר לדקה הוא המספר שאנשים יצטטו, וזה המספר הלא נכון להשוות אליו כל דבר בנוגע ל-9B, מפני ששתי החשבוניות מודדות כמויות שונות. Wan 3.0 גובה לפי משך זמן שנוצר. WeMM-Video-9B אין לו חיוב לפי יחידה בכלל — הוא גובה בחומרה שכבר בבעלותך, והדרך הכנה לתמחר אותו היא לחשב כמה מכרטיס הוא תופס וכמה קליפים אפשר להעביר בשעה.

ניתן למדוד את נתון התפוסה מתוך המאגר. צ'קפוינט ה-BF16 כולל 19.54 GiB של קובצי משקלים ו-10,488,603,384 פרמטרים הפרוסים על פני 1,305 טנסורים — 10.49 מיליארד, ולא תשעה, מפני ש„9B” בשם מתייחס לעמוד השדרה הלשוני Qwen3.5-9B ולא למכלול כולו. הבנייה מסוג AWQ W4A16 עומדת על 12.86 GiB. מדובר בקיצוץ של 34% ולא ב-75% שמתכון של ארבעה ביטים מרמז עליו, והסיבה גלויה במניפסטים של המייצא: רק מטריצות ה-feed-forward הצפופות נדחסות, בעוד שמגדל הראייה, מקודד האודיו המבוסס Whisper, ההטמעה, ראש הפלט וכל משקל קשב שומרים על הדיוק המקורי שלהם. כ-5.7 מיליארד פרמטרים נשארים בשני בתים כל אחד, מה שקובע רצפה שאף מתכון של ארבעה ביטים לא יכול לרדת מתחתיה. מי שיתכנן פריסה לפי השם יהיה בסטייה של כ-1.5 GiB ושל דרגת דיוק אחת.

אז השוואת העלויות שבאמת משנה אינה דולרים מול דולרים. היא: קריאת API אחת ב-$0.20 לשנייה של קטע מוגמר, מול מודל השוהה בזיכרון בגודל 13 עד 20 GiB, מערך הגשה עם טלאים וכל מה שעולה לכם שעת GPU. עבור צוות שכבר מריץ אינפרנס, השני יכול להיות זול יותר. עבור צוות שרוצה קליפ עד יום שישי, הראשון הוא היחיד שקיים.

איפה ה-9B עומד לעומת 30B

המקום היחיד שבו WeMM-Video-9B מציג נתונים מוצקים הוא ההערכה של המחברים, והטענה המרכזית במאמר עוסקת באח הגדול שלו — שמודל 35B-A3B מציב רף חדש בקוד פתוח בווידאו אומני-מודלי ומתקרב ל-Gemini-3.0-Flash. הדגם 9B זוכה לטענה שקטה יותר: הוא עולה בביצועיו על Qwen3-Omni-30B-A3B-Instruct, מודל שגדול ממנו בערך פי שלושה. במצב Thinking, בטבלה המשולבת של אודיו וויז'ואל, הוא אכן עושה זאת.

• Video-MME עם אודיו — 85.1 עבור ה-9B, 77.3 עבור Qwen3-Omni-30B-A3B-Instruct, 69.2 עבור MiniCPM-o-4.5-9B.

• Video-MME-v2 עם אודיו — 51.6 לעומת 36.3, פער של 15.3 נקודות.

• שורות בעלות אופי הסקה — SciVideoBench 64.2 לעומת 49.9, MMOU 71.7 לעומת 60.5, EvaOmni 50.7 לעומת 26.1, OmniReasoningBench 43.9 לעומת 24.1.

• היכן שזה מפסיד — FutureOmni 53.7 לעומת 55.1, ו-JointAVBench בתיקו על 64.6.

ההשוואה המעניינת יותר היא פנימית, והיא זו שאיש מהמצטטים את המאמר לא מזכיר. הרצו את ה-9B מול דגם הדגל 35B-A3B על אותן 17 שורות והפער קטן: 85.1 מול 86.4 ב-Video-MME עם אודיו, 51.6 מול 54.9 ב-Video-MME-v2, 71.7 מול 74.5 ב-MMOU. בשורה אחת הדגם הקטן מנצח באופן מוחלט — SVHalluc 86.8 מול 80.3. דגם הנושא חלק קטן מהפרמטרים הפעילים של דגם הדגל נמצא בפער של 1.3 נקודות במדד הראשי. זהו הטיעון החזק ביותר במאגר לטובת ה-9B ספציפית, והוא טיעון על עלות פריסה, לא על יכולת.

גם ה-9B אינו שדרוג אחיד לעומת שלד הבסיס שהוא יורש. השוואה בינו לבין Qwen3.5-9B הרגיל בטבלת הווידאו השקט מגלה מודל שמכוון לשאלה מתי והיכן משהו התרחש, במחיר מדיד במקומות אחרים: F-16-NBA 88.7 לעומת 75.8, TimeLens-QVHighlights 66.8 לעומת 64.3, TOMATO 48.5 לעומת 45.0 — אך MLVU 82.4 לעומת 84.4, LVBench 68.2 לעומת 70.0, VSI-Bench 54.5 לעומת 58.3, MVBench 71.4 לעומת 74.4. אם המשימה שלך היא תמצות וידאו ארוך, מנגנון האודיו-ויזואלי עלה לך במשהו ששלד הבסיס כבר עשה טוב יותר.

שמונה שניות של כיסוי, כברירת מחדל

כאן שני המודלים הופכים ברי-השוואה ישירה, משום שזהו גבול על משך — והמספרים אינם קרובים.

Wan 3.0 מייצר עד 30 שניות בהרצה אחת, פי שניים מתקרת 15 השניות של Wan 2.7, עם כלי להארכת וידאו לשרשור נרטיבים ארוכים יותר. WeMM-Video-9B, כפי שהוא מסופק, מסתכל על שמונה.

הפער אינו בצ'קפוינט. המודל 9B מצהיר על 262,144 הטמעות מיקום בתצורת הטקסט שלו, וזה תקציב גדול מאוד. הפער נמצא במתכונים. ברירת המחדל של המעבד היא 2 fps עם מינימום של ארבעה פריימים, מקסימום של 128 פריימים ו-100,663,296 פיקסלים בסך הכול, ופקודת ה-vLLM שטנסנט מפרסמת דורסת את כל ארבעתם ל-2 fps, 16 פריימים ו-262,144 פיקסלים. ב-2 fps, שישה-עשר פריימים הם שמונה שניות של כיסוי שנלקחות מאמצע הקליפ. כל פקודת שירות במאגר גם מעבירה --max-model-len 8192 או --context-length 8192, ושום דבר במאגר לא מסביר איך להגיע לנתון המוצהר הגדול יותר.

• תקציב פריימים — ברירת המחדל שסופקה היא 16 פריימים בקצב 2 fps, כלומר כ-8 שניות, לעומת יצירה בודדת של 30 שניות ב-Wan 3.0.

• עלות אודיו — מערכת האודיו פולטת 10 טוקנים בשנייה, כך שתקציב של 8,192 טוקנים הוא בקירוב שלוש־עשרה דקות של אודיו ותו לא; קליפ עם פסקול מוציא את אותו תקציב על פריימים ואודיו יחד.

• מדיה לכל בקשה — ארבע תמונות, שני סרטונים ושני פריטי שמע, לפי המגבלות שנכללו בשני המתכונים, של vLLM ושל SGLang.

אף אחד מחוץ ל-WeChat Vision לא פרסם באיזו דגימה השתמשו בהרצות הבנצ'מרק. אם אתם משחזרים מספר מהטבלה שלמעלה, זהו הלא-נודע הראשון שצריך לקבוע, וברירת המחדל המסופקת של 16 פריימים היא מקום שגוי להתחיל בו. אבל התקרה אמיתית: לכל דבר ארוך מטייק, ה-9B הוא בודק נקודתי, לא מבקר, אלא אם תעלו את תקרת הפריימים ותשלמו על כך בהקשר.

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.

המספר שאיש עדיין לא מדד

שלושה עובדות עומדות בין המודל הזה לבין כל המלצה בטוחה, וראוי לומר אותן בפשטות ולא לקבור אותן.

הראשון הוא שכל ציון שלמעלה מדווח על ידי הספק. אין הערכה בלתי תלויה של WeMM-Video-9B בשום מקום — לא Elo של זירה, לא שחזור על ידי צד שלישי, לא רשומה בלוח דירוג. הטבלאות מגיעות מאותם מחברים שאימנו את המודל, על יותר מ-120 מבחני ייחוס לבחירתם, וכמה מאותם מבחנים משתמשים בשופטים שונים: ההערכה של המאמר נשענת על GPT-6.1-Sol, GPT-4o ו-Qwen3-235B-A22B בהתאם למשימה. לכן השוואות בין מודלים בתוך המאמר הן השוואות של מספרים שהופקו תחת מדרגים שונים, וזו הסתייגות שהמאמר מציין ושאליה כל מי שמצטט את הטבלה נוטה להשמיט.

השני הוא פיצול מצבים שהופך שתי שורות לבלתי ברות-השוואה. טבלת הווידאו הרב-מודלית מריצה את מודלי WeMM במצב Thinking; טבלת האודיו מריצה אותם במצב Instruct, על סמך שיקול דעתם של המחברים שמדדי אודיו סטנדרטיים הם משימות תפיסתיות ישירות. זה מוצדק, וזה גם אומר שאי אפשר ליישר שורת WeMM בטבלה אחת מול שורה מתחרה בשנייה.

השלישי הוא הפצה. אפס הורדות אינו ראיה לאיכות לכאן או לכאן, אבל הוא כן אומר שאין גוף של דיווחי מתרגלים — אין מצבי כשל, אין "הוא הוזה בסרטוני מוזיקה", אין שרשור של אנשים שמגלים את תקרת הפריימים בדרך הקשה. ל-Wan 3.0 היו שמונים ושמונה ימים של זה, בתוספת אינטגרציות השקה ב-ComfyUI, Leonardo.Ai ו-Envato. בשאלה "מה באמת משתבש בפרודקשן", לאחד מהמודלים האלה יש תשובה ולשני יש מאגר.

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.

מריץ את הזוג היום

אם אתה רוצה את שניהם, הם מותקנים בדרכים שונות לחלוטין, ואף אחד מהם אינו נמצא על פלטפורמת ניתוב.

Wan 3.0 היא קריאת API בתשלום לפי שימוש. היא נגישה דרך הקונסולות של Alibaba עצמה ודרך כלי קריאייטיב של צד שלישי, היא מחייבת לפי שנייה 0.3, 0.6 ו-1.2 יואן עבור 480p, 720p ו-1080p, ושאלת הרכש האמיתית היחידה היא איזו רזולוציה שלב הביקורת שלך זקוק לה, כי זהו המכפיל.

WeMM-Video-9B היא משימת אירוח עצמי. יש צורך ב-Python 3.12, בכרטיס NVIDIA עם דרייבר CUDA 12.9, ב-FFmpeg ובספריות המשותפות של TorchCodec, ולאחר מכן בטלאי ה-runtime של המאגר: vLLM 0.18.0 עם טלאי, או 0.31.0 עבור BF16, או SGLang 0.5.16 או 0.5.19 עם טלאי, מוצמדים לשילוב המדויק של PyTorch, Transformers ו-CUDA שמניפסט הטלאי מציין עבור גרסת המנוע שלך. הטעינה מחייבת בנוסף trust_remote_code, מכיוון שהמודל כולל קוד מידול וקוד מעבד מותאמים אישית. Tencent אימתה ש-vLLM עם הטלאי טוען את ה-checkpoint ומשלים בדיקות יצירה של טקסט, תמונה, אודיו ווידאו עם פס קול על H20, וזהו אימות טעינה והרצה, לא טענת דיוק. מסלול ה-GGUF דורש את סביבת ההרצה הנייטיבית שנבנתה מהמקור.

OrcaRouter אינו מגיש את WeMM-Video-9B, והקטלוג שלו אינו כולל כלל צ'ק-פוינט WeMM, כך שאין מחיר אירוח לצטט ואין נקודת קצה לפנות אליה. מה שהפלטפורמה כן מציעה הוא חצי הראייה של אותה מלאכה — Qwen3-VL-8B-Thinking וQwen3-VL-235B-A22B-Thinking, כששניהם מקבלים תמונות ופריימים של וידאו — מאחורי מפתח אחד תואם OpenAI לצד 200+ מודלים אחרים, בחיוב לפי מחיר המחירון של הספק, מועבר הלאה עם 0% תוספת. אף אחד מהם אינו שומע דבר, ולכן אף אחד מהם אינו מחליף את החצי האודיו-ויזואלי. אם התוכנית היא לנסות 9B באירוח עצמי בלי להעמיד עליו נתיב ייצור, ניתובו מאחורי כלל failover הוא הדרך הזולה לגלות אם ה-runtime המתוקן מחזיק בקונקרנציה שלך לפני שאתה מקדיש לו כרטיס.

השילוב עצמו הוא תהליך עבודה, לא מבחן השוואתי. צרו עם Wan 3.0, ואז העבירו את הקליפ למודל שמחזיר תיאור במקום פיקסלים: האם הסצנה תואמת לפרומפט, האם הדיבור מובן, האם האודיו מתיישב עם הפעולה. שום דבר כאן לא מודד האם WeMM-Video-9B טוב בעבודה הזו מול הפלטים של Wan 3.0 עצמו ספציפית — אף אחד לא הריץ אותו. תקציב הפריימים של שמונה שניות הוא האילוץ שצריך לבדוק קודם, כי אם הקליפים שלכם באורך שלושים שניות, הסוקר מסתכל על רבע מכל אחד מהם.

מה ישנה את התשובה

שלושה דברים ניתנים לתיארוך, לפי המידה שבה הם ישנו את ההמלצה.

ציון בלתי תלוי עבור WeMM-Video-9B. רשומה אחת ב-Artificial Analysis, או תוצאת ארנה אחת מגורם שאינו חולק מעסיק עם המחברים, תהפוך את הטבלה שלמעלה מטענה למדידה. עד אז, הקריאה הכנה היא שצ'קפוינט של 10.49B עם עמוד שדרה של 9B משיג תוצאה קרובה לזו של דגם הדגל 35B-A3B של עצמו במבחנים של Tencent עצמה, וזה כל מה שאפשר לומר.

נקודת קצה מתארחת. המודל דורש סביבת ריצה מוטלאה, קוד מותאם וטביעת רגל בזיכרון של 13 עד 20 GiB; ביום שספק יציע אותו מאחורי API, השוואת המחירים במאמר הזה תפסיק להיות שגיאת קטגוריה ותהפוך לאריתמטיקה.

מתכון שמשתמש בהקשר המוצהר. ה-checkpoint כבר מצהיר על 262,144 פוזיציות. אם Tencent תשיק פרופיל שירות שמעלה את תקרת הפריימים ומממש אותה בפועל, ברירת המחדל של שמונה השניות הופכת לפרט תצורה ולא לתקרה — וה-9B מפסיק להיות בודק נקודתי של טייקים קצרים.

לעת עתה החלוקה נקייה. בחרו ב־Wan 3.0 כשאתם צריכים צילומים; הוא הושק, מתומחר, נמצא בראש שני לוחות דירוג עצמאיים, והוא היחיד מבין השניים שאפשר לפנות אליו היום אחר הצהריים. בחרו ב־WeMM-Video-9Bכשאתם צריכים מודל ששומע את פס הקול כמו שהוא רואה את הפריימים, יש לכם כרטיס פנוי, ואתם מוכנים להיות הראשונים לגלות אם המתכון של שמונה שניות הוא ברירת מחדל או מגבלה. השניים לא מתחרים על אותה החלטה.

השוואות במאמר הזה2

זוהה מתוך המאמר הזה · בנצ'מרקים: Artificial Analysis · מתעדכן יומית