
WeMM-Video-35B-A3B vs Alibaba Wan 2.7: 22.754 Suara vs Nol
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 182 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 364 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 148 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
There is exactly one number in this comparison that a third party produced, and it belongs to Alibaba 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 Tencent'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.
Satu-satunya nomor pihak ketiga di sini
Baris penyuntingan Wan 2.7 didukung dengan luar biasa baik. Dua puluh dua ribu suara bukanlah sampel papan peringkat yang bisa diabaikan begitu saja sebagai derau; interval ±8 berarti posisi peringkat kesembilan stabil terhadap semua yang berada di bawahnya, dan bulan rilis yang tercantum pada baris tersebut adalah April 2026, sehingga suara-suara itu telah memiliki waktu tujuh bulan untuk terakumulasi.
Keluarga yang sama muncul dua kali lagi di papan, dan ketiga baris itu tidak saling cocok, yang dengan sendirinya informatif:
• AA-Video-Editing v1.1 — ke-9, Elo 1.074 ±8, 22.754 sampel, April 2026, $16,90 per menit.
• AA-Video-T2V v2.1 — tercantum sebagai Wan2.7-260612, peringkat 20, Elo 1.035 ±13, 6.965 sampel, Juni 2026, $9,00 per menit. Vendor yang sama, tugas berbeda, sepertiga jumlah sampel, dan harga yang 47% lebih rendah daripada tarif penyuntingan.
• AA-Video-I2V v2.1 — tidak ada baris. Wan 3.0 ada di papan itu di peringkat kedua belas dengan 1,109; Wan 2.7 tidak. Suite ini mengiklankan kemampuan image-to-video, jadi ini kesenjangan arena, bukan kesenjangan produk, tetapi itu berarti model tersebut belum pernah diperingkat pada tugas yang paling mungkin dipilih orang pertama kali.

Jika ketiganya dibaca bersama, ringkasan jujurnya adalah bahwa Wan 2.7 adalah model video kelas menengah yang terukur dengan satu basis bukti yang benar-benar kuat (penyuntingan), satu lagi yang lebih tipis (teks-ke-video), dan satu sel kosong. Itu tetap jauh lebih banyak bukti eksternal daripada yang dimiliki sisi lain perbandingan ini.
What Alibaba is selling, and at what rate
Wan 2.7 adalah produk empat mode: teks-ke-video, gambar-ke-video, referensi-ke-video, dan penyuntingan video. Kontrol yang didokumentasikan mencakup pengondisian keyframe awal dan akhir, hingga lima gambar subjek plus lima klip referensi, output 720p hingga 1080p, audio native, dan klip berdurasi dua hingga lima belas detik. Penagihan dilakukan per detik sesuai tarif yang tertera, sehingga generasi 1080p berdurasi lima belas detik menjadi biaya yang dapat Anda hitung sebelum menekan tombol mulai, bukan saldo kredit yang baru Anda ketahui setelahnya.
The awkward fact for anyone budgeting on Wan 2.7 today is that Alibaba 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 Alibaba can do against the best Tencent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.
Checkpoint yang tiba pagi ini
Rilis WeMM-Video-35B-A3B dapat dilacak dengan jelas dengan cara yang tidak dimiliki kebanyakan rilis senyap, karena Hugging Face memberi stempel waktu pada seluruh rangkaiannya. Repositori itu muncul pada 08:53:50 UTC tanggal 17 November tanpa isi apa pun selain stub gitattributes. Laporan arXiv, 2611.26409, dikirim pada 19 November pukul 16:58 UTC dan sudah direvisi sekali, pada 06:15 UTC tanggal 20 November. Commit bobot BF16 bertanggal 2026-11-20T03:57:36Z. Repositori GitHub, Tencent/WeMM-Video, dibuat pada 17 November pukul 02:29 UTC, memiliki sembilan bintang, nol fork, dan nol rilis yang diterbitkan, dan README-nya masih diedit pada 06:34 UTC pagi ini.
Jadi makalah itu mendahului tensor-tensor tersebut sekitar sebelas jam, dan kartu model masih ditulis ulang saat tulisan ini dibuat. Urutan itulah inti ceritanya. Tidak ada postingan peluncuran, tidak ada halaman harga, tidak ada endpoint yang dihosting, tidak ada siaran pers, dan tidak ada akun pengumuman — tidak ada apa pun yang biasanya dilakukan vendor ketika ingin modelnya diperhatikan.
Apa yang memang terkandung dalam repositori ini bersifat spesifik:
• Ukuran — 36.177.564.536 parameter, BF16, tersebar di tujuh belas shard safetensors dengan total 67,39 GiB. Label "35B-A3B" menghitung sesuatu yang berbeda dari ukuran file; selisihnya dijelaskan lebih lanjut di bawah.
• Build FP8 memang kembali. Saat makalahnya terbit, repositori FP8 Block128 yang ditautkan kartu tersebut menjawab 401 — jawaban yang sama yang diberikan Hub untuk nama yang tidak pernah ada. Sekarang repositori itu dapat diakses: 36,09 GiB dalam satu file safetensors, di-commit pada 05:53:01 UTC, dua jam setelah unggahan BF16, dengan 33,6B parameter dalam E4M3 dan 2,56B tersisa dalam BF16. Apa pun yang terjadi pada 16:58 UTC tanggal 19 November, rilisnya belum selesai.
• Tiga varian terkuantisasi lainnya — AWQ W4A16 pada 22,72 GiB di 52 shard per lapisan, NVFP4 W4A16 pada 24,11 GiB dalam satu file, dan bundel GGUF Q4_K_M pada 25,46 GiB yang terbagi menjadi file bahasa 22,61 GiB, proyektor 0,84 GiB, dan encoder audio 1,99 GiB. Dua dari tiga tersebut menyatakan dirinya sebagai belum tervalidasi dalam manifesnya sendiri. Yang NVFP4 hanya mengklaim bahwa bobotnya dibaca ulang di CPU, yang merupakan checksum dan bukan evaluasi.
• Runtime — tidak ada yang di sini berjalan di atas mesin bawaan. Repositori ini menyertakan overlay sumber dengan manifes SHA-256 untuk tepat empat rilis upstream: vLLM 0.18.0 dan 0.31.0, SGLang 0.5.16 dan 0.5.19. Setiap perintah serving yang dipublikasikan menggunakan konteks 8,192 token, paralelisme tensor di dua GPU, dan pipeline media yang dibatasi pada 16 frame dan 262,144 piksel. Penelusuran pada pelacak masalah vLLM tidak menemukan permintaan upstream untuk arsitektur ini.

What Tencent measured, and against whom
Setiap angka kualitas yang dilampirkan pada WeMM-Video-35B-A3B berasal dari tim yang melatihnya. Makalahnya menyatakan hal itu — “kami melaporkan hasil resmi jika tersedia dan evaluasi kami sendiri jika tidak” — dan satu-satunya angka pada kartu yang kondisinya diberikan secara lengkap bahkan bukan hasil video: MMAR1000, hanya audio, didekode pada 16 kHz, greedy decoding, dua H20. Sisa kartu mencatat pemuatan checkpoint. Dibandingkan dengan 22.754 suara, itu adalah kategori bukti yang berbeda dan harus dibaca sebagai demikian.
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 Tencent'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.
Dua kekalahan itu menunjukkan arah sebaliknya dan layak disebut ulang: JointAVBench pada 65,9, tertinggal dari 69,0 milik Qwen, dan MUSIC-AVQA pada 79,5, tertinggal dari 82,1 milik Qwen. Keduanya banyak melibatkan audio. Checkpoint yang lebih besar tidak menang di semua area, dan area yang tidak dimenangkannya adalah area tempat stack audio Qwen telah memiliki waktu lebih lama untuk matang.
Tidak ada satu pun dari itu yang telah direproduksi. Baik Artificial Analysis maupun LMArena tidak mencantumkan model WeMM dengan ukuran apa pun, dan tiga suka di repositori itu bukanlah tinjauan sejawat. Jika Anda memilih antara dua model ini untuk mengerjakan suatu tugas, Anda membandingkan 22.754 suara dengan sebuah tabel yang ditandatangani oleh para penulis.
Keduanya merekam video, hanya satu yang mengembalikannya
Perbedaan strukturalnya mudah diutarakan dan sulit untuk dilebih-lebihkan. Wan 2.7 menerima teks, gambar, klip referensi, dan video, lalu menghasilkan video. WeMM-Video-35B-A3B menerima teks, gambar, audio, dan video beserta trek suaranya, lalu menghasilkan teks. Mode penyuntingan Wan 2.7 paling mendekati sisi lainnya — ia menerima rekaman dan mengembalikan rekaman — tetapi keluarannya tetap berupa piksel, dan tidak ada pengaturan yang membuatnya mendeskripsikan apa yang telah disuntingnya.
Batas maksimum di setiap sisi membatasi pipeline yang dapat Anda bangun:
• Batas Wan 2.7 adalah durasi. Dua hingga lima belas detik per pembuatan, 720p hingga 1080p, ditagih per detik. Klip lima belas detik dengan tarif pengeditan sekitar $4,23 sebelum ada percobaan ulang.
• Batas WeMM-Video-35B-A3B adalah konteks dan sampling. Prosesor secara default menggunakan dua frame per detik, minimum empat frame, maksimum enam belas frame, dan anggaran total 262.144 piksel — sekitar delapan detik cakupan pada resep bawaan. Perintah serving membatasi konteks pada 8.192 token dan memungkinkan empat gambar, dua video, dan dua klip audio per permintaan. Pada sepuluh token audio per detik, konteks tersebut kira-kira tiga belas menit audio jika seluruhnya dialokasikan untuk suara.
• Ketidakcocokannya. Wan 2.7 dapat menghasilkan rekaman berdurasi lima belas detik; resep WeMM yang dirilis hanya memeriksa delapan detik. Jika pipeline Anda merender sebuah klip lalu meminta model menjelaskan apa yang terjadi di dalamnya, deskriptor yang dikonfigurasi seperti itu hanya mengambil sampel sekitar setengah dari output. Itu adalah konfigurasi yang harus Anda ubah secara sengaja, bukan batas dari arsitekturnya — default prosesornya sendiri mengizinkan 128 frame.
Dua penyedia, satu model, satu kunci
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 Alibaba'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 Tencent 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 Alibaba 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.

Nomor mana yang sebenarnya kamu pilih
Jika luaran yang diminta adalah rekaman video, Wan 2.7 adalah satu-satunya dari keduanya yang menghasilkannya, dan keputusan bermuara pada apakah $16.90 per menit untuk penyuntingan atau $9.00 per menit untuk teks-ke-video dapat dipertahankan di hadapan papan peringkat yang pemimpinnya saat ini mematok harga $12.00 dan mengunggulinya dalam kedua tugas. Peringkat kesembilan dan kedua puluh adalah posisi papan tengah yang terhormat. Itu bukan alasan untuk memilih generasi sebelumnya.
Jika luaran yang diminta adalah pernyataan tentang rekaman yang sudah Anda miliki, WeMM-Video-35B-A3B adalah satu-satunya dari keduanya yang menghasilkannya, dan keputusan itu bermuara pada apakah Anda sanggup menyediakan mesin inferensi yang telah ditambal, unduhan 67,39 GiB atau unduhan FP8 36,09 GiB, dua GPU dengan paralelisme tensor, dan jendela sampling delapan detik — untuk mendapatkan pendeskripsi kelas 36B yang angka audio-visualnya kuat dan sepenuhnya first-party.
Jebakannya adalah menganggap "Elo 1.074 dari 22.754 suara" dan "86,4 pada Video-MME dengan audio" sebagai setara dan dapat dibandingkan. Yang satu adalah pengukuran kerumunan terhadap layanan yang bisa dipanggil siapa saja. Yang lain adalah tabel vendor tentang checkpoint yang tidak berisi bobot sampai pagi ini. Keduanya layak dibaca. Hanya salah satunya yang merupakan bukti.
