
WeMM-Video-4B vs FastFrames Video Generation: Sambungan Senyap
- 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 · 356 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 · 147 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 · 92 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 · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 117 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
FastFrames Video Generation hadir pada 16 November 2026 dan WeMM-Video-4B pada 17 November, keduanya sebagai unduhan bobot dengan makalah terlampir dan tak satu pun punya pos peluncuran yang layak disebut. Kebetulan itulah satu-satunya alasan untuk membaca keduanya secara berdampingan, karena keduanya tidak mengerjakan hal yang sama: FastFrames mengubah sebuah kalimat menjadi 81 frame video tanpa suara, dan WeMM-Video-4B mengubah video menjadi deskripsi, termasuk deskripsi tentang apa yang diucapkan di atasnya. Pertanyaan yang menarik bukanlah mana yang lebih baik. Melainkan apa yang terjadi ketika Anda menempatkan yang satu di belakang yang lain — dan jawabannya adalah sambungan di antara keduanya bersifat senyap, yang secara diam-diam menonaktifkan bagian paling mahal dari checkpoint WeMM.
Semua yang di bawah ini dapat diukur di kedua repositori atau dilaporkan oleh penulis kedua makalah. Tidak satu pun model dijalankan oleh pihak yang tidak menulis bagian evaluasinya, dan tidak satu pun memiliki harga hosted, baris arena, atau reproduksi pihak ketiga. Jika suatu angka berasal dari tabel vendor, angka tersebut diberi label demikian.
Apa yang FastFrames letakkan di disk
FastFrames adalah model difusi video autoregresif yang didistilasi dari Wan2.1, diterbitkan oleh Apple dan Cornell sebagai arXiv 2611.23226 pada 17 November, dengan bobot yang dirilis sehari sebelumnya. Model ini hadir dalam dua ukuran — FastFrames-S dengan 1,3 miliar parameter dan FastFrames-L dengan 14 miliar — dan tesisnya adalah latensi, bukan fidelitas. Pada satu B200, model kecil menghasilkan satu frame dalam 36 milidetik, yang lebih cepat daripada pemutaran klip: generasi 5,06 detik membutuhkan sekitar 2,9 detik. Model besar mencapai 45 milidetik per frame dengan delapan B200, dan turun menjadi 158 milidetik pada satu GPU, yang lebih lambat daripada waktu nyata. Apple juga melaporkan penalti 25 hingga 50 persen pada H100 alih-alih B200.
Format keluaran bersifat tetap dan sempit. 832×480, 16 frame per detik, 81 frame per generasi — sedikit lebih dari lima detik — hanya digerakkan oleh prompt teks. Tidak ada pengondisian gambar, tidak ada input keyframe, tidak ada mode kelanjutan, dan tidak ada kontrol kamera dalam konfigurasi yang dirilis. Tidak ada audio juga: tidak ada dekoder audio, tidak ada latent audio, tidak ada soundtrack. Para penulis melaporkan total VBench sebesar 84.23 untuk model kecil dan 84.44 untuk model besar pada 480p dengan prompt dan seed yang cocok, yang merupakan skor terhormat bagi model yang keunggulannya adalah kecepatannya, dan itu adalah satu-satunya angka kualitas dalam rilis ini.
Ke mana 1,07 miliar parameter pergi
WeMM-Video-4B adalah anak tengah dari keluarga berukuran empat dari grup WeChat Vision Tencent — 2B, 4B, 9B dense dan campuran ahli 35B-A3B — semuanya diunggah dalam jendela sembilan belas menit pada 17 November, dengan laporan teknis, arXiv 2611.26409, menyusul pada 19 November. Namanya meremehkan hal itu: metadata safetensors mencatat 5.611.746.312 parameter, atau 10,45 GiB dalam BF16, karena "4B" merujuk pada tulang punggung bahasa Qwen3.5-4B, bukan pada checkpoint.
Membaca indeks tensor menjelaskan alasannya. Dari 1.268 tensor, model bahasa membawa 4,21 miliar parameter, menara visi 0,33 miliar, dan tumpukan audio 1,07 miliar. Hampir seperlima dari checkpoint ini adalah encoder-decoder bergaya Whisper — 32 lapisan encoder dan 32 lapisan decoder dengan lebar 1.280, dengan Q-Former tingkat jendela yang memampatkan jendela 0,1 detik menjadi 10 token audio per detik, dimasukkan pada 16 kHz dalam potongan 30 detik. Tumpukan itu diinisialisasi dari Qwen2.5-Omni.

• FastFrames Video Generation — teks masuk, frame keluar, tanpa suara di mana pun dalam pipeline.
• WeMM-Video-4B — bingkai dan suara masuk, teks keluar, dengan suara ditangani oleh tower khusus 1,07B alih-alih disimpulkan dari piksel.
• Tumpang tindih — tidak ada pada level model. Keduanya adalah bundel bobot berlisensi Apache-atau-Apple tanpa endpoint di belakangnya, dan keduanya mengharuskan Anda memiliki akseleratornya sendiri.
Satu-satunya klip yang dibuat FastFrames tidak bersuara
Ikuti alurnya sampai tuntas dan masalah komposisi menjadi konkret. Jika Anda memasang WeMM-Video-4B di belakang FastFrames Video Generation — merender sebuah shot, lalu mendeskripsikannya agar Anda dapat mengindeks, memfilter, atau melakukan QA terhadapnya — setiap klip yang Anda serahkan kepada pendeskripsi tidak memiliki trek audio. Menara audio berparameter 1,07 miliar tidak punya apa pun untuk didengar. Q-Former tidak mengeluarkan apa pun, dan tahap fusi menyusut menjadi jalur visi saja.
Itu bukan cacat pada salah satu model; itu adalah fakta tentang pipeline, dan memiliki konsekuensi yang terukur, karena makalah WeMM melaporkan benchmark video tanpa suara secara terpisah. Hanya pada visi, WeMM-Video-4B mencetak 75,7 pada Video-MME, 65,3 pada LVBench, 74,8 pada LongVideoBench dan 74,2 pada EgoSchema. Angka audio-visual gabungannya — 83,9 pada Video-MME dengan audio, 82,5 pada Daily-Omni — adalah angka yang membenarkan ukuran file, dan itulah tepatnya angka yang tidak dapat dicapai oleh pipeline yang diberi masukan FastFrames.
Jadi, kerangka yang jujur untuk pemasangan ini adalah bahwa FastFrames memanfaatkan sekitar 80 persen checkpoint WeMM. Jika tujuan Anda adalah loop pemberian takarir atas rekaman yang dihasilkan, model khusus visi yang berukuran setengahnya akan melakukan pekerjaan yang sama; jika tujuan Anda adalah memahami rekaman yang memiliki suara, FastFrames tidak dapat menyediakan inputnya. Kedua alat ini bertemu pada titik di mana salah satunya setengah menganggur.

Dua angka kecepatan, tanpa satuan yang sama
Kedua rilis sama-sama mengedepankan klaim latensi, dan klaim-klaim itu tidak dapat dibandingkan secara setara — inilah cara paling umum perbandingan ini jadi kacau di internet.
36 milidetik FastFrames adalah per frame keluaran pada satu B200, diukur terhadap pemutaran. WeMM-Video-4B tidak menghasilkan frame; biayanya adalah biaya mendekode teks atas anggaran media yang dibatasi. Anggaran itu lebih ketat daripada yang disarankan oleh default prosesor. Resep vLLM di repositori menetapkan max_frames 16 terhadap default prosesor 128, fps 2, dan batas total piksel 262.144, dengan panjang konteks 8.192 token. Audio menghabiskan 10 token untuk setiap detik sebelum satu frame pun dihitung.
Pembacaan praktisnya: klip 20 detik dan klip 5 detik sama-sama tiba di pendeskripsi sebagai enam belas frame, dan klip dengan soundtrack menghabiskan konteksnya untuk dua aliran sekaligus. FastFrames memberi Anda gerakan pada 16 frame per detik keluaran; WeMM-Video-4B melihat slideshow dan menyimpulkan gerakannya. Tidak ada dari kedua angka itu yang memberi tahu Anda apa pun tentang yang lain, dan halaman yang menempatkan "36 ms" di samping "konteks 8K" sedang membandingkan anggaran render dengan anggaran pembacaan.

Lisensi menentukan lebih dari sekadar skor di sini
Untuk perbandingan yang minim bukti independen seperti ini, baris lisensi membawa bobot keputusan lebih besar daripada tolok ukur mana pun di kedua makalah tersebut, dan keduanya berada di ujung spektrum yang berlawanan.
• FastFrames Video Generation — Ketentuan AMLR Apple pada bobot model, dengan komponen demo LingBot-World v2 di bawah CC BY-NC-SA 4.0. "NC" adalah batasan yang krusial: bobot terbuka, bukan untuk penggunaan komersial.
• WeMM-Video-4B — Apache 2.0 di seluruh koleksi, dengan berkas lisensi Tencent yang menyatakan bahwa komponen pihak ketiga "tetap tunduk pada ketentuan asli masing-masing". Pengecualian tersebut tidak dirinci satu per satu, yang merupakan celah nyata, bukan sekadar formalitas, mengingat tumpukan audio berasal dari Qwen2.5-Omni dan tulang punggungnya dari Qwen3.5, keduanya Apache 2.0.
• Keduanya — checkpoint tahap pelatihan lengkap dan pipeline evaluasi di repositori, yang luar biasa dapat direproduksi untuk rilis semacam ini dan merupakan pengganti terbaik yang tersedia untuk evaluasi independen yang tidak dimiliki keduanya.
Menghubungkan pendeskripsi di balik renderer
Jika Anda tetap membangun loop tersebut, pertanyaan teknisnya adalah di mana model teks ditempatkan, karena ada tiga hop teks dan hanya satu di antaranya yang opsional.
• Ekspansi prompt — catatan shot menjadi prompt FastFrames. Wajib, karena model difusi terdistilasi 1,3B tidak punya ruang untuk menafsirkan instruksi yang samar.
• Deskripsi — klip yang telah dirender dikirim ke WeMM-Video-4B dan kembali sebagai prosa, yang merupakan langkah yang membuat rekaman dapat dicari.
• Seleksi — prosa menentukan apakah klip dipertahankan, yang merupakan langkah yang harus murah, karena Anda membayarnya untuk setiap kandidat, bukan setiap yang bertahan.
Dua hop terluar itu adalah completion teks biasa, dan itulah bagian dari stack ini yang sebenarnya ditangani OrcaRouter: satu kunci yang kompatibel dengan OpenAI di lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0% sehingga perubahan harga vendor berlaku pada hari yang sama, dan failover otomatis sehingga rate limit di tengah batch seribu klip menjadi percobaan ulang, bukan celah. FastFrames Video Generation maupun WeMM-Video-4B tidak ada di platform — keduanya adalah unduhan bobot, dan tidak ada lapisan perutean yang mengubah checkpoint menjadi endpoint. Yang dihilangkan oleh router adalah pekerjaan integrasi di sekitar dua model yang Anda host sendiri.
Apa yang masih belum dikonfirmasi
• Kualitas independen — tidak ada baris Artificial Analysis, tidak ada entri arena, tidak ada reproduksi pihak ketiga untuk kedua model. VBench 84.44 dan Video-MME 83.9 dilaporkan oleh penulis dan tidak dijalankan oleh pihak lain.
• Kondisi evaluasi — makalah WeMM tidak menyatakan jumlah frame, anggaran piksel, atau panjang konteks yang digunakan untuk benchmark videonya, dan resep yang disertakan menggunakan 16 frame sedangkan prosesor default-nya 128. Kesenjangan itu cukup besar untuk berdampak pada baris video panjang.
• Harga — tidak ada satu pun yang memilikinya. Tidak ada endpoint terkelola, tidak ada tarif per detik, tidak ada daftar mitra. Biayanya adalah GPU yang Anda miliki sendiri, ditambah overlay vLLM atau SGLang yang telah dipatch sesuai kebutuhan repositori WeMM, karena tidak ada dari kedua engine tersebut yang mendukung arsitektur ini di upstream.
• Kelayakan komersial di sisi Apple — AMLR ditambah lisensi demo non-komersial berarti perender, bukan pendeskripsi, adalah bagian dari alur ini yang akan dihentikan oleh tinjauan hukum.
Pertanyaan yang memilih satu
Tanyakan apa artefak Anda. Jika itu berupa file, hanya FastFrames yang dapat menghasilkannya, dan Anda merencanakan sekitar 480p, lima detik, tanpa suara, dan lisensi nonkomersial. Jika itu berupa klaim tentang rekaman yang sudah Anda miliki — apa yang terjadi, siapa yang berbicara, apa yang terdengar — hanya WeMM-Video-4B yang dapat menghasilkannya, dan Anda merencanakan sekitar enam belas frame sampel dan delapan ribu token.
Jika keduanya, Anda sedang membangun sistem dua model yang sambungannya senyap, dan versi benar termurah dari sistem itu tidak menggunakan checkpoint omni 5.61B untuk memberi caption pada keluaran senyap. Gunakan model visi untuk klip hasil render dan pertahankan WeMM-Video-4B untuk rekaman sumber yang membawa suara. Itu adalah arsitektur yang kurang elegan dibandingkan satu model untuk segala hal, dan itulah yang didukung oleh angka-angka.
Yang belum disediakan oleh kedua rilis itu adalah hal yang bisa menyelesaikannya: sebuah uji coba oleh pihak yang tidak menulis makalah tersebut. Dua laboratorium merilis karya video serius pada minggu yang sama tanpa pengumuman, yang merupakan fakta yang lebih menarik tentang November 2026 dibandingkan sel benchmark mana pun.
