
WeMM-Video-4B vs HiDream-O1-Video-1.0: Dua Jenis "Sempit"
- 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
HiDream-O1-Video-1.0 dan WeMM-Video-4B keduanya menggambarkan diri secara lebih luas daripada perilaku sebenarnya. Rilis peluncuran HiDream mengiklankan model yang menerima teks, gambar, dan video serta mengembalikan rekaman 1080p berdurasi lima hingga dua puluh detik dengan audio tersinkronisasi; API yang didokumentasikan menerima tepat satu gambar referensi dan prompt opsional. WeMM-Video-4B menerima teks, gambar, video, dan audio serta mengembalikan teks, yang akurat — dan model ini tidak tersedia sebagai layanan di mana pun, jadi apa yang diterimanya secara teori adalah apa yang Anda dapatkan hanya setelah menambal mesin inferensi Anda sendiri. Yang satu dibatasi oleh kontrak layanannya, yang lain karena tidak memiliki kontrak layanan sama sekali. Itulah keseluruhan perbandingannya, dan semua yang di bawah ini hanyalah detail yang bergantung padanya.
Kedua model itu bukan model yang bisa Anda panggil hari ini dalam mode yang ditekankan oleh makalahnya. Seberapa penting hal itu bergantung pada separuh kesenjangan mana yang bisa Anda tutup sendiri, dan itu adalah pertanyaan tentang lisensi dan GPU, bukan tentang kualitas.
Baris, dan versi tempatnya berada
HiDream-O1-Video-1.0 memiliki pengukuran independen. Pada pembacaan 20 November 2026, di papan AA-Video-I2V v2.1, model ini berada di peringkat ke-14 dengan Elo 1.101 dan interval 95 persen sebesar ±14, yaitu rentang 1.087 hingga 1.115, dengan lebih dari 6.976 suara, tercatat sebagai rilis Agustus 2026, dengan harga $5,80 per menit video yang dihasilkan.
Enam minggu sebelumnya, di v1.0 papan, model yang sama berada di peringkat keenam dengan 1.175 ±10 dari 3.231 suara. Jika dibaca sembarangan, itu tampak seperti keruntuhan. Bukan demikian, dan alasannya layak dinyatakan terang-terangan karena inilah kesalahan yang paling sering dilakukan dengan papan-papan ini: v1.0 dan v2.1 adalah instrumen yang berbeda dengan skala Elo yang berbeda, kumpulan suara yang berbeda, dan taksonomi yang berbeda. Skor tidak dapat dipindahkan antara keduanya, sehingga jarak antara 1.175 dan 1.101 bukanlah ukuran seberapa jauh model itu memburuk. Yang berubah memang nyata — peringkat ke-14 adalah posisi yang lebih buruk daripada peringkat ke-6 di bawah aturan papan saat ini — tetapi aritmetika yang menghubungkan keduanya tidak ada.
WeMM-Video-4B tidak memiliki baris di papan mana pun, dan ketidakhadirannya bersifat struktural, bukan karena menunggu tinjauan. Papan video AI memeringkat rekaman yang dihasilkan. Model yang membaca video dan menulis kalimat tidak dapat dimasukkan ke dalam pemungutan suara antara dua klip. Sampai ada arena pemahaman video omni-modal, setiap angka WeMM-Video-4B adalah milik Tencent sendiri.
Apa yang sebenarnya diterima API HiDream
Permukaan penyajiannya terdokumentasi dan sempit, dengan cara yang secara langsung memetakan ke klaim peluncuran.
• Input — tepat satu gambar referensi, diberikan sebagai URL publik atau Base64 antara 40 KB dan 20 MB. Prompt bersifat opsional dan secara default kosong. Pengumuman mencantumkan video sebagai salah satu input model; skema permintaan tidak memiliki field untuk itu.
• Resolusi — tanpa selektor. Hasilnya mempertahankan rasio aspek gambar referensi. Klaim 1080p dalam pengumuman tidak dapat diarahkan dari permintaan.
• Durasi — satu boolean, force_10s, default-nya false. Jika dibiarkan false, model yang memilih; setel true untuk mendapatkan sepuluh detik. Rentang lima hingga dua puluh detik yang diiklankan tidak memiliki kolom numerik.
• Audio — tidak ada input audio atau parameter pembuatan audio yang diekspos, meskipun rilis tersebut menjelaskan audio tersinkronisasi native.
• Kontrak hasil — asinkron. Anda mengirimkan, mendapatkan task_id, lalu melakukan polling. result.status = 1 berarti setiap subtugas mencapai status terminal, bukan berarti pembuatan berhasil; keberhasilan adalah sub_task_results[].task_status = 1, dengan 3 untuk kegagalan pembuatan dan 4 untuk tinjauan keamanan.
Jadi model yang bisa Anda panggil adalah animator gambar dengan dua mode durasi. Model yang dijelaskan dalam rilis tersebut adalah generator gabungan teks-video-audio dengan durasi yang direncanakan. Kedua pernyataan itu didokumentasikan oleh perusahaan yang sama, dan perbedaannya adalah soal peta jalan, bukan kontradiksi.
Apa yang WeMM-Video-4B minta Anda bangun
Sisi lain tidak punya kontrak untuk menjadi sempit, karena tidak ada titik akhir. WeMM-Video-4B memiliki 5.611.746.312 parameter — 10,45 GiB bobot BF16 — dirilis di bawah Apache 2.0 dalam keluarga berisi empat ukuran yang semuanya muncul dalam rentang sembilan belas menit pada 17 November 2026, dengan laporan teknis, arXiv 2611.26409, menyusul pada 19 November.
Membuatnya dapat menjawab memerlukan upaya yang tidak pernah dilihat oleh pengguna HiDream. Baik vLLM maupun SGLang tidak mendukung arsitektur ini di upstream; repositori menyediakan patch overlay sumber untuk empat rilis upstream persis — vLLM 0.18.0 dan 0.31.0, SGLang 0.5.16 dan 0.5.19 — yang masing-masing dipatok ke kombinasi PyTorch, Transformers, dan CUDA 12.9 tertentu, dengan Python 3.12, FFmpeg, serta toolchain C++ plus Ninja untuk kompilasi kernel saat pertama kali digunakan oleh SGLang. Bundel GGUF dibangun untuk runtime native yang Anda kompilasi dari repositori, bukan untuk llama.cpp, dan Tencent memberinya label exported_unvalidated.
Yang Anda peroleh dengan itu adalah pendeskripsi dengan tumpukan audio yang luar biasa besar: 4,21 miliar parameter model bahasa turunan Qwen3.5-4B, 0,33 miliar menara visi, dan 1,07 miliar encoder-decoder audio bergaya Whisper yang memberi masukan ke Q-Former pada 10 token per detik. Hampir seperlima checkpoint adalah telinga, itulah sebabnya skor audio-visual gabungannya menjadi yang menarik.
Mode tempat setiap model dibandingkan
Perbandingan yang adil di sini bukanlah "mana yang lebih baik" melainkan "mode mana yang benar-benar dapat Anda jangkau", dan kedua jawabannya berujung pada tempat yang berbeda.
• HiDream-O1-Video-1.0 — mode yang dapat dijangkau: image-to-video, satu frame referensi, rasio aspek tetap, sepuluh detik atau pilihan model, tanpa kontrol audio. Mode yang dinilai: image-to-video. Papan dan API sependapat.
• WeMM-Video-4B — mode yang dapat dijangkau: video dengan soundtrack sebagai masukan, teks sebagai keluaran, pada 16 frame yang disampel dan 8.192 token sebagaimana dikirim. Mode yang dinilai: makalah melaporkan mode Thinking pada tabel video, Instruct pada tabel audio, dan Thinking lagi pada gambar dan teks, serta tidak menyebutkan jumlah frame atau panjang konteks yang digunakan.
• Keduanya — dilaporkan oleh vendor jika ada angkanya, dan belum ada pihak ketiga yang mereproduksi salah satunya. Keunggulan HiDream adalah bahwa salah satu konfigurasinya telah dinilai melalui pemungutan suara oleh orang-orang yang tidak bekerja untuk HiDream.


Pertanyaan audio, yang hanya bisa dijawab oleh satu pihak
HiDream menghasilkan audio dan WeMM-Video-4B memahaminya. Keduanya terdengar seperti kemampuan yang sama dalam daftar fitur, padahal tidak, dan bagi tim yang membangun pipeline, perbedaan itulah yang menentukan mana yang bahkan relevan.
Di sisi generasi, rilis HiDream menjelaskan satu proses yang memodelkan teks, video, dan audio secara bersamaan alih-alih menambahkan suara setelahnya, sehingga gerakan bibir, ambiens, dan aksi fisik berbagi satu linimasa. Apakah Anda dapat mengarahkannya adalah hal terpisah: permintaan yang didokumentasikan tidak mengekspos parameter audio, dan pengumuman tersebut tidak menerbitkan jumlah trek, sehingga dialog, musik, dan efek sebagai stem yang dapat dipisahkan belum terverifikasi pada kedua hal tersebut.
Di sisi pemahaman, WeMM-Video-4B mencetak 83,9 pada Video-MME dengan audio, dibandingkan 77,3 milik Qwen3-Omni-30B-A3B-Instruct dan 69,2 milik MiniCPM-o-4.5-9B, serta 82,5 pada Daily-Omni dibandingkan 70,7 dan 80,2. Ia kalah pada tolok ukur audio murni dari model flash proprietary — MMAU 75,2 berbanding 80,4, MMAR 67,3 berbanding 74,0 — dengan satu kemenangan pada MMAU-Pro di 68,1 berbanding 64,8. Itu adalah angka Tencent dari Tabel 2, yang dijalankan dalam mode Thinking, dan belum ada pihak di luar lab yang mereproduksinya.
Jadi ringkasan jujurnya adalah bahwa satu model menghasilkan suara yang belum bisa Anda periksa, dan model lainnya memeriksa suara yang harus Anda sediakan. Tak satu pun dari alat audio ini merupakan alat yang diinginkan oleh alur produksi sampai yang pertama memperoleh parameter audio dan yang kedua memperoleh host.
Di mana router membantu dan di mana tidak
OrcaRouter tidak menyajikan kedua model tersebut. Tidak ada endpoint WeMM — katalog tidak memuat checkpoint WeMM — dan tidak ada rute HiDream juga; HiDream-O1-Video-1.0 dapat diakses melalui platform HiDream sendiri dan beberapa platform pihak ketiga. Tidak ada satu pun pernyataan di bawah ini yang mengklaim bahwa kami menghosting salah satu dari keduanya.
Tempat router membuktikan kegunaannya dalam perbandingan ini adalah migrasi itu sendiri, dan alat untuk itu adalah DSL perutean alih-alih daftar model. Kedua model ini berada di balik permukaan penyajian yang terlihat sementara — yang satu adalah pratinjau input tunggal dengan flag terminal dua status, yang lain adalah overlay sumber yang dipatok ke rilis upstream tertentu — dan stack yang meng-hard-code salah satunya adalah stack yang rusak karena catatan rilis pihak lain. Kebijakan perutean yang menyebut primer dan fallback, dan yang dapat membandingkan dua model dalam satu permintaan alih-alih dua integrasi, mengubah risiko itu menjadi konfigurasi. Itu berjalan melalui satu endpoint yang kompatibel dengan OpenAI di lebih dari dua ratus model dengan harga daftar penyedia yang diteruskan dengan markup 0%, sehingga perubahan harga vendor berlaku pada hari yang sama. Untuk bagian khusus visi dari beban kerja WeMM, Qwen3-VL-235B-A22B-Thinking dan Qwen3-VL-8B-Thinking keduanya sudah ada di platform sekarang — yang merupakan cara mengakali checkpoint omni yang hilang, bukan pengganti menara audionya.

Kesempitan apa yang bisa Anda terima
Jika Anda membutuhkan rekaman kuartal ini dan satu gambar referensi sudah cukup, HiDream-O1-Video-1.0 adalah satu-satunya dari keduanya yang memiliki endpoint yang dapat dipanggil, dan batasannya terdokumentasi cukup baik untuk diintegrasikan dalam waktu satu sore. Anggarkan $5,80 per menit, rencanakan sepuluh detik atau pilihan model, dan baca status subtugas alih-alih flag terminal.
Jika Anda perlu mengetahui isi rekaman yang sudah Anda miliki — termasuk apa yang diucapkan di atas rekaman itu — WeMM-Video-4B adalah satu-satunya dari keduanya yang dapat menjawab, dan harga untuk menggunakannya adalah mesin inferensi yang telah ditambal, checkpoint 10,45 GiB, serta anggaran pengambilan sampel 16 frame yang harus Anda sesuaikan sebelum memercayai hasil video panjang.
Yang tidak diberikan oleh keduanya adalah hal yang biasanya dijanjikan oleh halaman perbandingan: tugas bersama untuk memeringkat keduanya. Keduanya bukanlah dua jawaban untuk satu pertanyaan. Keduanya adalah dua model yang permukaan publiknya sama-sama lebih kecil daripada yang dijelaskan dalam makalahnya, dan pertimbangan teknik yang berguna adalah celah mana di antaranya yang dapat Anda tutup dengan perangkat keras Anda sendiri.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini
