Kartu judul bertuliskan 'WeMM-Video-9B vs Alibaba Wan 2.7' dengan subjudul 'A bill and a checkpoint', dua panel dipisahkan oleh cakram vs: panel kiri diberi label 'weights only' dan mencantumkan 9B parameter dense, 19.54 GiB shard BF16, Apache 2.0, dan tanpa harga; panel kanan diberi label 'metered API' dan mencantumkan Elo 1,074 pada AA-Video-Editing v1.1 dan $16.90 per menit.
Guides & Insights

WeMM-Video-9B vs Alibaba Wan 2.7: Sebuah Tagihan dan Sebuah Checkpoint

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Mulai dari fakturnya. Alibaba Wan 2.7 memiliki tarif per menit di dua papan peringkat video Artificial Analysis dan rentang durasi yang terdokumentasi, sehingga menjadikannya salah satu dari sedikit model video yang biayanya dapat Anda hitung sebelum menulis satu baris kode. WeMM-Video-9B sama sekali tidak memiliki tarif. Grup WeChat Vision milik Tencent menerbitkannya pada 17 November 2026 sebagai bobot Apache-2.0 berukuran sembilan belas setengah gigabyte — lima shard BF16, kartu model, dan pracetak arXiv bernomor 2611.26409 — lalu tidak mengatakan apa pun. Tidak ada pos peluncuran, halaman harga, endpoint yang dihosting, maupun pengajuan ke papan peringkat. Tiga hari kemudian repositori-repositori tersebut masih menunjukkan nol unduhan di antara keduanya. Jadi perbandingan yang jujur bukanlah Wan 2.7 versus WeMM-Video-9B dalam hal kualitas; ini adalah layanan terukur terhadap artefak tanpa harga, dan dua angka yang ingin Anda letakkan berdampingan tidak ada karena alasan yang sama di kedua sisi.

Semua yang berikut memisahkan tiga hal: apa yang dinyatakan dokumentasi Wan 2.7 dan kedua papan peringkat, apa yang diklaim repositori dan makalah WeMM-Video-9B, dan apa yang belum direproduksi oleh siapa pun di luar kedua lab tersebut. Keranjang ketiga itulah tempat sebagian besar materi WeMM-Video-9B berada, dan berpura-pura sebaliknya akan menjadi cara tercepat untuk membuat tulisan ini tidak berguna.

Wan 2.7 ditagih per menit

Kartu tarif Alibaba untuk Wan 2.7 luar biasa mudah dipahami untuk sebuah model video. Rangkaian produknya merupakan produk empat mode — teks-ke-video, gambar-ke-video, referensi-ke-video, dan pengeditan video — dan harga yang muncul di papan tarif adalah angka per menit yang langsung, bukan sistem kredit yang harus Anda telusuri balik.

• AA-Video-Editing v1.1 — Wan 2.7 berada di peringkat ke-9 dengan Elo 1.074 ±8 dari 22.754 sampel, bulan rilis April 2026, dan $16,90 per menit. Interval ini adalah yang paling sempit di papan di luar tiga besar, itulah yang didapat dari dua puluh dua ribu suara.

• AA-Video-T2V v2.1 — keluarga yang sama muncul sebagai Wan2.7-260612 di peringkat ke-20 pada Elo 1.035 ±13 dari 6.965 sampel, Juni 2026, $9,00 per menit. Vendor yang sama, tugas berbeda, harga berbeda, dan Elo yang tidak berkonversi menjadi skor penyuntingan.

• Wan 2.7 sama sekali tidak ada di papan image-to-video. Wan 3.0 ada — peringkat ke-12 dengan 1.109 — dan ketidakhadiran itu layak dicermati. Ini tidak berarti Wan 2.7 tidak dapat menganimasikan gambar diam; ini berarti arena belum memberi peringkatnya di sana. Suite Alibaba memang mengiklankan kontrol keyframe awal dan akhir, hingga lima gambar subjek dan lima klip referensi, serta output 720p hingga 1080p dengan audio native. Kemampuan yang tidak dinilai oleh papan tetaplah kemampuan.

Satu catatan kontekstual yang penting untuk penganggaran: Wan 2.7 adalah generasi sebelumnya. Wan 3.0 kini memimpin baik papan peringkat text-to-video (1,176) maupun papan peringkat editing (1,197), dan model ini lebih murah di antara keduanya untuk text-to-video pada $12.00 per menit dibandingkan dengan tarif editing Wan 2.7 sebesar $9.00. Jika Anda memilih model Alibaba hari ini alih-alih membandingkannya, keputusannya sudah bergerak lebih jauh.

Apa sebenarnya checkpoint 9B itu

WeMM-Video-9B bukanlah generator video, dan satu kalimat itu saja sudah melakukan sebagian besar pekerjaan dalam perbandingan ini. Ini adalah model video pemahaman: Anda memberinya frame plus soundtrack asli, dan ia mengembalikan teks. Deskripsi, transkripsi, penalaran temporal, tanya jawab atas rekaman yang sudah Anda miliki.

Repositori ini luar biasa spesifik tentang apa yang ada di dalamnya, yang merupakan satu-satunya tempat di mana rilis tenang mengalahkan rilis gaduh. Catatan Hugging Face mencantumkan 10,488,603,384 parameter di seluruh 1,305 tensor, BF16, 19.54 GiB yang dibagi ke lima shard. Pembagiannya dirinci: tulang punggung bahasa 7.94B termasuk embedding token 1.02B, head keluaran 1.02B yang tidak terikat, menara audio bergaya Whisper 1.08B dengan 32 lapisan pada lebar 1,280 di belakang Q-Former dua lapis, dan menara visi 0.46B dengan 27 blok pada lebar tersembunyi 1,152 dengan ukuran patch 16 dan penggabungan spasial 2×2. Tumpukan bahasa terdiri atas 32 lapisan pada hidden 4,096, 16 head attention dengan 4 head key-value pada dimensi head 256, dengan attention linear hibrida — satu lapisan attention penuh untuk setiap tiga lapisan linear — dan 262,144 embedding posisi.

Dalam praktiknya, yang Anda dapatkan adalah input yang luas dan output yang sempit. Video, audio, gambar, dan teks masuk. Yang keluar adalah teks, dalam bahasa Inggris atau Mandarin. Tidak ada sintesis frame di mana pun dalam arsitektur, dan sebanyak apa pun prompt diberikan, tidak akan menghasilkan satu frame pun.

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.

Dua jam yang tidak bertemu

Perbandingan yang benar-benar menentukan apa pun adalah soal waktu dan uang, dan kedua pihak memiliki batas maksimal.

• Batas Wan 2.7 adalah durasi. Dua hingga lima belas detik per generasi, 720p hingga 1080p, ditagih per detik. Klip 1080p berdurasi lima belas detik sudah jelas besarnya sebelum Anda menekan tombol mulai.

• Batas WeMM-Video-9B adalah konteks. Prosesor secara default menggunakan 2 frame per detik dengan minimum 4 frame, maksimum 128 frame, dan anggaran total 100,663,296 piksel. Resep vLLM yang disertakan menimpa semua itu hingga turun menjadi 2 fps dan 16 frame pada 262,144 piksel — sekitar delapan detik cakupan yang disampel dari titik tengah klip. Setiap perintah serving di repositori juga meneruskan panjang konteks 8,192 token, dan pada sepuluh token audio per detik itu sekitar tiga belas menit audio jika Anda menghabiskan anggaran hanya untuk suara.

• Ketidakcocokan. Wan 2.7 menghasilkan rekaman berdurasi lima belas detik. WeMM-Video-9B, sebagaimana dirilis, hanya melihat delapan detik. Jika pipeline Anda menghasilkan sebuah klip lalu meminta model untuk menjelaskan apa yang terjadi di dalamnya, pendeskripsi tersebut hanya mengambil sampel setengah dari output. Itu bukan cacat pada salah satu produk; itu adalah konfigurasi yang harus Anda ubah secara sengaja, dan contoh bawaan repositori tidak mengubahnya untuk Anda.

Dewan yang tidak diikuti oleh satu pun dari mereka

Berikut adalah masalah struktural pada pertarungan ini, dinyatakan secara gamblang. Setiap papan video Artificial Analysis memeringkat rekaman yang dihasilkan. Teks-ke-video, gambar-ke-video, penyuntingan video — ketiganya mengambil model yang mengeluarkan piksel dan memeringkatnya berdasarkan preferensi manusia secara berpasangan. WeMM-Video-9B mengeluarkan token.

Bukan karena {{1}}WeMM-Video-9B{{/1}} mendapat skor buruk. Model ini tidak dapat dimasukkan. {{2}}Wan 2.7{{/2}} memiliki dua baris, keduanya dengan interval yang cukup ketat untuk diperdebatkan; {{1}}WeMM-Video-9B{{/1}} tidak memiliki satu pun dan tidak akan memilikinya sampai seseorang membangun arena pemahaman video. Yang berarti satu-satunya bukti kualitas untuk subjek artikel ini adalah tabel milik para penulis sendiri.

Tabel itu bukan tanpa arti. Dalam mode thinking pada tugas audio-visual gabungan, checkpoint 9B mengalahkan Qwen3-Omni-30B-A3B-Instruct pada 35 dari 37 metrik bersama — Video-MME dengan audio 85,1 berbanding 77,3, Daily-Omni 83,6 berbanding 70,7, SciVideoBench 64,2 berbanding 49,9, OmniReasoningBench 43,9 berbanding 24,1 — dan hanya kalah di satu, yaitu FutureOmni 53,7 berbanding 55,1. Pada video tanpa audio, dibandingkan dengan backbone Qwen3.5-9B miliknya sendiri, model ini unggul pada F-16-NBA (88,7 vs 75,8) dan TimeLens, serta kalah pada MLVU, LVBench, VideoVista, VSI-Bench, dan MVBench. Makalah itu menyatakan bahwa pihaknya melaporkan “hasil resmi jika tersedia dan evaluasi kami sendiri jika tidak,” yang merupakan pengungkapan yang tepat dan juga alasan tidak ada satu pun dari hasil tersebut yang independen.

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.

Di mana OrcaRouter cocok

Tidak satu pun model ini disajikan melalui OrcaRouter, dan artikel ini tidak akan berpura-pura sebaliknya. Wan 2.7 dapat diakses melalui API milik Alibaba sendiri dan beberapa platform pihak ketiga; WeMM-Video-9B dapat diakses dengan mengunduhnya.

Yang seharusnya ada di sini adalah sisi penagihan, karena alasan tim akhirnya membandingkan generator dengan pendeskripsi adalah bahwa keduanya dihubungkan ke pipeline yang sama. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, yang berarti penurunan tarif vendor masuk ke faktur Anda pada hari yang sama saat masuk ke faktur mereka, bukan saat reseller menetapkan ulang harga. Jika tarif pengeditan Wan 2.7 sebesar $16.90 menjadi $12.00 seperti yang terjadi pada Wan 3.0, Anda akan melihatnya di tagihan berikutnya. Untuk beban kerja yang satu bagiannya diukur per detik dan bagian lainnya adalah checkpoint yang Anda hosting sendiri, melaporkan separuh yang diukur sesuai biaya adalah perbedaan antara anggaran yang dapat Anda perkirakan dan anggaran yang tidak.

Mana yang perlu dianggarkan?

Jika hasil akhirnya adalah rekaman video, Wan 2.7 adalah satu-satunya dari keduanya yang dapat menghasilkannya, dan keputusannya bermuara pada apakah $16.90 per menit untuk penyuntingan atau $9.00 per menit untuk text-to-video kompetitif dibandingkan dengan peserta lain di daftar. Dengan posisi ke-9 dan ke-20 masing-masing, ia berada di papan tengah untuk keduanya.

Jika keluaran yang diminta adalah pernyataan tentang rekaman yang sudah Anda miliki, WeMM-Video-9B adalah satu-satunya dari keduanya yang dapat menghasilkannya, dan keputusannya bermuara pada apakah Anda dapat menanggung instalasi vLLM atau SGLang yang telah ditambal, checkpoint 19.54 GiB, dan jendela sampling delapan detik untuk mendapatkan pendeskripsi kelas 9B dengan angka audio-visual yang benar-benar kuat.

Jebakannya adalah membaca $16.90 dan $0.00 sebagai kuantitas yang sama. Yang satu adalah tarif terukur untuk layanan yang bisa Anda hubungi sore ini. Yang lainnya adalah ketiadaan layanan, dan harga dari ketiadaan itu dibayar dalam pekerjaan integrasi dan dalam kenyataan bahwa tidak ada orang di luar Tencent yang memberi tahu Anda apakah angka-angka itu valid.