Kartu judul bertuliskan 'WeMM-Video-9B vs Hailuo 2.3' dengan subjudul 'Enam detik tanpa suara', dua panel dipisahkan oleh cakram 'vs': panel kiri berjudul WeMM-Video-9B dengan lencana 'bobot terbuka' dan baris bertuliskan '19,54 GiB BF16', 'membaca 16 frame pada 2 fps', 'cakupan 8 detik', 'menerima input audio', 'tanpa biaya per klip'; panel kanan berjudul Hailuo 2.3 dengan lencana 'API berbayar per pemakaian' dan baris bertuliskan '6 detik pada 1080p', '10 detik pada 768p', 'output tanpa suara', 'tanpa kontrol frame akhir', 'sekitar $0,48 per klip'.
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Enam Detik Tanpa Suara

Penulis

jinhao.song

Tanggal Terbit

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

Kedua model ini akan mengecewakan Anda tepat di satu titik, dan titiknya sama. Hailuo 2.3menghasilkan video 1080p berdurasi enam detik dan sama sekali tanpa suara. WeMM-Video-9Bmembaca enam belas frame video yang disampel, yang pada laju penyampelan bawaannya setara dengan cakupan sekitar delapan detik, lalu mengembalikan teks. Tidak satu pun dari keduanya merupakan sistem video serbaguna, dan tidak satu pun ada di papan peringkat yang bisa Anda tunjuk. MiniMax merilis Hailuo 2.3 pada April 2026 dan sejak itu beralih ke model yang memang muncul di papan-papan tersebut; grup WeChat Vision milik Tencent mengunggah WeMM-Video-9B ke Hugging Face pada 17 November 2026 tanpa pengumuman, tanpa endpoint, dan tanpa harga. Itu menyisakan dua rilis yang masing-masing, dengan caranya sendiri, merupakan alat yang terbatas — dan batas itulah bagian yang menarik.

Catatan tentang sumber sebelum hal lain, karena tulisan ini bergantung padanya. Angka Hailuo 2.3 berasal dari harga dan dokumentasi M​iniMax sendiri serta pelacak per detik pihak ketiga, karena model ini tidak memiliki Elo independen. Angka WeMM-Video-9B berasal dari manifes repositori, kartu model, dan arXiv 2611.26409. Tidak ada yang di sini telah direproduksi di luar laboratorium yang menerbitkannya, dan jika suatu angka dilaporkan vendor, teks menyebutkannya.

Enam detik itu bukan pengaturan default

Batas durasi Hailuo 2.3 adalah properti yang dilatih, bukan pengaturan. Enam detik pada 1080p. Sepuluh detik jika Anda turun ke 768p. Tidak ada pengondisian bingkai akhir, jadi Anda tidak bisa memintanya untuk mendarat pada komposisi akhir tertentu seperti yang bisa Anda lakukan dengan model keyframe, dan sama sekali tidak ada trek audio bawaan — outputnya senyap, dan suara apa pun yang Anda inginkan harus ditambahkan di tahap berikutnya atau dibuat secara terpisah.

Penetapan harga menggunakan poin prabayar, bukan tarif per detik yang dipublikasikan, sehingga perbandingan biaya menjadi lebih sulit daripada seharusnya. Enam detik pada 768p di tingkat standar adalah satu poin; sepuluh detik pada 768p atau enam detik pada 1080p adalah dua poin. Varian Fast sekitar 0,7 poin untuk durasi pendek dan 1,1 hingga 1,3 untuk durasi panjang. Pelacak pihak ketiga yang mengonversinya ke dolar menempatkannya sekitar $0,08 per detik, atau kira-kira $0,48 untuk klip enam detik.

• Durasi — Hailuo 2.3: 6 detik pada 1080p, 10 detik pada 768p. WeMM-Video-9B: tidak ada durasi keluaran, karena tidak menghasilkan video.

• Audio — Hailuo 2.3: tidak ada, output-nya senyap. WeMM-Video-9B: tower bergaya Whisper berukuran 1,08B yang mentranskripsi dan melakukan penalaran atas soundtrack yang Anda sediakan.

• Kontrol — Hailuo 2.3: tanpa pengondisian frame akhir. WeMM-Video-9B: 4 hingga 128 frame dapat dikonfigurasi, sampling default 2 fps.

Di mana Hailuo 2.3 benar-benar unggul adalah hal yang dibicarakan para penggunanya: pergerakan kamera sinematik, gerakan manusia dan mikroekspresi, serta tampilan bergaya yang dekat dengan animasi yang bertahan lebih baik daripada sebagian besar model pada brief non-fotorealistis. Itu adalah kekuatan nyata dan tidak dapat diukur di papan peringkat, yang menjadi bagian dari alasan mengapa model ini belum pernah muncul di sana.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

Papan tidak memiliki baris untuk salah satu pun.

Dibaca pada 20 November 2026, ketiga papan video Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1, AA-Video-Editing v1.1 — tidak mengembalikan apa pun untuk Hailuo 2.3. Bukan peringkat rendah. Tidak ada entri.

Ketiadaan itu memiliki dua penyebab berbeda dan keduanya layak dipisahkan. WeMM-Video-9B tidak dapat diperingkat: papan peringkat menilai rekaman yang dihasilkan berdasarkan preferensi berpasangan, dan model yang mengeluarkan token tidak memiliki apa pun untuk diajukan. Hailuo 2.3 pada prinsipnya bisa diperingkat dan belum diperingkat — output 1080p yang dapat ditonton oleh penilai, tanpa pengajuan, tanpa baris harga, tanpa jumlah sampel.

Jadi satu-satunya bukti kualitas dalam perbandingan ini ada di pihak yang tidak memiliki produk. Makalah WeMM-Video-9B melaporkan, dalam mode thinking pada benchmark audio-visual gabungan, kemenangan atas Qwen3-Omni-30B-A3B-Instruct pada 35 dari 37 angka yang dibagikan — Video-MME dengan audio 85,1 versus 77,3, Daily-Omni 83,6 versus 70,7, EvaOmni 50,7 versus 26,1 — dan satu kekalahan, FutureOmni pada 53,7 versus 55,1. Terhadap backbone Qwen3.5-9B miliknya sendiri pada video tanpa suara, model ini unggul pada F-16-NBA dan TimeLens serta kalah pada MLVU, LVBench, VideoVista, dan MVBench. Semua itu menggunakan harness milik penulis sendiri, yang diungkapkan demikian dalam makalah.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

Generasi setelah Hailuo 2.3

Hailuo 2.3 bukan model M​iniMax saat ini, dan berpura-pura sebaliknya akan merugikan siapa pun yang menyusun anggaran kuartal ini. Penerusnya, M​iniMax H3, dirilis pada 31 Juli 2026 dan memang muncul di papan peringkat.

• AA-Video-T2V v2.1 — MiniMax H3 pada 768p berada di peringkat ke-3 dengan Elo 1.161 ±13 dari 8.386 sampel, tercantum pada Juli 2026 dengan harga $4,80 per menit.

• AA-Video-I2V v2.1 — peringkat ke-5 pada Elo 1.134 ±14 dari 6.594 sampel, laju yang sama.

• AA-Video-Editing v1.1 — ke-6 pada Elo 1.126 ±10 dari 9.688 sampel, $9,60 per menit.

Berada di peringkat ketiga untuk teks-ke-video dan kelima untuk gambar-ke-video dengan harga $4,80 per menit adalah pembicaraan yang berbeda dari tawaran Hailuo 2.3 yang berdurasi enam detik, diberi harga poin, dan tidak masuk peringkat. Jika Anda memilih model MiniMax alih-alih membandingkan satu model, H3 sudah memenangkan perdebatan itu di dalam jajaran produk vendor itu sendiri.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Mengapa delapan detik itu lebih penting daripada yang terlihat

Resep WeMM-Video-9B yang disertakan menimpa default prosesornya sendiri yang lapang — 2 fps, minimal 4 frame, maksimum 128, anggaran 100.663.296 piksel — menjadi 2 fps dan 16 frame pada 262.144 piksel, dengan sampel di sekitar titik tengah klip. Enam belas frame pada dua per detik berarti cakupan delapan detik, dan cakupan itu dimulai di tengah.

Letakkan itu di samping enam detik Hailuo 2.3 dan sesuatu yang memperjelas pun terjadi. Dalam satu pengertian, Hailuo 2.3 menghasilkan rekaman yang lebih sedikit daripada yang dapat dilihat WeMM-Video-9B: klip Hailuo enam detik muat di dalam jendela pendeskripsi dengan sisa ruang. Namun mode 768p sepuluh detik tidak, dan begitu pula apa pun yang Anda hasilkan dengan model lain lalu serahkan ke WeMM-Video-9B untuk ditinjau. Sisi video dari pipeline dibatasi sekitar delapan detik, sedangkan sisi audio dapat menampung kira-kira tiga belas menit pada sepuluh token per detik, dan setiap perintah penyajian di repositori meneruskan panjang konteks 8.192 token yang menjadikan asimetri itu sebagai kendala yang mengikat.

• Jika Anda menghasilkan — Hailuo 2.3 memberi Anda enam detik, tanpa suara, dengan gerakan kamera yang kuat dan detail manusia.

• Jika Anda sedang meninjau — WeMM-Video-9B memberi Anda delapan detik bingkai yang disampel plus trek audio lengkap, dijelaskan dalam bahasa Inggris atau Mandarin.

• Sambungan — generasi senyap enam detik berada di dalam kedua jendela, yang merupakan satu-satunya konfigurasi di mana pasangan ini bersih.

Failover adalah bagian yang tidak bersifat teoretis.

Tidak satu pun model tersebut dilayani melalui OrcaRouter, dan hal itu dinyatakan di sini, bukan disembunyikan. Hailuo 2.3 dapat diakses melalui platform milik MiniMax sendiri dan beberapa platform pihak ketiga; WeMM-Video-9B dapat diakses dengan mengunduh 19,54 GiB bobot Apache-2.0.

Yang penting bagi pipeline yang menggabungkan generator dan pendeskripsi adalah apa yang terjadi ketika salah satu bagiannya gagal. OrcaRouter memiliki failover yang merutekan di sekitar model yang dibatasi lajunya atau mengembalikan error tanpa pemanggil harus menulis ulang kliennya, dan DSL perutean memungkinkan Anda menyatakannya sebagai kebijakan alih-alih tumpukan logika retry. Untuk beban kerja ketika langkah pendeskripsian adalah checkpoint lokal dan langkah pembangkitan adalah API yang dihosting, bagian yang dihosting itulah yang mati — dan membuatnya failover ke model yang sebanding alih-alih menggagalkan pekerjaan bernilai lebih daripada selisih harga marginal.

Enam detik itu cukup atau tidak.

Jika hasil yang harus diserahkan adalah 1080p senyap selama enam detik dengan rasa sinematik yang percaya diri, Hailuo 2.3 mampu melakukannya dan satu-satunya pertanyaan nyata adalah apakah harga poinnya lebih unggul daripada alternatif per detik untuk volume yang Anda butuhkan. Periksa tier 768p sepuluh detik sebelum Anda menstandarkan pada versi pendek; biaya poinnya menjadi dua kali lipat, bukan tarif per detiknya.

Jika hasil yang diharapkan adalah laporan tertulis tentang rekaman, WeMM-Video-9B melakukannya dengan angka audio-visual terkuat di keluarganya dan tanpa konfirmasi independen untuk satu pun angka tersebut. Siapkan anggaran untuk pemasangan vLLM atau SGLang yang sudah ditambal dan untuk kenyataan bahwa Anda akan menjadi orang pertama di luar T​encent yang menjalankannya secara sungguh-sungguh.

Keduanya sama-sama bukan platform video umum. Keduanya adalah dua alat sempit dengan keunggulan delapan detik dan enam detik, dan memilih di antara keduanya adalah soal keunggulan mana yang sanggup Anda raih.