
WeMM-Video-9B vs HiDream-O1-Video-1.0: Dua Pinggang 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 · 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
Dengan demikian, perbandingan berikut ini bukan tentang kemampuan. Ini tentang batasan mana yang dapat Anda rancang solusinya, dan jawabannya ternyata bergantung pada apakah Anda lebih memilih membayar untuk batas atas yang terdokumentasi atau menghosting batas atas yang tidak terdokumentasi.
Apa yang dikatakan makalah dan apa yang diterima API
HiDream-O1-Video-1.0 dirilis pada 28 Agustus 2026 dan mencapai papan peringkat image-to-video pada 10 September. Pengumuman vendor itu mencakup banyak hal: input teks, gambar, dan video, output 1080p berdurasi lima hingga dua puluh detik, audio tersinkronisasi secara native, durasi terencana naratif, serta batasan fisika.
API HiHarness tidak luas cakupannya. API ini menerima satu gambar referensi — URL atau Base64, tidak lebih besar dari 20 MB dan tidak lebih kecil dari 40 KB — ditambah prompt teks opsional, ditambah boolean force_10s. Tidak ada pemilih resolusi. Tidak ada kolom video referensi. Tidak ada kontrol audio. Jika Anda ingin lima detik, Anda mendapat sepuluh; jika Anda ingin dua puluh, Anda mendapat sepuluh. Jarak antara makalah dan endpoint adalah fakta paling konkret tentang model ini dan yang paling mungkin mengubah arsitektur Anda.
• Input — HiDream-O1-Video-1.0: satu gambar referensi plus prompt opsional. WeMM-Video-9B: video, audio, gambar, dan teks, hingga empat gambar, dua video, dan dua klip audio per permintaan.
• Keluaran — HiDream-O1-Video-1.0: video 1080p dengan audio tersinkronisasi, sepuluh detik dalam praktik. WeMM-Video-9B: teks dalam bahasa Inggris atau Mandarin.
• Batasan — HiDream-O1-Video-1.0: permukaan API. WeMM-Video-9B: resep sampling yang disertakan, 16 frame pada 2 fps.

Satu baris papan, satu sel kosong
HiDream-O1-Video-1.0 memiliki tepat satu pengukuran independen, dan itu adalah pengukuran yang bagus untuk diperdebatkan.
• AA-Video-I2V v2.1 — Peringkat ke-14 pada Elo 1.101 ±14 dari 6.976 sampel, rilis Agustus 2026, $5,80 per menit. Itu adalah interval yang sempit pada sampel yang besar, dan posisinya berada di antara Wan 3.0 pada 1.109 dan Agnes-Video-2.5 pada 1.105 — pita yang padat di mana empat belas poin adalah satu interval.
• Tidak ada di AA-Video-T2V v2.1 dan AA-Video-Editing v1.1. Ketiadaan text-to-video adalah hal yang menarik, karena pengumuman vendor sendiri mengedepankan input teks. Model tanpa baris text-to-video dan tanpa kolom video referensi memiliki kisah text-to-video yang hanya ada dalam prosa.
• WeMM-Video-9B — tidak ada baris di ketiga papan tersebut, karena alasan struktural: ketiganya memeringkat rekaman yang dihasilkan, sedangkan model ini tidak menghasilkan satu pun. Sel kosong, bukan skor rendah.
Dengan $5,80 per menit, HiDream-O1-Video-1.0 adalah salah satu entri yang lebih murah di papan image-to-video. Hanya Pika H3 Flex seharga $2,10, HeyGen Video 1 seharga $2,40, Agnes-Video-2.5 seharga $2,40, Vidu Q4 Preview seharga $5,04, dan P-Video-2-Pro seharga $5,70 yang berada di bawahnya di antara peserta yang diperingkat, dan model ini mengalahkan beberapa model yang harganya tiga hingga empat kali lebih tinggi.

Sembilan belas setengah gigabita detail
Sisi murah hati WeMM-Video-9B terletak pada apa yang diberitahukannya tentang dirinya sendiri. Catatan Hugging Face mencantumkan 10.488.603.384 parameter di seluruh 1.305 tensor — tulang punggung bahasa 7,94B yang mencakup embedding token 1,02B, output head 1,02B yang tidak diikat, menara audio 1,08B yang terdiri atas 32 lapisan bergaya Whisper pada lebar 1.280 di balik Q-Former dua lapis dengan sepuluh token audio per detik, dan menara visi 0,46B yang terdiri atas 27 blok pada hidden 1.152 dengan ukuran patch 16 dan penggabungan spasial 2×2.
Presisi itu adalah bentuk kejujuran yang tidak ditawarkan pihak HiDream: Black Forest Labs dan HiDream sama-sama menolak mempublikasikan jumlah parameter, dan tidak ada yang wajib melakukannya. Namun itu juga memasang jebakan, karena arsitektur yang terperinci mengundang anggapan bahwa konfigurasi yang dikirimkan cocok dengannya. Kenyataannya tidak.
• Default prosesor — 2 fps, minimum 4 frame, maksimum 128 frame, total 100,663,296 piksel.
• Resep vLLM yang telah dirilis — 2 fps, 16 frame, 262.144 piksel, diambil sampel di sekitar titik tengah klip.
• Konteks — 8,192 token pada setiap perintah penyajian, dibandingkan dengan 262,144 embedding posisi dalam arsitektur.
Enam belas frame dengan dua per detik adalah delapan detik cakupan, dan pengambilan sampel dimulai di tengah. Klip enam puluh detik kehilangan dua puluh enam detik pertama dan terakhirnya. Arsitekturnya memungkinkan jauh lebih banyak; resepnya tidak, dan resep itulah yang dikirim.

Sepuluh detik melawan delapan
Letakkan kedua tutup itu berdampingan dan bentuk keputusannya akan terlihat. HiDream-O1-Video-1.0 memberi Anda sepuluh detik video 1080p yang sudah jadi dengan audio tersinkronisasi, apa pun yang Anda minta. WeMM-Video-9B mengamati delapan detik rekaman yang sudah Anda miliki, berapa pun durasinya.
Kedua angka itu arbitrer. Sepuluh detik milik HiDream adalah keputusan produk yang diwujudkan dalam boolean; delapan detik milik WeMM-Video-9B adalah nilai default dalam file resep. Tidak satu pun merupakan hukum fisika. Namun hanya salah satunya yang disertai vendor yang akan memberi tahu Anda apa yang terjadi di batasnya, dan itu bukan yang didistribusikan sebagai checkpoint.
Jika Anda membuat klip sepuluh detik dengan HiDream-O1-Video-1.0 lalu menanyakan kepada WeMM-Video-9B apa yang terjadi di dalamnya, pendeskripsi akan mengambil sampel delapan dari sepuluh detik tersebut dari bagian tengah. Dua detik — yang pertama dan yang terakhir — tidak pernah sampai ke model. Itu adalah masalah koordinasi yang Anda selesaikan dengan perubahan konfigurasi, dan itulah persis jenis masalah koordinasi yang diciptakan oleh pasangan ini dan tidak didokumentasikan oleh vendor mana pun.
Fusi model, dan di mana ia mendapatkan kalimat itu
Tidak ada model yang di-hosting di OrcaRouter. HiDream-O1-Video-1.0 dapat diakses melalui platform milik HiDream sendiri dan beberapa platform pihak ketiga; WeMM-Video-9B dapat diakses dengan mengunduhnya.
Alasan perbandingan seperti ini berakhir dalam percakapan orkestrasi adalah karena kedua bagiannya gagal dengan cara yang berbeda. Bagian yang dihosting gagal secara nyaring — batas laju, timeout, kode error — dan itulah gunanya failover otomatis. Bagian yang dihosting sendiri gagal secara senyap: ia mengembalikan deskripsi yang meyakinkan tentang delapan detik rekaman dan tidak mengatakan apa pun tentang dua puluh enam detik yang tidak pernah dilihatnya. Fusi model adalah alat yang lebih menarik di sini, karena model kedua yang membaca klip yang sama dengan kebijakan pengambilan sampel yang berbeda akan tidak sepakat di batas-batasnya, dan ketidaksepakatan itu adalah satu-satunya sinyal yang Anda dapatkan bahwa jendelanya terlalu kecil.
Untuk segmen yang dihosting, harga daftar penyedia diteruskan dengan markup 0%, yang lebih penting daripada biasanya pada $5.80 per menit: perubahan harga vendor pada model murah merupakan ayunan persentase yang lebih besar daripada pada model mahal, dan melacak tarif yang dipublikasikan alih-alih salinan cache menjaga prakiraan batch seratus klip tetap akurat.
Batasan mana yang bisa Anda jalani?
Pilih HiDream-O1-Video-1.0 jika tugasnya adalah satu gambar referensi dan sepuluh detik. Anda mendapatkan endpoint yang terdokumentasi, audio tersinkronisasi, tarif $5.80, dan baris papan peringkat ke-14 untuk image-to-video. Anda melepaskan text-to-video, kontrol resolusi, dan durasi apa pun selain sepuluh detik.
Pilih WeMM-Video-9B jika tugasnya mendeskripsikan rekaman video. Anda mendapatkan pendeskripsi omni-modal 9B dengan angka audiovisual yang dilaporkan kuat, lisensi Apache-2.0, dan jumlah parameter yang dapat Anda audit. Anda melepaskan kontrak serving, verifikasi independen, dan jaminan apa pun bahwa jendela delapan detik cukup lebar untuk klip yang benar-benar Anda miliki.
Yang seharusnya tidak Anda lakukan adalah membandingkan keduanya dalam hal kualitas. Keduanya belum dievaluasi dengan instrumen yang sama, dan salah satunya tidak bisa. Perbandingan yang berguna adalah antara dua pinggang sempit — sebuah boolean dan sebuah file resep — dan mana yang bisa Anda bangun di sekitarnya tanpa membohongi diri sendiri tentang apa yang dilihatnya.
