Kartu judul hero bertuliskan 'WeMM-Video-9B vs Wan 3.0', dengan subjudul 'Satu menjual detiknya. Satu membacanya kembali.', dengan tiga chip statistik bertuliskan 10.49B bobot terbuka, tayangan 8 dtk secara bawaan, dan batas klip 30 dtk, serta footer yang menyatakan bahwa angka WeMM-Video-9B berasal dari repositori Tencent dan arXiv 2611.26409, sedangkan angka Wan 3.0 berasal dari Alibaba dan Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0: Detik Terjual, Detik Ditonton

Penulis

Alistair Wren

Tanggal Terbit

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

Wan 3.0 menjual video dalam hitungan detik. WeMM-Video-9B membacanya kembali. Itulah keseluruhan perbandingannya, dan itulah sebabnya adu spesifikasi per dimensi antara keduanya akan hampir tidak berarti: yang satu adalah model generasi yang mengembalikan MP4, yang lain adalah model pemahaman omni-modal yang mengembalikan satu kalimat. Keduanya bukan rival. Keduanya adalah dua bagian dari satu pipeline — hasilkan klip, lalu periksa — dan pertanyaan yang menarik bukanlah siapa yang menang, melainkan di mana masing-masing berhenti dapat digunakan.

Hanya salah satunya yang merupakan berita. Tencent mengunggah WeMM-Video-9B dan delapan belas repositori saudara dalam rentang waktu lima menit mulai 08:53:50 UTC pada 17 November 2026, menerbitkan laporan teknis sebagai arXiv 2611.26409 pada 19 November, dan belum mengumumkan satu pun dari semua itu: tidak ada postingan blog, tidak ada halaman peluncuran, tidak ada tier berbayar. Pada saat penulisan, repositori 9B menunjukkan nol unduhan, koleksinya menunjukkan beberapa suka, dan tidak ada penyedia inferensi yang menawarkan model tersebut. Wan 3.0 adalah kasus yang sepenuhnya berlawanan — Alibaba memasukkannya ke beta publik pada 6 Agustus 2026 dan meluncurkannya secara resmi pada 24 Agustus, delapan puluh delapan hari sebelum artikel ini, dan saat ini berada di puncak dua papan peringkat independen. Semua yang berikut tentang Wan 3.0 adalah produk yang telah diluncurkan, berharga, dan dinilai secara independen. Semua tentang WeMM-Video-9B berasal dari repositorinya sendiri atau PDF para penulis, dan hanya dua tempat itulah yang memuat angka apa pun tentangnya.

Apa yang sebenarnya dikembalikan oleh masing-masing

Baris-baris spesifikasi itu layak ditempatkan berdampingan justru karena masing-masing menjelaskan pekerjaan yang berbeda.

• Keluaran — WeMM-Video-9B mengembalikan teks, dalam bahasa Mandarin atau Inggris. Wan 3.0 mengembalikan klip yang dihasilkan hingga 30 detik dengan audio asli.

• Masukan — model 9B menerima frame video dengan trek suara aslinya, video tanpa suara, audio mandiri, gambar, dan teks, serta dapat bernalar atas semuanya sekaligus. Wan 3.0 menerima prompt teks, gambar, video, dan audio, plus—yang unik di keluarganya—dokumen: doc, xls, ppt, pdf, md, txt, hingga 100 MB atau 50 halaman per file, yang langsung dikonversi menjadi video.

• Bobot — WeMM-Video-9B merilis bobot Apache 2.0 di Hugging Face dalam BF16 plus empat build terkuantisasi (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 tidak memiliki bobot yang dipublikasikan; ia merupakan API tertutup dengan pengenaan biaya.

• Harga — model 9B tidak memiliki harga hosted, karena tidak ada yang menghostingnya; biaya Anda adalah GPU, runtime yang ditambal, dan waktu Anda sendiri. Wan 3.0 menagih per detik output: 0,3, 0,6, dan 1,2 yuan per detik pada 480p, 720p, dan 1080p — sekitar $0,05, $0,10, dan $0,20 — yang dinormalisasi Artificial Analysis menjadi $12,00 per menit di papan peringkatnya.

• Skor independen — tidak ada untuk WeMM-Video-9B. Artificial Analysis tidak mencantumkan model WeMM di papan mana pun. Wan 3.0 berada di peringkat pertama pada papan text-to-video Artificial Analysis dengan Elo 1.176 (interval 95% 1.163 hingga 1.189, 8.243 sampel) dan peringkat pertama pada papan video-editing-nya dengan 1.197 (1.187 hingga 1.207, 9.919 sampel), serta peringkat kedua belas pada image-to-video dengan 1.109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

Kesenjangan harga bukanlah kesenjangan harga

Dua belas dolar per menit adalah angka yang akan dikutip orang, dan itu angka yang salah untuk dibandingkan dengan apa pun tentang 9B, karena kedua tagihan mengukur jumlah yang berbeda. Wan 3.0 menagih berdasarkan durasi yang dihasilkan. WeMM-Video-9B sama sekali tidak memiliki biaya per unit — biayanya ada pada perangkat keras yang sudah Anda miliki, dan cara yang jujur untuk menetapkan harganya adalah dengan menghitung seberapa besar porsi kartu yang ditempatinya dan berapa banyak klip yang dapat Anda proses per jam.

Angka okupansi dapat diukur dari repositori. Checkpoint BF16 terdiri atas 19,54 GiB file bobot dan 10.488.603.384 parameter di 1.305 tensor — 10,49 miliar, bukan sembilan, karena "9B" dalam nama merujuk pada backbone bahasa Qwen3.5-9B, bukan keseluruhan tumpukan. Build AWQ W4A16 berada di 12,86 GiB. Itu pemangkasan 34%, bukan 75% seperti yang tersirat dari resep empat-bit, dan alasannya terlihat di manifes eksportir: hanya matriks feed-forward padat yang dikompresi, sementara menara visi, encoder audio berbasis Whisper, embedding, output head, dan setiap bobot attention mempertahankan presisi aslinya. Sekitar 5,7 miliar parameter tetap pada dua byte masing-masing, yang menetapkan batas bawah yang tidak dapat dilampaui resep empat-bit mana pun. Siapa pun yang menentukan ukuran deployment dari nama akan meleset sekitar 1,5 GiB dan satu tingkat presisi.

Jadi, perbandingan biaya yang benar-benar penting bukanlah dolar versus dolar. Melainkan: satu panggilan API seharga $0,20 per detik rekaman jadi, versus model resident 13–20 GiB, stack serving yang sudah dipatch, dan berapa pun biaya per jam GPU Anda. Bagi tim yang sudah menjalankan inferensi, pilihan kedua bisa lebih murah. Bagi tim yang ingin mendapatkan klip pada hari Jumat, pilihan pertama adalah satu-satunya yang tersedia.

Di mana posisi 9B dibandingkan 30B

Satu-satunya tempat WeMM-Video-9B memiliki angka pasti adalah evaluasi para penulis, dan klaim utama dalam makalah tersebut adalah tentang saudaranya yang lebih besar — bahwa model 35B-A3B menetapkan state of the art open-source baru pada video omni-modal dan mendekati Gemini-3.0-Flash. Model 9B mendapat klaim yang lebih tenang: model ini mengungguli Qwen3-Omni-30B-A3B-Instruct, model yang ukurannya sekitar tiga kali lipat. Dalam mode Thinking, pada tabel audio-visual gabungan, model ini memang berhasil.

• Video-MME with audio — 85,1 untuk 9B, 77,3 untuk Qwen3-Omni-30B-A3B-Instruct, 69,2 untuk MiniCPM-o-4.5-9B.

• Video-MME-v2 dengan audio — 51,6 berbanding 36,3, selisih 15,3 poin.

• Baris bernuansa penalaran — SciVideoBench 64,2 dibandingkan dengan 49,9, MMOU 71,7 dibandingkan dengan 60,5, EvaOmni 50,7 dibandingkan dengan 26,1, OmniReasoningBench 43,9 dibandingkan dengan 24,1.

• Di mana ia kalah — FutureOmni 53,7 versus 55,1, dan JointAVBench imbang di 64,6.

Perbandingan yang lebih menarik adalah perbandingan internal, dan itulah yang tidak disebutkan oleh siapa pun yang mengutip makalah tersebut. Jalankan 9B terhadap model unggulan 35B-A3B pada 17 baris yang sama dan selisihnya kecil: 85,1 berbanding 86,4 pada Video-MME dengan audio, 51,6 berbanding 54,9 pada Video-MME-v2, 71,7 berbanding 74,5 pada MMOU. Pada satu baris, model yang lebih kecil menang mutlak — SVHalluc 86,8 berbanding 80,3. Model yang membawa sebagian kecil parameter aktif model unggulan berada dalam selisih 1,3 poin pada benchmark utama. Itu adalah argumen terkuat di repositori untuk 9B secara khusus, dan itu adalah argumen tentang biaya deployment, bukan tentang kemampuan.

9B juga bukan peningkatan yang seragam dibandingkan backbone yang diwarisinya. Membandingkannya dengan Qwen3.5-9B biasa pada tabel video tanpa suara menunjukkan model yang disetel ke arah kapan dan di mana sesuatu terjadi, dengan biaya terukur di area lain: F-16-NBA 88,7 versus 75,8; TimeLens-QVHighlights 66,8 versus 64,3; TOMATO 48,5 versus 45,0 — tetapi MLVU 82,4 versus 84,4; LVBench 68,2 versus 70,0; VSI-Bench 54,5 versus 58,3; MVBench 71,4 versus 74,4. Jika tugas Anda adalah peringkasan video panjang, mesin audio-visual telah membuat Anda kehilangan sesuatu yang sudah dilakukan lebih baik oleh backbone.

Secara default, cakupan delapan detik.

Di sinilah kedua model menjadi dapat dibandingkan secara langsung, karena ini adalah batas durasi — dan angkanya tidak berdekatan.

Wan 3.0 menghasilkan hingga 30 detik dalam satu proses, dua kali batas 15 detik Wan 2.7, dengan alat perpanjangan video untuk merangkai narasi yang lebih panjang. WeMM-Video-9B, sebagaimana dirilis, melihat delapan.

Kesenjangan bukan pada checkpoint. Model 9B mendeklarasikan 262,144 embedding posisi dalam konfigurasi teksnya, yang merupakan anggaran sangat besar. Kesenjangan ada pada resepnya. Prosesor default ke 2 fps dengan minimum empat frame, maksimum 128 frame dan 100,663,296 total piksel, dan perintah vLLM yang diterbitkan Tencent menimpa keempat nilai tersebut menjadi 2 fps, 16 frame dan 262,144 piksel. Pada 2 fps, enam belas frame adalah delapan detik cakupan yang diambil dari tengah klip. Setiap perintah serving di repositori juga meneruskan --max-model-len 8192 atau --context-length 8192, dan tidak ada apa pun di repositori yang menjelaskan cara mencapai angka deklarasi yang lebih besar.

• Anggaran frame — default yang dikirimkan 16 frame pada 2 fps, yaitu sekitar 8 detik, dibandingkan dengan generasi tunggal 30 detik Wan 3.0.

• Biaya audio — stack audio mengeluarkan 10 token per detik, jadi anggaran 8,192 token kira-kira tiga belas menit audio dan tidak ada yang lain; klip dengan soundtrack menghabiskan anggaran yang sama untuk frame dan audio sekaligus.

• Media per permintaan — empat gambar, dua video, dan dua item audio, sesuai batas yang disertakan dalam resep vLLM dan SGLang.

Tidak ada pihak di luar WeChat Vision yang telah memublikasikan sampling mana yang digunakan dalam proses benchmark. Jika Anda mereproduksi angka dari tabel di atas, itulah ketidakpastian pertama yang harus dipastikan, dan default 16-frame yang disertakan adalah titik awal yang salah. Namun batas atasnya nyata: untuk apa pun yang lebih panjang dari satu take, 9B hanyalah pemeriksa sampel, bukan peninjau, kecuali Anda menaikkan batas frame dan membayarnya dalam konteks.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Angka yang belum pernah diukur oleh siapa pun

Tiga fakta menjadi penghalang antara model ini dan rekomendasi yang meyakinkan, dan fakta-fakta itu layak dinyatakan secara gamblang alih-alih disembunyikan.

Yang pertama adalah bahwa setiap skor di atas dilaporkan oleh vendor. Tidak ada evaluasi independen terhadap WeMM-Video-9B di mana pun — tidak ada Elo arena, tidak ada reproduksi pihak ketiga, tidak ada entri papan peringkat. Tabel-tabel tersebut berasal dari penulis yang sama yang melatih model tersebut, pada 120 lebih tolok ukur pilihan mereka sendiri, dan beberapa tolok ukur tersebut menggunakan juri yang berbeda: evaluasi dalam makalah menggunakan GPT-6.1-Sol, GPT-4o, dan Qwen3-235B-A22B tergantung pada tugasnya. Karena itu, perbandingan antar-model di dalam makalah adalah perbandingan angka-angka yang dihasilkan di bawah penilai yang berbeda, yang merupakan catatan penting yang dinyatakan dalam makalah dan cenderung dihilangkan oleh siapa pun yang mengutip tabel tersebut.

Yang kedua adalah pemisahan mode yang membuat dua baris tidak dapat dibandingkan. Tabel video omni-modal menjalankan model WeMM dalam mode Thinking; tabel audio menjalankannya dalam mode Instruct, berdasarkan penilaian para penulis bahwa tolok ukur audio standar adalah tugas persepsi langsung. Hal itu dapat dipertahankan, dan itu juga berarti bahwa satu baris WeMM dalam satu tabel tidak dapat disandingkan dengan baris pesaing di tabel lainnya.

Yang ketiga adalah distribusi. Nol unduhan bukan bukti kualitas ke arah mana pun, tetapi itu berarti tidak ada kumpulan laporan praktisi — tidak ada mode kegagalan, tidak ada "model ini berhalusinasi pada video musik", tidak ada utas orang-orang yang menemukan batas frame dengan cara yang sulit. Wan 3.0 telah memiliki delapan puluh delapan hari untuk itu, ditambah integrasi peluncuran di ComfyUI, Leonardo.Ai, dan Envato. Untuk pertanyaan "apa yang sebenarnya salah dalam produksi", salah satu model ini punya jawaban dan yang lain punya repositori.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Menjalankan pasangan tersebut hari ini

Jika Anda menginginkan keduanya, keduanya dipasang dengan cara yang sangat berbeda, dan tidak satu pun berada di platform routing.

Wan 3.0 adalah panggilan API berbayar per penggunaan. Layanan ini dapat diakses melalui konsol Alibaba sendiri dan melalui alat kreatif pihak ketiga, ditagih per detik sebesar 0,3; 0,6; dan 1,2 yuan untuk 480p, 720p, dan 1080p, dan satu-satunya pertanyaan pengadaan yang benar-benar penting adalah resolusi mana yang dibutuhkan tahap peninjauan Anda, karena itulah pengalinya.

WeMM-Video-9B adalah tugas self-host. Anda memerlukan Python 3.12, GPU NVIDIA pada driver CUDA 12.9, FFmpeg dan pustaka bersama TorchCodec, lalu patch runtime repositori: vLLM 0.18.0 yang telah dipatch, atau 0.31.0 untuk BF16, atau SGLang 0.5.16 atau 0.5.19 yang telah dipatch, yang dipatok ke kombinasi persis PyTorch, Transformers, dan CUDA yang disebutkan manifes patch untuk versi engine Anda. Memuat juga memerlukan trust_remote_code, karena model menyertakan kode pemodelan dan pemroses kustom. Tencent memvalidasi bahwa vLLM yang telah dipatch memuat checkpoint dan menyelesaikan pemeriksaan generasi teks, gambar, audio, dan video-dengan-soundtrack pada H20, yang merupakan validasi muat-dan-jalankan, bukan klaim akurasi. Jalur GGUF memerlukan runtime native yang dibangun dari sumber.

OrcaRouter tidak menyediakan WeMM-Video-9B, dan katalognya tidak mencantumkan checkpoint WeMM sama sekali, jadi tidak ada harga hosted untuk dikutip dan tidak ada endpoint untuk dipanggil. Yang memang tersedia di platform adalah separuh visi dari pekerjaan yang sama — Qwen3-VL-8B-Thinking dan Qwen3-VL-235B-A22B-Thinking keduanya menerima gambar dan frame video — di balik satu kunci yang kompatibel dengan OpenAI bersama 200+ model lain, ditagih sebesar harga daftar penyedia yang diteruskan dengan markup 0%. Tidak satu pun dari keduanya mendengar apa pun, jadi tidak ada yang menggantikan separuh audio-visual. Jika rencananya adalah mencoba 9B yang di-host sendiri tanpa menempatkannya di jalur produksi, merutekannya di balik aturan failover adalah cara murah untuk mengetahui apakah runtime yang ditambal bertahan pada konkurensi Anda sebelum Anda mengalokasikan kartu untuknya.

Pemasangan itu sendiri adalah alur kerja, bukan tolok ukur. Hasilkan dengan Wan 3.0, lalu serahkan klipnya kepada model yang mengembalikan deskripsi alih-alih piksel: apakah adegannya sesuai dengan prompt, apakah ucapannya dapat dipahami, apakah audionya selaras dengan aksinya. Tidak ada yang di sini mengukur apakah WeMM-Video-9B bagus untuk tugas itu secara khusus dibandingkan dengan keluaran Wan 3.0 sendiri — belum ada yang menjalankannya. Anggaran frame delapan detik adalah batasan yang harus diuji lebih dulu, karena jika klip Anda berdurasi tiga puluh detik, peninjau hanya melihat seperempat dari setiap klip.

Apa yang bisa mengubah jawabannya

Tiga hal yang bisa diberi tanggal, diurutkan berdasarkan seberapa besar pengaruhnya terhadap rekomendasi.

Skor independen untuk WeMM-Video-9B. Satu entri Artificial Analysis saja, atau satu hasil arena dari pihak yang tidak memiliki pemberi kerja yang sama dengan para penulis, akan mengubah tabel di atas dari sebuah klaim menjadi sebuah pengukuran. Sampai saat itu, pembacaan yang jujur adalah bahwa checkpoint 10.49B dengan backbone 9B memperoleh skor mendekati flagship 35B-A3B miliknya sendiri pada benchmark milik Tencent sendiri, dan hanya itu yang dapat dikatakan.

Endpoint yang dihosting. Model ini memerlukan runtime yang dipatch, kode khusus, dan jejak residen 13 hingga 20 GiB; pada hari penyedia menawarkannya melalui API, perbandingan harga dalam artikel ini berhenti menjadi kesalahan kategori dan berubah menjadi aritmetika.

Resep yang memanfaatkan konteks yang dideklarasikan. Checkpoint tersebut sudah mengklaim 262,144 posisi. Jika Tencent merilis profil penyajian yang menaikkan batas frame dan benar-benar memanfaatkannya, nilai default delapan detik menjadi sekadar detail konfigurasi, bukan lagi batas atas — dan model 9B tidak lagi sekadar pemeriksa sampel untuk rekaman pendek.

Untuk saat ini, pembagiannya jelas. Pilih Wan 3.0 saat Anda membutuhkan rekaman; model ini sudah diluncurkan, harganya sudah ditetapkan, berada di puncak dua papan peringkat independen, dan satu-satunya dari keduanya yang dapat Anda panggil sore ini. Pilih WeMM-Video-9Bsaat Anda membutuhkan model yang mendengar trek suara sama baiknya dengan melihat frame, Anda punya kartu GPU lebih, dan Anda bersedia menjadi orang pertama yang mencari tahu apakah resep delapan detik itu default atau batas. Keduanya tidak bersaing untuk keputusan yang sama.

Dibandingkan dalam artikel ini2

Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari