Un hero di confronto a due pannelli intitolato WeMM-Video-35B-A3B vs Alibaba Wan 2.7 con il sottotitolo 22.754 voti contro zero: il pannello sinistro elenca 36,18B parametri, 67,39 GiB BF16, 0 download e nessuna riga in classifica sotto un badge open-weights, mentre il pannello destro elenca Elo 1.074 nell'editing, 22.754 voti, $16,90 al minuto e 9º posto in classifica sotto un badge API a consumo.
Guides & Insights

WeMM-Video-35B-A3B vs Alibaba Wan 2.7: 22.754 voti contro zero

Autore

Alistair Wren

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

L'unico numero di terze parti qui

La riga di editing di Wan 2.7 è insolitamente ben supportata. Ventiduemila voti non sono un campione di classifica che si possa liquidare come rumore; l'intervallo di ±8 significa che la nona posizione è stabile rispetto a tutto ciò che sta sotto, e il mese di rilascio associato alla riga è aprile 2026, quindi i voti hanno avuto sette mesi per accumularsi.

La stessa famiglia compare altre due volte sulle tavole, e le tre righe non concordano tra loro, il che è di per sé informativo:

• AA-Video-Editing v1.1 — 9°, Elo 1.074 ±8, 22.754 campioni, aprile 2026, $16,90 al minuto.

• AA-Video-T2V v2.1 — indicato come Wan2.7-260612, 20º, Elo 1.035 ±13, 6.965 campioni, giugno 2026, 9,00 $ al minuto. Stesso fornitore, attività diversa, un terzo del numero di campioni e un prezzo inferiore del 47% rispetto alla tariffa di montaggio.

• AA-Video-I2V v2.1 — nessuna riga. Wan 3.0 è presente in quella classifica al dodicesimo posto con 1.109; Wan 2.7 no. La suite pubblicizza la capacità image-to-video, quindi si tratta di una lacuna dell'arena più che del prodotto, ma significa che il modello non è mai stato classificato sul compito a cui la maggior parte delle persone ricorrerebbe per prima.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Leggendo tutti e tre insieme, la sintesi onesta è che Wan 2.7 è un modello video misurato di fascia media con una base di prove davvero solida (editing), una più esile (text-to-video) e una cella vuota. Resta comunque un quantitativo di prove esterne enormemente superiore a quello di cui dispone l'altro lato di questo confronto.

What A​libaba is selling, and at what rate

Wan 2.7 è un prodotto a quattro modalità: text-to-video, image-to-video, reference-to-video e montaggio video. I controlli documentati sono il condizionamento tramite keyframe iniziale e finale, fino a cinque immagini soggetto più cinque clip di riferimento, output da 720p a 1080p, audio nativo e clip da due a quindici secondi. La fatturazione è al secondo secondo la tariffa di listino, il che rende una generazione di quindici secondi in 1080p un costo calcolabile prima di avviare anziché un saldo crediti che si scopre dopo.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

Il checkpoint arrivato questa mattina

Il rilascio di WeMM-Video-35B-A3B è leggibile in un modo in cui la maggior parte dei rilasci silenziosi non lo è, perché Hugging Face applica un timestamp all'intera sequenza. Il repository è apparso alle 08:53:50 UTC del 17 novembre senza nulla al suo interno se non uno stub gitattributes. Il report arXiv, 2611.26409, è stato inviato il 19 novembre alle 16:58 UTC ed è già stato revisionato una volta, alle 06:15 UTC del 20 novembre. Il commit dei pesi BF16 è datato 2026-11-20T03:57:36Z. Il repository GitHub, Tencent/WeMM-Video, è stato creato il 17 novembre alle 02:29 UTC, conta nove stelle, zero fork e zero rilasci pubblicati, e questa mattina alle 06:34 UTC il suo README era ancora in fase di modifica.

Quindi il paper ha preceduto i tensori di circa undici ore, e la model card è ancora in fase di riscrittura mentre scriviamo. È proprio questo ordine a raccontare la storia. Non ci sono stati né un post di lancio, né una pagina dei prezzi, né un endpoint ospitato, né un comunicato stampa, né un account per gli annunci — nulla di ciò che un fornitore fa normalmente quando vuole che un modello venga notato.

Ciò che il repository contiene è specifico:

• Dimensione — 36.177.564.536 parametri, BF16, distribuiti su diciassette shard safetensors per un totale di 67,39 GiB. L'etichetta "35B-A3B" conta qualcosa di diverso dalla dimensione del file; la differenza è descritta più avanti.

• La build FP8 è tornata davvero. Quando è stato pubblicato il paper, il repository FP8 Block128 a cui rimanda la scheda rispondeva 401 — la stessa risposta che l'Hub dà per un nome mai esistito. Ora si risolve: 36,09 GiB in un unico file safetensors, committato alle 05:53:01 UTC, due ore dopo il caricamento BF16, con 33,6 miliardi di parametri in E4M3 e 2,56 miliardi lasciati in BF16. Qualunque cosa stesse succedendo alle 16:58 UTC del 19 novembre, il rilascio non era completato.

• Altre tre varianti quantizzate — AWQ W4A16 a 22,72 GiB su 52 shard per livello, NVFP4 W4A16 a 24,11 GiB in un unico file e un bundle GGUF Q4_K_M a 25,46 GiB suddiviso in un file linguistico da 22,61 GiB, un proiettore da 0,84 GiB e un encoder audio da 1,99 GiB. Due di queste tre si descrivono come non convalidate nei propri manifest. Quella NVFP4 afferma soltanto che i pesi sono stati riletti sulla CPU, il che è un checksum e non una valutazione.

• Runtime — qui niente funziona su un motore standard. Il repository include overlay di codice sorgente con manifest SHA-256 per esattamente quattro release upstream: vLLM 0.18.0 e 0.31.0, SGLang 0.5.16 e 0.5.19. Ogni comando di serving pubblicato specifica un contesto di 8.192 token, parallelismo tensoriale su due GPU e una pipeline multimediale limitata a 16 frame e 262.144 pixel. Una ricerca nel tracker delle issue di vLLM non trova alcuna richiesta upstream per questa architettura.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

Ogni dato di qualità associato a WeMM-Video-35B-A3B proviene dal team che lo ha addestrato. Il paper lo afferma esplicitamente — "riportiamo i risultati ufficiali ove disponibili e le nostre valutazioni altrimenti" — e l'unico numero sulla scheda le cui condizioni sono indicate in modo completo non è nemmeno un risultato video: MMAR1000, solo audio, decodificato a 16 kHz, decodifica greedy, due H20. Il resto della scheda registra il caricamento del checkpoint. Rispetto a 22.754 voti, si tratta di una categoria diversa di evidenza e va letta come tale.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

Le due perdite vanno nella direzione opposta e vale la pena ripeterle: JointAVBench a 65,9 dietro il 69,0 di Qwen, e MUSIC-AVQA a 79,5 dietro l'82,1 di Qwen. Entrambi sono fortemente incentrati sull'audio. Un checkpoint più grande non vince ovunque, e i punti in cui non vince sono quelli in cui lo stack audio di Qwen ha avuto più tempo per maturare.

Niente di tutto ciò è stato riprodotto. Né Artificial Analysis né LMArena elenca un modello WeMM di qualsiasi dimensione, e i tre like sul repository non sono una peer review. Se stai scegliendo tra questi due modelli per svolgere un lavoro, stai confrontando 22.754 voti con una tabella firmata dagli autori.

Entrambi riprendono video, solo uno lo restituisce

La differenza strutturale è facile da enunciare e difficile da sopravvalutare. Wan 2.7 accetta testo, immagini, clip di riferimento e video, e restituisce video. WeMM-Video-35B-A3B accetta testo, immagini, audio e video con la relativa colonna sonora, e restituisce testo. La modalità di editing di Wan 2.7 è quella che più si avvicina all'altro versante — riceve filmati e restituisce filmati — ma l'output è comunque in pixel, e non esiste un'impostazione che lo faccia descrivere ciò che ha modificato.

I tappi su ciascun lato delimitano la pipeline che puoi costruire:

• Il limite di Wan 2.7 è la durata. Da due a quindici secondi per generazione, da 720p a 1080p, con fatturazione al secondo. Una clip di quindici secondi alla tariffa di editing costa circa $4,23 prima di eventuali nuovi tentativi.

• Il limite di WeMM-Video-35B-A3B riguarda contesto e campionamento. Il processore usa per impostazione predefinita due fotogrammi al secondo, un minimo di quattro fotogrammi, un massimo di sedici e un budget totale di 262.144 pixel — circa otto secondi di copertura con la configurazione fornita. I comandi di serving limitano il contesto a 8.192 token e consentono quattro immagini, due video e due clip audio per richiesta. A dieci token audio al secondo, quel contesto equivale a circa tredici minuti di audio se lo si utilizza solo per l'audio.

• La discrepanza.Wan 2.7 può produrre quindici secondi di filmato; la ricetta WeMM fornita ne considera otto. Se la tua pipeline genera un clip e poi chiede a un modello cosa è successo al suo interno, il descrittore così configurato campiona circa metà dell'output. Si tratta di una configurazione che devi modificare deliberatamente, non di un limite dell'architettura — il valore predefinito del processore stesso consente 128 frame.

Due provider, un modello, una chiave

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Quale numero stai effettivamente scegliendo

Se il risultato finale è un filmato, Wan 2.7 è l'unico dei due a produrlo, e la decisione si riduce a stabilire se $16,90 al minuto per il montaggio o $9,00 al minuto per il text-to-video siano difendibili rispetto a una classifica in cui l'attuale leader chiede $12,00 e lo batte su entrambi i compiti. Il nono e il ventesimo posto sono posizioni rispettabili di metà classifica. Non sono un motivo per scegliere la generazione precedente.

Se il risultato è una dichiarazione su materiale video che già possiedi, WeMM-Video-35B-A3B è l'unico dei due a produrla, e la decisione si riduce a se puoi sostenere un motore di inferenza patchato, un download da 67,39 GiB o uno FP8 da 36,09 GiB, due GPU in tensor parallelism e una finestra di campionamento di otto secondi — per ottenere un descrittore di classe 36B i cui numeri audio-visivi sono solidi e interamente first-party.

La trappola è considerare «Elo 1.074 su 22.754 voti» e «86,4 su Video-MME con audio» come commensurabili. La prima è una misurazione collettiva di un servizio che chiunque può chiamare. La seconda è una tabella del fornitore relativa a un checkpoint che non conteneva pesi fino a stamattina. Entrambe meritano di essere lette. Solo una delle due costituisce una prova.