
WeMM-Video-4B vs FastFrames Video Generation: una giuntura silenziosa
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 182 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 356 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 147 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
FastFrames Video Generation è arrivato il 16 novembre 2026 e WeMM-Video-4B il 17 novembre, entrambi come download di pesi con un paper allegato e nessuno dei due con un post di lancio degno di questo nome. Questa coincidenza è l'unico motivo per leggerli l'uno contro l'altro, perché non fanno lo stesso lavoro: FastFrames trasforma una frase in 81 fotogrammi di video muto, e WeMM-Video-4B trasforma il video in una descrizione, inclusa una descrizione di ciò che viene detto sopra. La domanda interessante non è quale sia migliore. È cosa succede quando se ne mette uno dietro l'altro — e la risposta è che la giuntura tra loro è muta, il che disabilita silenziosamente la parte più costosa del checkpoint WeMM.
Tutto ciò che segue è o misurabile nei due repository o riportato dagli autori dei due articoli. Nessuno dei due modelli è stato eseguito da qualcuno che non abbia scritto la sua sezione di valutazione, e nessuno dei due ha un prezzo ospitato, una riga in un'arena o una riproduzione di terze parti. Quando un dato proviene da una tabella del fornitore, è etichettato come tale.
Cosa mette su disco FastFrames
FastFrames è un modello di diffusione video autoregressivo distillato da Wan2.1, pubblicato da Apple e Cornell come arXiv 2611.23226 il 17 novembre, con i pesi rilasciati un giorno prima. È disponibile in due dimensioni — FastFrames-S con 1,3 miliardi di parametri e FastFrames-L con 14 miliardi — e la tesi è la latenza anziché la fedeltà. Su una singola B200 il modello piccolo produce un fotogramma in 36 millisecondi, il che è più veloce della riproduzione del clip: una generazione da 5,06 secondi richiede circa 2,9 secondi. Il modello grande riesce a fare 45 millisecondi per fotogramma distribuiti su otto B200, e peggiora fino a 158 millisecondi su una singola GPU, il che è più lento del tempo reale. Apple riporta anche una penalità dal 25 al 50 percento su H100 invece che su B200.
Il formato di output è fisso e ristretto. 832×480, 16 fotogrammi al secondo, 81 fotogrammi per generazione — poco più di cinque secondi — guidati esclusivamente da un prompt testuale. Non è previsto alcun condizionamento tramite immagine, né input di fotogrammi chiave, né modalità di continuazione, né controllo della camera nella configurazione rilasciata. Non c'è nemmeno l'audio: nessun decoder audio, nessun latente audio, nessuna colonna sonora. Gli autori riportano totali VBench di 84,23 per il modello piccolo e 84,44 per quello grande a 480p su prompt e seed abbinati, un punteggio rispettabile per un modello il cui punto di forza è la velocità, ed è l'unico numero di qualità presente nel rilascio.
Dove finiscono 1,07 miliardi di parametri
WeMM-Video-4B è il figlio di mezzo di una famiglia in quattro dimensioni del gruppo WeChat Vision di Tencent — 2B, 4B, 9B dense e una mixture of experts 35B-A3B — tutti caricati in una finestra di diciannove minuti il 17 novembre, con il rapporto tecnico, arXiv 2611.26409, arrivato il 19 novembre. Il nome lo sottostima: i metadati safetensors registrano 5.611.746.312 parametri, ovvero 10,45 GiB in BF16, perché "4B" si riferisce alla backbone linguistica Qwen3.5-4B anziché al checkpoint.
Leggere l'indice dei tensori spiega perché. Su 1.268 tensori, il modello linguistico porta 4,21 miliardi di parametri, la torre visiva 0,33 miliardi e lo stack audio 1,07 miliardi. Quasi un quinto di questo checkpoint è un encoder-decoder in stile Whisper — 32 layer encoder e 32 layer decoder con larghezza 1.280, con un Q-Former a livello di finestra che comprime finestre da 0,1 secondi in 10 token audio al secondo, alimentato a 16 kHz in blocchi da 30 secondi. Quello stack è inizializzato da Qwen2.5-Omni.

• FastFrames Video Generation — testo in ingresso, frame in uscita, nessun suono in alcuna fase della pipeline.
• WeMM-Video-4B — frame e suono in ingresso, testo in uscita, con il suono gestito da una torre dedicata da 1,07B anziché inferito dai pixel.
• Sovrapposizione — nessuna a livello di modello. Entrambi sono pacchetti di pesi con licenza Apache o Apple, senza alcun endpoint alle spalle, ed entrambi presuppongono che possediate l'acceleratore.
L'unica clip che FastFrames crea è muta
Porta a fondo questo ragionamento e il problema della composizione diventa concreto. Se colleghi {{1}}WeMM-Video-4B{{/1}} dietro {{2}}FastFrames Video Generation{{/2}} — renderizza un'inquadratura, poi descrivila in modo da poterla indicizzare, filtrare o sottoporre a QA — ogni clip che consegni al descrittore non ha una traccia audio. La {{3}}torre audio da 1,07 miliardi di parametri{{/3}} non ha nulla da ascoltare. Il {{4}}Q-Former{{/4}} non emette nulla, e la fase di fusione si riduce al percorso visivo.
Non è un difetto di nessuno dei due modelli; è un fatto relativo alla pipeline, e ha una conseguenza misurabile, perché il paper WeMM riporta separatamente i benchmark sui video silenziosi. Sulla sola visione, WeMM-Video-4B ottiene 75,7 su Video-MME, 65,3 su LVBench, 74,8 su LongVideoBench e 74,2 su EgoSchema. I suoi numeri congiunti audio-visivi — 83,9 su Video-MME con audio, 82,5 su Daily-Omni — sono quelli che giustificano la dimensione del file, e sono esattamente quelli che una pipeline alimentata da FastFrames non può raggiungere.
La presentazione onesta di questo abbinamento è che FastFrames sfrutta circa l'80 percento del checkpoint WeMM. Se il tuo obiettivo è un ciclo di didascalie su filmati generati, un modello solo visione di dimensioni dimezzate farebbe lo stesso lavoro; se il tuo obiettivo è comprendere filmati che contengono audio, FastFrames non può fornire l'input. I due strumenti si incontrano in un punto in cui uno dei due è per metà inattivo.

Due numeri di velocità, senza unità in comune
Entrambe le versioni esordiscono con un'affermazione sulla latenza, e le affermazioni non sono commensurabili: è il modo più comune in cui questo confronto viene travisato su Internet.
I 36 millisecondi di FastFrames si riferiscono a ogni frame di output su un B200, misurati rispetto alla riproduzione. WeMM-Video-4B non produce frame; il suo costo è il costo della decodifica del testo su un budget media limitato. Quel budget è più stretto di quanto suggeriscano i valori predefiniti del processore. La ricetta vLLM nel repository imposta max_frames 16 rispetto a un valore predefinito del processore di 128, fps 2, e un limite totale di pixel di 262,144, con una lunghezza del contesto di 8,192 token. L'audio consuma 10 token per ogni secondo prima che venga conteggiato un singolo frame.
La lettura pratica: una clip di 20 secondi e una clip di 5 secondi arrivano entrambe al descrittore come sedici fotogrammi, e una clip con una colonna sonora spende il suo contesto su due flussi contemporaneamente. FastFrames ti offre movimento a 16 fotogrammi al secondo di output; WeMM-Video-4B vede una presentazione di diapositive e inferisce il movimento. Nessuno dei due numeri ti dice nulla sull'altro, e una pagina che mette "36 ms" accanto a "8K context" sta confrontando un budget di rendering con un budget di lettura.

Qui le licenze contano più dei punteggi.
Per un confronto così povero di prove indipendenti, la riga sulla licenza ha più peso decisionale di qualsiasi benchmark in entrambi i paper, e i due si collocano agli estremi opposti dello spettro.
• FastFrames Video Generation — termini AMLR di Apple sui pesi, con i componenti demo di LingBot-World v2 sotto CC BY-NC-SA 4.0. Il "NC" è il vincolo che conta: pesi aperti, non aperti all'uso commerciale.
• WeMM-Video-4B — Apache 2.0 per l'intera raccolta, con un file di licenza Tencent che afferma che i componenti di terze parti "restano soggetti ai rispettivi termini originali". La deroga non è dettagliata voce per voce, il che è una vera lacuna anziché una formalità, dato che lo stack audio deriva da Qwen2.5-Omni e il backbone da Qwen3.5, entrambi Apache 2.0.
• Entrambi — checkpoint completi di tutte le fasi di addestramento e una pipeline di valutazione nel repository, il che è insolitamente riproducibile per rilasci di questo tipo ed è il miglior sostituto disponibile per la valutazione indipendente che nessuno dei due ha.
Collegare un descrittore dietro un renderer
Se costruisci comunque il loop, la domanda ingegneristica è dove si colloca il modello di testo, perché ci sono tre passaggi di testo e solo uno di essi è opzionale.
• Espansione del prompt — una nota di ripresa diventa un prompt FastFrames. Necessario, perché un modello di diffusione distillato da 1,3B non ha spazio per interpretare un'istruzione vaga.
• Descrizione — la clip renderizzata viene inviata a WeMM-Video-4B e torna come prosa, ed è questo il passaggio che rende il filmato ricercabile.
• Selezione — la prosa decide se la clip viene conservata, ed è il passaggio che deve costare poco, perché lo paghi per ogni candidato anziché per ogni sopravvissuto.
Quei due hop esterni sono normali completamenti di testo, e sono la parte di questo stack che OrcaRouter copre effettivamente: una chiave compatibile con OpenAI su oltre 200 modelli, prezzi di listino dei provider passati senza ricarico allo 0%, così una variazione di prezzo del fornitore arriva lo stesso giorno, e failover automatico così un limite di frequenza nel mezzo di un batch di mille clip diventa un nuovo tentativo invece di un buco. Né FastFrames Video Generation né WeMM-Video-4B sono sulla piattaforma — entrambi sono download di pesi, e nessun livello di routing trasforma un checkpoint in un endpoint. Ciò che il router elimina è il lavoro di integrazione attorno ai due modelli che ospiti tu stesso.
Cosa non è ancora stato confermato
• Qualità indipendente — nessuna riga di Artificial Analysis, nessuna voce nell'arena, nessuna riproduzione di terze parti per nessuno dei due modelli. VBench 84.44 e Video-MME 83.9 sono dichiarati dagli autori e non sono stati eseguiti da nessun altro.
• Condizioni di valutazione — il paper WeMM non dichiara il numero di frame, il budget di pixel o la lunghezza del contesto usati per i suoi benchmark video, e la recipe fornita usa 16 frame laddove il processore ne usa 128 per impostazione predefinita. Questo scarto è sufficientemente ampio da incidere sulle righe dei video lunghi.
• Prezzo — nessuno dei due ne ha uno. Nessun endpoint ospitato, nessuna tariffa al secondo, nessun elenco di partner. Il costo è la GPU che possiedi, più l'overlay patchato di vLLM o SGLang richiesto dal repository WeMM, dato che nessuno dei due motori supporta l'architettura upstream.
• Usabilità commerciale sul lato Apple — AMLR più una licenza demo non commerciale significa che il renderer, non il descrittore, è la parte di questa pipeline che una revisione legale bloccherà.
La domanda che ne sceglie uno
Chiedi qual è il tuo artefatto. Se è un file, solo FastFrames può produrlo, e pianifichi intorno a 480p, cinque secondi, silenzio e una licenza non commerciale. Se è un'affermazione su un filmato che hai già — cosa succede, chi parla, cosa è udibile — solo WeMM-Video-4B può produrla, e pianifichi intorno a sedici frame campionati e ottomila token.
Se è entrambe le cose, stai costruendo un sistema a due modelli la cui giuntura è silenziosa, e la versione corretta più economica di quel sistema non usa un checkpoint omni da 5,61B per didascalizzare un output silenzioso. Usa un modello di visione per le clip renderizzate e mantieni WeMM-Video-4B per il materiale sorgente che contiene audio. È un'architettura meno elegante di un unico modello per tutto, ed è quella che i numeri supportano.
Ciò che nessuno dei due rilasci offre ancora è la cosa che chiuderebbe la questione: una prova eseguita da qualcuno che non ha scritto l’articolo. Due laboratori hanno pubblicato un lavoro video serio nella stessa settimana senza un annuncio, il che è il fatto più interessante sul novembre 2026 rispetto a qualunque singola cella di benchmark.
