Card del titolo con scritto "WeMM-Video-9B vs Alibaba Wan 2.7" e il sottotitolo "Una bolletta e un checkpoint", due pannelli separati da un disco vs: quello a sinistra con badge "solo pesi" ed elenco di parametri densi 9B, 19,54 GiB di shard BF16, Apache 2.0 e nessun prezzo; quello a destra con badge "API a consumo" ed elenco di Elo 1.074 su AA-Video-Editing v1.1 e 16,90 $ al minuto.
Guides & Insights

WeMM-Video-9B vs Alibaba Wan 2.7: un conto e un checkpoint

Autore

jinhao.song

Data di pubblicazione

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

Inizia dalla fattura. Alibaba Wan 2.7 ha una tariffa al minuto su due board video di Artificial Analysis e un intervallo di durata documentato, il che lo rende uno dei pochi modelli video di cui puoi calcolare il costo prima di scrivere una riga di codice. WeMM-Video-9B non ha alcuna tariffa. Il gruppo WeChat Vision di Tencent lo ha pubblicato il 17 novembre 2026 sotto forma di diciannove chili e mezzo di pesi Apache-2.0 — cinque shard BF16, una model card e un preprint arXiv numerato 2611.26409 — per poi non dire più nulla. Nessun post di lancio, nessuna pagina dei prezzi, nessun endpoint ospitato, nessuna sottomissione alle board. Tre giorni dopo, i repository mostrano ancora zero download complessivi. Quindi il confronto onesto non è Wan 2.7 contro WeMM-Video-9B sulla qualità; è un servizio a consumo contro un artefatto senza prezzo, e i due numeri che vorresti mettere fianco a fianco non esistono per lo stesso motivo da entrambe le parti.

Tutto ciò che segue distingue tre cose: ciò che affermano la documentazione di Wan 2.7 e le due classifiche, ciò che sostengono il repository e il paper di WeMM-Video-9B, e ciò che nessuno al di fuori di entrambi i laboratori ha riprodotto. È in quest'ultima categoria che si colloca la maggior parte del materiale su WeMM-Video-9B, e fingere il contrario sarebbe il modo più rapido per rendere questo articolo inutile.

Wan 2.7 viene fatturato in minuti

Il listino prezzi di Alibaba per Wan 2.7 è insolitamente leggibile per un modello video. La suite è un prodotto a quattro modalità — da testo a video, da immagine a video, da riferimento a video e montaggio video — e il prezzo che compare nelle tabelle è una tariffa lineare al minuto anziché un sistema di crediti da decifrare a ritroso.

• AA-Video-Editing v1.1 — Wan 2.7 è al 9° posto con un Elo di 1.074 ±8 su 22.754 campioni, con rilascio ad aprile 2026 e 16,90 $ al minuto. L'intervallo è il più stretto della classifica al di fuori dei primi tre, ed è ciò che si ottiene con ventiduemila voti.

• AA-Video-T2V v2.1 — la stessa famiglia compare come Wan2.7-260612 al 20º posto nella classifica Elo con 1.035 ±13 su 6.965 campioni, giugno 2026, 9,00 $ al minuto. Stesso fornitore, compito diverso, un prezzo diverso e un Elo che non si traduce nel punteggio di editing.

• Wan 2.7 non compare affatto nella classifica image-to-video. Wan 3.0 sì — 12° con 1.109 — e vale la pena leggere con attenzione questa assenza. Non significa che Wan 2.7 non sappia animare un'immagine statica; significa che l'arena non lo ha classificato in quella posizione. La suite Alibaba pubblicizza infatti il controllo del primo e dell'ultimo keyframe, fino a cinque immagini soggetto e cinque clip di riferimento, e output da 720p a 1080p con audio nativo. Una capacità che la classifica non valuta resta comunque una capacità.

Una nota contestuale importante per il budget: Wan 2.7 è la generazione precedente. Wan 3.0 ora guida sia la classifica text-to-video (1.176) sia quella di editing (1.197), ed è il più economico dei due sul text-to-video, a 12,00 $ al minuto rispetto alla tariffa di editing di Wan 2.7 di 9,00 $. Se oggi devi scegliere un modello Alibaba anziché confrontarli, la decisione è già stata presa.

Che cos'è realmente il checkpoint 9B

WeMM-Video-9B non è un generatore di video, e quella singola frase fa gran parte del lavoro in questo confronto. È un modello di comprensione video: gli si passano i fotogrammi insieme alla colonna sonora originale, e restituisce testo. Descrizione, trascrizione, ragionamento temporale, risposta a domande su filmati che già possiedi.

Il repository è insolitamente specifico su ciò che contiene, ed è l'unico caso in cui un rilascio discreto batte uno clamoroso. Il record di Hugging Face elenca 10.488.603.384 parametri su 1.305 tensori, BF16, 19,54 GiB suddivisi su cinque shard. La suddivisione è dettagliata: un backbone linguistico da 7,94B che include un token embedding da 1,02B, una testa di output separata da 1,02B, una torre audio in stile Whisper da 1,08B con 32 strati a larghezza 1.280 dietro un Q-Former a due strati, e una torre visiva da 0,46B di 27 blocchi a larghezza nascosta 1.152 con dimensione delle patch 16 e un merge spaziale 2×2. Lo stack linguistico è di 32 strati a hidden 4.096, 16 teste di attenzione contro 4 teste key-value con dimensione della testa 256, con attenzione lineare ibrida — uno strato di attenzione completa ogni tre lineari — e 262.144 embedding di posizione.

In pratica, ciò che ti offre è un ingresso ampio e un'uscita ristretta. Video, audio, immagini e testo entrano. Esce testo, in inglese o in cinese. Non c'è alcuna sintesi di fotogrammi nell'architettura, e nessuna quantità di prompting ne produrrà una.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

Due orologi che non si incontrano

Il confronto che decide davvero qualcosa riguarda tempo e denaro, ed entrambe le parti hanno un limite.

• 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 da quindici secondi a 1080p è un dato noto prima ancora di premere il pulsante di avvio.

• Il limite di WeMM-Video-9B è il contesto. Il processore usa per impostazione predefinita 2 frame al secondo, con un minimo di 4 frame, un massimo di 128 frame e un budget totale di 100.663.296 pixel. La ricetta vLLM fornita sovrascrive tutto ciò riducendolo a 2 fps e 16 frame a 262.144 pixel — circa otto secondi di copertura campionati dal punto medio della clip. Ogni comando di serving nel repository specifica anche una lunghezza di contesto di 8.192 token e, a dieci token audio al secondo, si tratta di circa tredici minuti di audio se si spende il budget solo per l'audio.

• La discrepanza.Wan 2.7 produce quindici secondi di filmato. WeMM-Video-9B, così com'è fornito, ne considera otto. Se la tua pipeline genera una clip e poi chiede a un modello cosa è successo al suo interno, il descrittore sta campionando metà dell'output. Non è un difetto di nessuno dei due prodotti; è una configurazione che devi cambiare deliberatamente, e l'esempio del repository stesso non la cambia per te.

Il consiglio di cui nessuno dei due fa parte

Ecco il problema strutturale di questo confronto, detto senza giri di parole. Ogni classifica video di Artificial Analysis valuta filmati generati. Text-to-video, image-to-video e video editing: tutte e tre prendono un modello che produce pixel e lo classificano in base alla preferenza umana a coppie. WeMM-Video-9B produce token.

Non è che WeMM-Video-9B abbia ottenuto un punteggio scarso. Non è possibile inserirlo. Wan 2.7 ha due righe, entrambe con intervalli abbastanza stretti da discuterne; WeMM-Video-9B non ne ha nessuna e non ne avrà alcuna finché qualcuno non costruirà un'arena per la comprensione video. Il che significa che l'unica prova di qualità per l'oggetto di questo articolo è la tabella degli stessi autori.

Quella tabella non è cosa da poco. In modalità thinking sui compiti audio-visivi congiunti, il checkpoint 9B batte Qwen3-Omni-30B-A3B-Instruct su 35 delle 37 metriche condivise — Video-MME con audio 85,1 contro 77,3, Daily-Omni 83,6 contro 70,7, SciVideoBench 64,2 contro 49,9, OmniReasoningBench 43,9 contro 24,1 — e perde esattamente in un caso, FutureOmni, con 53,7 contro 55,1. Sul video silenzioso, rispetto al proprio backbone Qwen3.5-9B, guadagna su F-16-NBA (88,7 vs 75,8) e TimeLens, e perde su MLVU, LVBench, VideoVista, VSI-Bench e MVBench. L'articolo afferma di riportare «risultati ufficiali laddove disponibili e, altrimenti, valutazioni nostre», che è la dichiarazione corretta e anche il motivo per cui nessuno di questi risultati è indipendente.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

Dove si inserisce OrcaRouter

Nessuno dei due modelli viene servito tramite OrcaRouter, e questo articolo non ha intenzione di far finta del contrario. Wan 2.7 è accessibile tramite l'API proprietaria di Alibaba e diverse piattaforme di terze parti; WeMM-Video-9B è accessibile scaricandolo.

Quello che invece c'entra qui è il lato della fatturazione, perché il motivo per cui i team finiscono per confrontare un generatore con un descrittore è che entrambi vengono collegati alla stessa pipeline. OrcaRouter passa il prezzo di listino del provider a 0% di ricarico, il che significa che un taglio delle tariffe del fornitore arriva sulla tua fattura il giorno stesso in cui arriva sulla loro, invece di quando un rivenditore riapplica i prezzi. Se la tariffa di editing di Wan 2.7 di $16,90 diventa $12,00 come è successo con quella di Wan 3.0, lo vedi sulla fattura successiva. Per un carico di lavoro in cui una parte è a consumo al secondo e l'altra è un checkpoint che ospiti tu stesso, avere la metà a consumo riportata a costo è la differenza tra un budget che puoi prevedere e uno che non puoi.

Per quale stanziare un budget?

Se il risultato da consegnare è un filmato, Wan 2.7 è l’unico dei due in grado di 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 competitivi rispetto al resto della classifica. Rispettivamente al 9° e al 20° posto, è a metà classifica su entrambi.

Se il risultato da consegnare è un'affermazione su materiale video che possiedi già, WeMM-Video-9B è l'unico dei due in grado di produrla, e la decisione si riduce a chiedersi se puoi gestire un'installazione con patch di vLLM o SGLang, un checkpoint da 19,54 GiB e una finestra di campionamento di otto secondi per ottenere un descrittore di classe 9B con metriche audio-visive davvero solide.

La trappola è leggere $16.90 e $0.00 come la stessa quantità. Uno è una tariffa a consumo per un servizio che puoi chiamare questo pomeriggio. L'altro è l'assenza di un servizio, e il prezzo di quell'assenza si paga in lavoro di integrazione e nel fatto che nessuno al di fuori di Tencent ti ha detto se i numeri reggono.