Scheda del titolo con la scritta "WeMM-Video-9B vs Hailuo 2.3" e il sottotitolo "Sei secondi silenziosi", due pannelli divisi da un disco "vs": a sinistra l'intestazione WeMM-Video-9B con un badge "pesi aperti" e righe con scritto "19,54 GiB BF16", "legge 16 fotogrammi a 2 fps", "8 secondi di copertura", "accetta input audio", "nessun costo per clip"; a destra l'intestazione Hailuo 2.3 con un badge "API a consumo" e righe con scritto "6 s a 1080p", "10 s a 768p", "output silenzioso", "nessun controllo del fotogramma finale", "circa 0,48 $ per clip".
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Sei secondi silenziosi

Autore

jinhao.song

Data di pubblicazione

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

Entrambi questi modelli ti deluderanno in un punto preciso, e si tratta dello stesso punto. Hailuo 2.3 produce sei secondi di video in 1080p e nessun audio. WeMM-Video-9B legge sedici fotogrammi campionati di video, che alla frequenza di campionamento fornita coprono circa otto secondi, e restituisce testo. Nessuno dei due è un sistema video general-purpose, e nessuno dei due compare in una classifica che si possa indicare. MiniMax ha rilasciato Hailuo 2.3 nell'aprile 2026 e da allora è passata a un modello che invece compare in quelle classifiche; il gruppo WeChat Vision di Tencent ha pubblicato WeMM-Video-9B su Hugging Face il 17 novembre 2026 senza alcun annuncio, senza endpoint e senza prezzo. Restano così due rilasci che sono, ciascuno a modo proprio, uno strumento circoscritto — e il confine è la parte interessante.

Una nota sulle fonti prima di ogni altra cosa, perché questo articolo si basa su di esse. I numeri di Hailuo 2.3 provengono dal listino prezzi e dalla documentazione di MiniMax stesso, oltre che da tracker di terze parti al secondo, poiché il modello non dispone di un Elo indipendente. I numeri di WeMM-Video-9B provengono dai manifest del repository, dalla model card e da arXiv 2611.26409. Nulla di quanto qui riportato è stato riprodotto al di fuori dei laboratori che lo hanno pubblicato, e dove un dato è dichiarato dal fornitore il testo lo specifica.

I sei secondi non sono un valore predefinito

Il limite di durata di Hailuo 2.3 è una proprietà appresa tramite addestramento, non un'impostazione. Sei secondi a 1080p. Dieci secondi se si scende a 768p. Non esiste alcun condizionamento sul fotogramma finale, quindi non puoi chiedergli di arrivare a una specifica composizione finale come puoi fare con un modello a keyframe, e non c'è alcuna traccia audio nativa — l'output è silenzioso e qualsiasi suono tu voglia deve essere aggiunto a valle o generato separatamente.

Il prezzo si basa su punti prepagati anziché su una tariffa al secondo pubblicata, il che rende i confronti dei costi più difficili di quanto dovrebbero essere. Sei secondi a 768p sul livello standard equivalgono a un punto; dieci secondi a 768p o sei secondi a 1080p equivalgono a due. La variante Fast si attesta intorno a 0,7 punti per il caso breve e tra 1,1 e 1,3 per quello lungo. I tracker di terze parti che hanno convertito questo valore in dollari lo collocano vicino a 0,08 $ al secondo, ovvero circa 0,48 $ per una clip di sei secondi.

• Durata — Hailuo 2.3: 6 s a 1080p, 10 s a 768p. WeMM-Video-9B: nessuna durata di output, perché non produce alcun video.

• Audio — Hailuo 2.3: nessuno, l'output è silenzioso. WeMM-Video-9B: una torre in stile Whisper da 1,08B che trascrive e ragiona sulla colonna sonora che fornisci.

• Controllo — Hailuo 2.3: nessun condizionamento sul frame finale. WeMM-Video-9B: da 4 a 128 frame configurabili, campionamento predefinito a 2 fps.

Dove Hailuo 2.3 è davvero valido è ciò di cui parlano i suoi utenti: movimento di camera cinematografico, movimento umano e microespressioni, e un look stilizzato, vicino all'animazione, che regge meglio della maggior parte dei modelli sui brief non fotorrealistici. È un punto di forza reale e non è misurabile su una classifica, il che è in parte il motivo per cui il modello non è mai comparso su una.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

Il tabellone non ha una riga per nessuno dei due.

Letto il 20 novembre 2026, tutte e tre le board video di Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1, AA-Video-Editing v1.1 — non restituiscono alcun risultato per Hailuo 2.3. Non una posizione bassa. Nessuna voce.

Quell'assenza ha due cause diverse e vale la pena distinguerle. WeMM-Video-9B non è classificabile: le classifiche valutano i filmati generati in base alla preferenza a coppie, e un modello che produce token non ha nulla da inviare. Hailuo 2.3 potrebbe in linea di principio essere classificato e non lo è stato: output a 1080p che un valutatore potrebbe guardare, nessun invio, nessuna riga di prezzo, nessun conteggio dei campioni.

Quindi l'unica prova di qualità in questo confronto sta dalla parte che non ha un prodotto. Il paper WeMM-Video-9B riporta, in modalità di pensiero sui benchmark audio-visivi congiunti, vittorie su Qwen3-Omni-30B-A3B-Instruct in 35 delle 37 metriche condivise — Video-MME con audio 85,1 contro 77,3, Daily-Omni 83,6 contro 70,7, EvaOmni 50,7 contro 26,1 — e una sconfitta, FutureOmni a 53,7 contro 55,1. Rispetto al proprio backbone Qwen3.5-9B sui video senza audio, guadagna su F-16-NBA e TimeLens e perde su MLVU, LVBench, VideoVista e MVBench. Tutto ciò proviene dall'harness degli stessi autori, dichiarato come tale nel paper.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

La generazione successiva a Hailuo 2.3

Hailuo 2.3 non è il modello attuale di M​iniMax, e fingere il contrario sarebbe un torto a chiunque stia pianificando il budget per questo trimestre. Il successore, M​iniMax H3, è stato rilasciato il 31 luglio 2026 e compare effettivamente nelle classifiche.

• AA-Video-T2V v2.1 — M​iniMax H3 a 768p si posiziona al 3° posto con Elo 1.161 ±13 su 8.386 campioni, in elenco a luglio 2026 a 4,80 $ al minuto.

• AA-Video-I2V v2.1 — 5º con Elo 1.134 ±14 su 6.594 campioni, stesso tasso.

• AA-Video-Editing v1.1 — 6º con Elo 1.126 ±10 su 9.688 campioni, 9,60 $ al minuto.

Il terzo posto nel text-to-video e il quinto nell'image-to-video a 4,80 dollari al minuto rappresentano un discorso diverso dall'offerta non classificata, prezzata a punti e da sei secondi di Hailuo 2.3. Se stai scegliendo un modello M​iniMax anziché confrontarne uno, H3 ha già vinto quella discussione all'interno della stessa gamma del fornitore.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Perché gli otto secondi contano più di quanto sembri

La ricetta WeMM-Video-9B fornita sovrascrive i propri generosi valori predefiniti del processore — 2 fps, minimo 4 frame, massimo 128, un budget di 100.663.296 pixel — riducendoli a 2 fps e 16 frame a 262.144 pixel, campionati intorno al punto mediano della clip. Sedici frame a due al secondo equivalgono a otto secondi di copertura, e la copertura inizia a metà.

Accostando questo ai sei secondi di Hailuo 2.3, qualcosa diventa più chiaro. In un certo senso, Hailuo 2.3 produce meno filmato di quanto WeMM-Video-9B possa esaminare: una clip Hailuo da sei secondi entra nella finestra del descrittore con spazio in abbondanza. Ma la modalità a 768p da dieci secondi non ci entra, e nemmeno qualsiasi cosa si generi con un altro modello e poi si passi a WeMM-Video-9B per la revisione. Il lato video della pipeline si ferma intorno agli otto secondi, mentre il lato audio può contenere circa tredici minuti a dieci token al secondo, e ogni comando di serving nel repository passa una lunghezza di contesto di 8.192 token che rende tale asimmetria il vincolo determinante.

• Se stai generando — Hailuo 2.3 ti offre sei secondi, senza audio, con un forte movimento di camera e dettagli umani.

• Se stai esaminando — WeMM-Video-9B ti offre otto secondi di fotogrammi campionati più la traccia audio completa, con descrizione in inglese o cinese.

• La giunzione — una generazione silenziosa di sei secondi è all'interno di entrambe le finestre, che è l'unica configurazione in cui questo abbinamento è pulito.

Il failover è la parte che non è teorica

Nessuno dei due modelli viene erogato tramite OrcaRouter, e questo è dichiarato qui anziché nascosto. Hailuo 2.3 è raggiungibile tramite la piattaforma proprietaria di MiniMax e diverse piattaforme di terze parti; WeMM-Video-9B è raggiungibile scaricando 19,54 GiB di pesi Apache-2.0.

Ciò che conta per una pipeline che combina un generatore e un descrittore è cosa succede quando uno dei due rami cade. Il failover di OrcaRouter aggira un modello soggetto a limiti di frequenza o che restituisce errori senza che il chiamante debba riscrivere il proprio client, e il routing DSL consente di esprimerlo come policy anziché come una pila di logica di retry. Per un carico di lavoro in cui la fase di descrizione è un checkpoint locale e la fase di generazione è un'API ospitata, la metà ospitata è quella che va giù — e il fatto che passi a un modello comparabile invece di far fallire il job vale più di una differenza di prezzo marginale.

Sei secondi o bastano o non bastano

Se il risultato da consegnare sono sei secondi di 1080p muto e dal piglio cinematografico sicuro, Hailuo 2.3 lo fa, e l’unica vera domanda è se il prezzo in punti batte le alternative al secondo per il volume che ti serve. Controlla il livello da dieci secondi a 768p prima di standardizzare su quello breve; raddoppia il costo in punti, non la tariffa al secondo.

Se il risultato da consegnare è un resoconto scritto del filmato, WeMM-Video-9B lo fa con i numeri audiovisivi più forti della famiglia e senza alcuna conferma indipendente di nessuno di essi. Metti in conto un'installazione con patch di vLLM o SGLang e il fatto che sarai la prima persona fuori da T​encent a metterlo alla prova sul campo.

Nessuno dei due è una piattaforma video generalista. Sono due strumenti ristretti, con un limite di otto secondi e uno di sei secondi, e scegliere tra loro è una questione di quale limite puoi permetterti di raggiungere.