
WeMM-Video-9B vs HiDream-O1-Video-1.0: Due colli di bottiglia
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 118 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
Il confronto che segue non riguarda quindi le capacità. Riguarda quale vincolo si possa aggirare in fase di progettazione, e la risposta finisce per dipendere dal fatto che preferiate pagare per un tetto documentato o ospitarne uno non documentato.
Quello che dice il paper e quello che accetta l'API
HiDream-O1-Video-1.0 è stato rilasciato il 28 agosto 2026 e il 10 settembre è entrato nella classifica image-to-video. L'annuncio del fornitore è ampio: input testuali, immagini e video, output da cinque a venti secondi in 1080p, audio sincronizzato in modo nativo, durata pianificata a livello narrativo, vincoli fisici.
L'API HiHarness non è ampia. Accetta una sola immagine di riferimento — un URL o Base64, non più grande di 20 MB e non più piccola di 40 KB — più un prompt testuale opzionale, più un booleano force_10s. Non c'è un selettore di risoluzione. Non c'è un campo per un video di riferimento. Non c'è un controllo audio. Se vuoi cinque secondi ne ottieni dieci; se ne vuoi venti ne ottieni dieci. Il divario tra il paper e l'endpoint è il fatto più concreto su questo modello e quello più suscettibile di cambiare la tua architettura.
• Input — HiDream-O1-Video-1.0: un'immagine di riferimento più un prompt facoltativo. WeMM-Video-9B: video, audio, immagini e testo, fino a quattro immagini, due video e due clip audio per richiesta.
• Output — HiDream-O1-Video-1.0: video 1080p con audio sincronizzato, dieci secondi in pratica. WeMM-Video-9B: testo in inglese o cinese.
• Vincolo — HiDream-O1-Video-1.0: la superficie API. WeMM-Video-9B: la ricetta di campionamento distribuita, 16 frame a 2 fps.

Una riga della scacchiera, una cella vuota
HiDream-O1-Video-1.0 ha esattamente una misurazione indipendente, ed è una buona con cui discutere.
• AA-Video-I2V v2.1 — 14° con Elo 1.101 ±14 su 6.976 campioni, rilascio di agosto 2026, 5,80 $ al minuto. È un intervallo ristretto su un campione ampio, e si colloca tra Wan 3.0 a 1.109 e Agnes-Video-2.5 a 1.105 — una fascia affollata in cui quattordici punti sono un solo intervallo.
• Assente da AA-Video-T2V v2.1 e AA-Video-Editing v1.1. L'assenza del text-to-video è quella interessante, perché l'annuncio dello stesso fornitore apre con l'input testuale. Un modello senza riga text-to-video e senza campo video di riferimento ha una storia text-to-video che esiste solo nella prosa.
• WeMM-Video-9B — nessuna riga su nessuna delle tre classifiche, per la ragione strutturale: tutte e tre classificano filmati generati, e questo modello non ne genera alcuno. Una cella vuota, non un punteggio basso.
A 5,80 $ al minuto, HiDream-O1-Video-1.0 è una delle opzioni più economiche nella classifica image-to-video. Solo Pika H3 Flex a 2,10 $, HeyGen Video 1 a 2,40 $, Agnes-Video-2.5 a 2,40 $, Vidu Q4 Preview a 5,04 $ e P-Video-2-Pro a 5,70 $ costano meno tra i modelli in classifica, e supera diversi modelli con prezzi tre o quattro volte superiori.

Diciannove gigabyte e mezzo di dettaglio
Dove WeMM-Video-9B è generoso è in ciò che racconta di sé. La scheda su Hugging Face elenca 10.488.603.384 parametri su 1.305 tensori — un backbone linguistico da 7,94B che include un embedding di token da 1,02B, una testa di output non legata da 1,02B, una torre audio da 1,08B di 32 layer in stile Whisper con larghezza 1.280 dietro un Q-Former a due layer a dieci token audio al secondo, e una torre visiva da 0,46B di 27 blocchi con dimensione nascosta 1.152, patch size 16 e una fusione spaziale 2×2.
Quella precisione è una forma di onestà che il lato HiDream non offre: Black Forest Labs e HiDream rifiutano entrambi di pubblicare il numero di parametri, e nessuno dei due è obbligato a farlo. Ma crea anche una trappola, perché un’architettura dettagliata induce a supporre che la configurazione distribuita vi corrisponda. Non è così.
• Impostazioni predefinite del processore — 2 fps, minimo 4 frame, massimo 128 frame, 100.663.296 pixel totali.
• Ricetta vLLM rilasciata — 2 fps, 16 fotogrammi, 262.144 pixel, campionati attorno al punto medio della clip.
• Contesto — 8.192 token su ogni comando di serving, contro 262.144 position embedding nell'architettura.
Sedici fotogrammi a due al secondo equivalgono a otto secondi di copertura, e il campionamento inizia nel mezzo. Una clip di sessanta secondi perde i suoi primi e ultimi ventisei secondi. L'architettura consentirebbe molto di più; la ricetta no, ed è la ricetta ciò che viene distribuito.

Dieci secondi contro otto
Metti i due tappi uno accanto all'altro e appare la forma della decisione. HiDream-O1-Video-1.0 ti offre dieci secondi di video 1080p completo con audio sincronizzato, qualunque cosa tu chieda. WeMM-Video-9B analizza otto secondi di filmato che hai già, indipendentemente da quanto sia lungo.
Entrambi i numeri sono arbitrari. I dieci secondi di HiDream sono una decisione di prodotto incarnata in un booleano; gli otto di WeMM-Video-9B sono un valore predefinito in un file di ricetta. Nessuno dei due è una legge della fisica. Ma solo uno dei due proviene da un fornitore che ti dirà cosa succede al confine, e non è quello distribuito come checkpoint.
Se generi una clip di dieci secondi con HiDream-O1-Video-1.0 e poi chiedi a WeMM-Video-9B cosa è successo al suo interno, il descrittore campiona otto di quei dieci secondi dal centro. Due secondi — il primo e l'ultimo — non arrivano mai al modello. È un problema di coordinamento che si risolve con una modifica alla configurazione, ed è esattamente il tipo di problema di coordinamento che questa coppia crea e che nessuno dei due fornitori documenta.
Fusione di modelli, e dove merita la frase
Nessuno dei due modelli è ospitato su OrcaRouter. HiDream-O1-Video-1.0 è raggiungibile tramite la piattaforma propria di HiDream e diverse piattaforme di terze parti; WeMM-Video-9B è raggiungibile scaricandolo.
Il motivo per cui un confronto come questo finisce in una conversazione sull'orchestrazione è che le due metà falliscono in modi diversi. La metà ospitata fallisce in modo rumoroso — un limite di frequenza, un timeout, un codice di errore — ed è a questo che serve il failover automatico. La metà self-hosted fallisce in silenzio: restituisce una descrizione sicura di otto secondi di filmato e non dice nulla sui ventisei secondi che non ha mai visto. La fusione di modelli è lo strumento più interessante in questo caso, perché un secondo modello che legge lo stesso clip con una diversa politica di campionamento sarà in disaccordo ai confini, e il disaccordo è l'unico segnale che hai che la finestra era troppo piccola.
Per la parte ospitata, il prezzo di listino del provider viene trasferito con un ricarico dello 0%, il che conta più del solito a 5,80 $ al minuto: una variazione di prezzo del fornitore su un modello economico è un'oscillazione percentuale maggiore rispetto a un modello costoso, e monitorare la tariffa pubblicata invece di una copia in cache mantiene affidabile la previsione per un lotto di cento clip.
In quale vincolo puoi vivere
Scegli HiDream-O1-Video-1.0 se il lavoro richiede un'immagine di riferimento e dieci secondi. Ottieni un endpoint documentato, audio sincronizzato, una tariffa di $5,80 e una posizione in classifica al 14° posto su image-to-video. Rinunci a text-to-video, al controllo della risoluzione e a qualsiasi durata diversa da dieci secondi.
Scegli WeMM-Video-9B se il compito è descrivere filmati. Ottieni un descrittore omni-modale da 9B con solidi valori audio-visivi dichiarati, una licenza Apache-2.0 e un conteggio dei parametri che puoi verificare. Rinunci a un contratto di servizio, a una verifica indipendente e a qualsiasi garanzia che la finestra di otto secondi sia sufficientemente ampia per i clip che hai davvero.
Quello che non dovresti fare è confrontare i due sulla qualità. Nessuno dei due è stato valutato con lo stesso strumento, e uno di essi non può esserlo. Il confronto che conviene è tra due strozzature — un booleano e un file di ricetta — e su quale dei due puoi costruire senza mentire a te stesso riguardo a ciò che vede.
