La card del titolo hero recita 'WeMM-Video-9B vs Wan 3.0', con il sottotitolo 'Uno vende i secondi. L'altro li rilegge.', tre chip statistiche che riportano 10,49 miliardi di pesi aperti, visualizzazione di 8 s per impostazione predefinita e limite massimo di clip di 30 s, e un footer che indica che i dati di WeMM-Video-9B provengono dal repository di Tencent e da arXiv 2611.26409, mentre i dati di Wan 3.0 provengono da Alibaba e Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0: secondi venduti, secondi guardati

Autore

Alistair Wren

Data di pubblicazione

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

Wan 3.0 vende secondi di video. WeMM-Video-9B li rilegge. Questo è l'intero confronto, ed è il motivo per cui una disputa sulle specifiche, dimensione per dimensione, tra questi due sarebbe quasi priva di senso: uno è un modello generativo che restituisce un MP4, l'altro è un modello di comprensione omnimodale che restituisce una frase. Non sono rivali. Sono le due metà di un'unica pipeline — produrre una clip, poi verificarla — e la domanda interessante non è quale vinca, ma dove ciascuno smetta di essere utilizzabile.

Solo uno dei due è una notizia. Tencent ha caricato WeMM-Video-9B e diciotto repository gemelli in una finestra di cinque minuti a partire dalle 08:53:50 UTC del 17 novembre 2026, ha pubblicato il rapporto tecnico come arXiv 2611.26409 il 19 novembre e non ne ha annunciato nulla: nessun post sul blog, nessuna pagina di lancio, nessun livello a pagamento. Al momento in cui scriviamo, il repository 9B mostra zero download, la raccolta mostra una manciata di like e nessun provider di inferenza offre il modello. Wan 3.0 è esattamente il caso opposto — Alibaba lo ha messo in beta pubblica il 6 agosto 2026 e lo ha lanciato ufficialmente il 24 agosto, ottantotto giorni prima di questo articolo, e attualmente si trova in cima a due classifiche indipendenti. Tutto ciò che segue su Wan 3.0 riguarda un prodotto lanciato, con un prezzo e valutato in modo indipendente. Tutto ciò che riguarda WeMM-Video-9B proviene dal suo repository o dal PDF degli autori, e quelli sono gli unici due luoghi in cui esiste un qualsiasi numero al riguardo.

Che cosa restituisce effettivamente ciascuno

Vale la pena mettere a confronto le righe di specifica proprio perché descrivono compiti diversi.

• Output — WeMM-Video-9B restituisce testo, in cinese o inglese. Wan 3.0 restituisce una clip generata fino a 30 secondi con audio nativo.

• Input — il 9B riceve fotogrammi video con la relativa colonna sonora originale, video muti, audio separati, immagini e testo, e può ragionare su tutti contemporaneamente. Wan 3.0 accetta prompt testuali, immagini, video e audio e, unico della sua famiglia, documenti: doc, xls, ppt, pdf, md, txt, fino a 100 MB o 50 pagine per file, convertiti direttamente in un video.

• Pesi — WeMM-Video-9B distribuisce pesi Apache 2.0 su Hugging Face in BF16 oltre a quattro build quantizzate (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 non ha pesi pubblicati; è un'API chiusa a consumo.

• Prezzo — il 9B non ha un prezzo per l'hosting, perché nessuno lo ospita; il tuo costo è una GPU, un runtime con patch e il tuo tempo. Wan 3.0 addebita al secondo di output: 0,3, 0,6 e 1,2 yuan al secondo a 480p, 720p e 1080p — all'incirca $0,05, $0,10 e $0,20 — che Artificial Analysis normalizza a $12,00 al minuto nelle sue classifiche.

• Punteggi indipendenti — nessuno per WeMM-Video-9B. Artificial Analysis non elenca alcun modello WeMM in nessuna classifica. Wan 3.0 è primo nella classifica text-to-video di Artificial Analysis con Elo 1.176 (intervallo di confidenza al 95% 1.163–1.189, 8.243 campioni) e primo nella sua classifica di video-editing con 1.197 (1.187–1.207, 9.919 campioni), e dodicesimo in image-to-video con 1.109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

Il divario di prezzo non è un divario di prezzo

Dodici dollari al minuto è il numero che la gente citerà, ed è il numero sbagliato da confrontare con qualsiasi cosa riguardi il 9B, perché le due tariffe misurano quantità diverse. Wan 3.0 fa pagare la durata prodotta. WeMM-Video-9B non ha alcun costo per unità — si paga nell'hardware che possiedi già, e il modo onesto di prezzarlo è calcolare quanta parte di una scheda occupa e quanti clip puoi far passare all'ora.

La cifra di occupazione è ricavabile dal repository. Il checkpoint BF16 è di 19,54 GiB di file di pesi e 10.488.603.384 parametri su 1.305 tensori — 10,49 miliardi, non nove, perché il "9B" nel nome si riferisce alla backbone linguistica Qwen3.5-9B e non all'intero stack. La build AWQ W4A16 arriva a 12,86 GiB. Si tratta di un taglio del 34% anziché del 75% implicato da una ricetta a quattro bit, e il motivo è visibile nei manifest dell'exporter: solo le matrici dense feed-forward sono compresse, mentre la torre visiva, l'encoder audio basato su Whisper, l'embedding, l'output head e ogni peso di attenzione mantengono la precisione originale. Circa 5,7 miliardi di parametri restano a due byte ciascuno, il che fissa un limite minimo sotto il quale nessuna ricetta a quattro bit può scendere. Chi dimensiona un deployment in base al nome sarà fuori di circa 1,5 GiB e di un livello di precisione.

Quindi il confronto dei costi che conta davvero non è dollari contro dollari. È: una chiamata API a 0,20 $ al secondo di girato finito, contro un modello residente da 13 a 20 GiB, uno stack di serving patchato e qualunque sia il costo della vostra GPU-ora. Per un team che esegue già inferenza, il secondo può essere più economico. Per un team che vuole una clip entro venerdì, il primo è l'unico che esiste.

Dove si colloca il 9B rispetto a un 30B

L'unico punto in cui WeMM-Video-9B presenta numeri concreti è la valutazione degli autori, e l'affermazione di punta nel paper riguarda il suo fratello maggiore — ovvero che il modello 35B-A3B stabilisce un nuovo stato dell'arte open-source sul video omni-modale e si avvicina a Gemini-3.0-Flash. Il 9B riceve un'affermazione più sobria: supera Qwen3-Omni-30B-A3B-Instruct, un modello circa tre volte più grande. In modalità Thinking, sulla tabella congiunta audio-visiva, ci riesce.

• Video-MME con audio — 85,1 per il 9B, 77,3 per Qwen3-Omni-30B-A3B-Instruct, 69,2 per MiniCPM-o-4.5-9B.

• Video-MME-v2 con audio — 51,6 contro 36,3, un divario di 15,3 punti.

• Righe a tema ragionamento — SciVideoBench 64,2 contro 49,9, MMOU 71,7 contro 60,5, EvaOmni 50,7 contro 26,1, OmniReasoningBench 43,9 contro 24,1.

• Dove perde — FutureOmni 53.7 contro 55.1, e JointAVBench è in parità a 64.6.

Il confronto più interessante è interno, ed è quello che nessuno che cita l'articolo menziona. Mettendo a confronto il 9B con il flagship 35B-A3B sulle stesse 17 righe, il divario è piccolo: 85,1 contro 86,4 su Video-MME con audio, 51,6 contro 54,9 su Video-MME-v2, 71,7 contro 74,5 su MMOU. Su una riga il modello più piccolo vince nettamente — SVHalluc 86,8 contro 80,3. Un modello che porta una frazione dei parametri attivi del flagship è entro 1,3 punti sul benchmark principale. Questo è l'argomento più forte nel repository specificamente a favore del 9B, ed è un argomento sul costo di deployment, non sulla capacità.

Il 9B non è nemmeno un miglioramento uniforme rispetto al backbone che eredita. Confrontandolo con il semplice Qwen3.5-9B sulla tabella dei video silenziosi, emerge un modello ottimizzato per quando e dove è accaduto qualcosa, a un prezzo misurabile altrove: F-16-NBA 88,7 contro 75,8, TimeLens-QVHighlights 66,8 contro 64,3, TOMATO 48,5 contro 45,0 — ma MLVU 82,4 contro 84,4, LVBench 68,2 contro 70,0, VSI-Bench 54,5 contro 58,3, MVBench 71,4 contro 74,4. Se il tuo compito è la sintesi di video lunghi, l'apparato audio-visivo ti è costato qualcosa che il backbone faceva già meglio.

Otto secondi di copertura, per impostazione predefinita

È qui che i due modelli diventano direttamente comparabili, perché si tratta di un limite sulla durata — e i numeri non sono affatto vicini.

Wan 3.0 genera fino a 30 secondi in una singola esecuzione, il doppio del limite di 15 secondi di Wan 2.7, con uno strumento di estensione video per concatenare narrazioni più lunghe. WeMM-Video-9B, così come distribuito, ne esamina otto.

Il divario non è nel checkpoint. Il 9B dichiara 262.144 position embeddings nella sua configurazione di testo, che è un budget molto ampio. È nelle ricette. Il processore usa per impostazione predefinita 2 fps con un minimo di quattro frame, un massimo di 128 frame e 100.663.296 pixel totali, e il comando vLLM pubblicato da Tencent sovrascrive tutti e quattro a 2 fps, 16 frame e 262.144 pixel. A 2 fps, sedici frame corrispondono a otto secondi di copertura presi dal centro di una clip. Ogni comando di serving nel repository passa anche --max-model-len 8192 o --context-length 8192, e nulla nel repository spiega come raggiungere il valore dichiarato più grande.

• Budget dei frame — impostazione predefinita fornita: 16 frame a 2 fps, ovvero circa 8 secondi, rispetto alla generazione singola da 30 secondi di Wan 3.0.

• Costo audio — lo stack audio emette 10 token al secondo, quindi un budget di 8.192 token equivale a circa tredici minuti di audio e nient'altro; una clip con una traccia sonora utilizza quello stesso budget per frame e audio insieme.

• Media per richiesta — quattro immagini, due video e due elementi audio, secondo i limiti previsti in entrambe le ricette vLLM e SGLang.

Nessuno al di fuori di WeChat Vision ha pubblicato quale campionamento abbiano usato le esecuzioni del benchmark. Se stai riproducendo un numero dalla tabella sopra, è il primo elemento sconosciuto da chiarire, e l'impostazione predefinita di 16 frame fornita è il punto di partenza sbagliato. Ma il limite massimo è reale: per qualsiasi contenuto più lungo di una ripresa, il 9B è un verificatore a campione, non un revisore, a meno che tu non aumenti il limite di frame e non lo paghi in termini di contesto.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Il numero che nessuno ha ancora misurato

Tre fatti si frappongono tra questo modello e qualsiasi raccomandazione sicura, e vale la pena enunciarli senza giri di parole anziché nasconderli.

Il primo è che ogni punteggio sopra riportato proviene dal fornitore. Non esiste alcuna valutazione indipendente di WeMM-Video-9B da nessuna parte — nessun Elo di arena, nessuna riproduzione di terze parti, nessuna voce in classifica. Le tabelle provengono dagli stessi autori che hanno addestrato il modello, su oltre 120 benchmark scelti da loro, e diversi di questi benchmark utilizzano giudici diversi: la valutazione del paper si basa su GPT-6.1-Sol, GPT-4o e Qwen3-235B-A22B a seconda del compito. I confronti tra modelli all'interno del paper sono quindi confronti di numeri prodotti sotto valutatori diversi, un'avvertenza che il paper dichiara e che chiunque citi la tabella tende a omettere.

Il secondo è una divisione di modalità che rende due righe non confrontabili. La tabella video omni-modale esegue i modelli WeMM in modalità Thinking; la tabella audio li esegue in modalità Instruct, secondo il giudizio degli autori che i benchmark audio standard siano compiti percettivi diretti. Ciò è difendibile, e significa anche che una riga WeMM in una tabella non può essere allineata a una riga di un concorrente nell'altra.

Il terzo è la distribuzione. Zero download non è una prova della qualità in un senso o nell'altro, ma significa che non esiste una mole di resoconti da parte di professionisti — nessuna modalità di errore, nessun «allucina sui video musicali», nessuna discussione di persone che scoprono il limite di frame a proprie spese. Wan 3.0 ha avuto ottantotto giorni di questo, più integrazioni al lancio in ComfyUI, Leonardo.Ai ed Envato. Alla domanda «cosa va davvero storto in produzione», uno di questi modelli ha una risposta e l'altro ha un repository.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Oggi eseguo la coppia

Se li vuoi entrambi, vengono installati in modi completamente diversi e nessuno dei due si trova su una piattaforma di routing.

Wan 3.0 è una chiamata API a consumo. È raggiungibile tramite le console di Alibaba e tramite strumenti creativi di terze parti; viene fatturata al secondo a 0,3, 0,6 e 1,2 yuan per 480p, 720p e 1080p, e l'unica vera domanda di approvvigionamento è quale risoluzione serva alla tua fase di revisione, perché è quello il moltiplicatore.

WeMM-Video-9B è un job self-host. Servono Python 3.12, una GPU NVIDIA su driver CUDA 12.9, FFmpeg e le librerie condivise TorchCodec, poi la patch runtime del repository: vLLM 0.18.0 con patch, oppure 0.31.0 per BF16, oppure SGLang 0.5.16 o 0.5.19 con patch, vincolati all'esatta combinazione di PyTorch, Transformers e CUDA indicata dal manifest della patch per la versione del tuo motore. Il caricamento richiede inoltre trust_remote_code, perché il modello include codice personalizzato di modellazione e del processore. Tencent ha verificato che la vLLM con patch carica il checkpoint e completa i controlli di generazione di testo, immagini, audio e video con colonna sonora su un H20, il che è una validazione di caricamento ed esecuzione, non una dichiarazione di accuratezza. Il percorso GGUF richiede il runtime nativo compilato dai sorgenti.

OrcaRouter non serve WeMM-Video-9B, e il suo catalogo non elenca alcun checkpoint WeMM, quindi non c'è alcun prezzo per la versione ospitata da citare e nessun endpoint da chiamare. Ciò che la piattaforma offre è la metà visiva dello stesso lavoro — Qwen3-VL-8B-Thinking e Qwen3-VL-235B-A22B-Thinking accettano entrambi immagini e fotogrammi video — dietro un'unica chiave compatibile con OpenAI insieme a oltre 200 altri modelli, fatturati al prezzo di listino del fornitore, trasferito con 0% di ricarico. Nessuno dei due sente nulla, quindi nessuno dei due sostituisce la metà audiovisiva. Se il piano è provare un 9B self-hosted senza metterci un percorso di produzione, instradarlo dietro una regola di failover è il modo economico per scoprire se il runtime patchato regge ai tuoi livelli di concorrenza prima di dedicargli una scheda.

L'abbinamento in sé è un flusso di lavoro, non un benchmark. Genera con Wan 3.0, poi passa la clip a un modello che restituisce una descrizione invece dei pixel: la scena corrisponde al prompt, il parlato è intelligibile, l'audio cade sull'azione. Qui nulla misura se WeMM-Video-9B è bravo in quel compito rispetto specificamente agli output di Wan 3.0 — nessuno l'ha provato. Il budget di frame di otto secondi è il vincolo da testare per primo, perché se le tue clip durano trenta secondi, chi le rivede ne guarda un quarto di ciascuna.

Cosa cambierebbe la risposta

Tre elementi databili, in ordine di quanto sposterebbero la raccomandazione.

Un punteggio indipendente per WeMM-Video-9B. Una singola voce di Artificial Analysis, o un risultato di un'arena da una parte che non ha lo stesso datore di lavoro degli autori, trasformerebbe la tabella qui sopra da un'affermazione in una misurazione. Fino ad allora, la lettura onesta è che un checkpoint da 10,49B con un backbone da 9B ottiene un punteggio vicino a quello del proprio flagship 35B-A3B sui benchmark di Tencent, e questo è tutto ciò che si può dire.

Un endpoint ospitato. Il modello richiede un runtime con patch, codice personalizzato e un footprint residente da 13 a 20 GiB; il giorno in cui un fornitore lo offrirà dietro un'API, il confronto dei prezzi in questo articolo smetterà di essere un errore di categoria e diventerà aritmetica.

Una ricetta che usa il contesto dichiarato. Il checkpoint dichiara già 262.144 posizioni. Se Tencent rilascia un profilo di serving che alza il limite dei frame e lo sfrutta davvero, il valore predefinito di otto secondi diventa un dettaglio di configurazione anziché un tetto — e il 9B smette di essere un verificatore a campione per le riprese brevi.

Per ora la distinzione è netta. Scegli Wan 3.0 quando ti servono filmati; è già lanciato, ha un prezzo, è in cima a due classifiche indipendenti ed è l'unico dei due che puoi chiamare questo pomeriggio. Scegli WeMM-Video-9B quando ti serve un modello che sente la colonna sonora oltre a vedere i fotogrammi, hai una scheda in più e sei disposto a essere la prima persona a scoprire se la ricetta da otto secondi è un'impostazione predefinita o un limite. I due non competono per la stessa decisione.

Confrontati in questo articolo2

Rilevato da questo articolo · Benchmark: Artificial Analysis · aggiornato ogni giorno