ヒーロータイトルカードには「WeMM-Video-2B vs Seedance 2.5 Flash」と表示され、サブタイトルは「誰も値付けしないQCゲート」。左右に連結された2枚のカードがあり、左は「Seedance 2.5 Flash」というタイトルで、480pで毎秒0.07ドルと表示され、「生成」とラベル付けされている。右は「WeMM-Video-2B」というタイトルで、6.12 GiB、Apache 2.0と表示され、「判定」とラベル付けされている。
Engineering & Research

WeMM-Video-2B 対 Seedance 2.5 Flash:誰も値付けしないQCゲート

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

7セントで1秒分のSeedance 2.5 Flashが480pで、720pなら15セント——2026年11月13日にByteDanceがBytePlusを通じて公開した料金表による。返ってきたクリップが使えるかどうかを判断するのにいくらかかるかを公表している者はいない。WeMM-Video-2B——Tencentの32.8億パラメータのオムニモーダルチェックポイントで、2026年11月17日に告知なしでアップロードされ、11月20日時点でダウンロード数はゼロ——は、このファミリーで、生成器ではなくゲートとして実行できるほど小さい、初のオープンライセンスモデルである。合わせて見ると、これらは、高価な部分には価格が付き、二度払ったかどうかを決める部分には付かないパイプラインを描き出している。

それが議論のすべてであり、どちらのモデルへの製品売り込みでもない。Seedance 2.5 Flash は料金表はあるが能力表のない動画生成モデルだ。WeMM-Video-2B はリポジトリはあるが独立評価のない動画理解モデルだ。どちらも、こちらから案内できるホスト型エンドポイント上にはない。以下では、それぞれが実際に何であるのか、このカテゴリーを支配している秒単価という枠組みがなぜ不完全なのか、そしてループ内のゲートが組み込む価値を持つ前にどのような形である必要があるのかを述べる。

1秒7セントでは賄えないもの

まず算術から始めましょう。この比較で確定しているのはそこだけだからです。Seedance 2.5 Flash は、入力動画なしの場合、480p で 1 秒あたり $0.07、720p で $0.15 を課金し、Seedance 2.5 では $0.103 と $0.231 です — どちらの価格帯でもおよそ 3 分の 2 の価格で、1 ユニットあたり $7.00 のトークン料金から算出され、親モデルは $10.70 です。5 秒のクリップは 480p で $0.34。それが 1,000 本なら $340 です。

その数字は正しいし、モデルについて最も興味深い点でもまったくない。なぜなら、それは生成1回の値付けであって、意思決定の値付けではないからだ。動画ティアを運用するスタジオは、最終的に必ず気づく——請求額は生成したクリップの数ではなく、出荷できる1本を得るために生成した数だということを。Flashが使えるテイクを決めるまでに4回かかるなら、その実質コストは採用された1秒あたり28セントで、公表されている見出し価格をまったく上回らない。親モデルが2回で決まるなら、1回あたりのコストが47%高くても、採用された1秒あたりでは親モデルのほうが安い。どちらが本当かはレートカードでは分からない。測定だけが分かる。

その測定こそが理解モデルの目的であり——ここでこの比較は、対等な「vs」ではなくなり、隣り合う二つの仕事の記述へと変わる。

一方が生成し、もう一方が判断する。どちらも両方を兼ねることはない。

Generated two-column scoreboard titled 'WeMM-Video-2B vs Seedance 2.5 Flash - the scoreboard' with six labelled rows: what goes in, what comes out, resolution, duration, weights and independent evaluation. WeMM-Video-2B reads text out only, Apache 2.0 with four quantised builds, 10 frames per 5 seconds at 2 fps. Seedance 2.5 Flash reads 480p and 720p with no 1080p, a closed endpoint, 5 seconds in the worked example. A footer reads neither is independently evaluated.

Seedance 2.5 Flash はプロンプト、任意の最初のフレーム、参照アセットを受け取り、動画を返します。WeMM-Video-2B は動画フレームと元のサウンドトラックを受け取り、テキストを返します。能力に重なりはなく、一方を他方の代わりにすることもできません。生成側のモデル識別子はdreamina-seedance-2-5-flash-261115、そこに含まれる日付スタンプ — 2026年11月15日 — は BytePlus が告知した API 提供期間であり、モデルが流通パートナー上に登場してから2日後のことです。

• 入力内容 — Flash にはプロンプトと参照画像、WeMM-Video-2B にはリクエストごとに最大4枚の画像、2本の動画、2つの音声項目。

• 出力されるもの — Flash 向けの音声同期済み mp4 動画、WeMM-Video-2B の場合は中国語または英語でのテキスト応答。

• 解像度 — Flashでは480pと720pのみで、1080pの階層はまったくありません。動画出力のないWeMM-Video-2Bには該当しません。

• 長さ — 5秒は料金表に記載の計算例です。WeMM-Video-2B は 2 fps でサンプリングし、下限が 4 フレーム、上限が 128 フレームなので、5 秒のクリップは既定で 10 フレームになります。

• 重み — Flash はクローズドなエンドポイントで、ダウンロードできるものはありません。WeMM-Video-2B は Apache 2.0 でダウンロード可能ですが、GPU はご自身で用意する必要があります。

• 独立評価 — どちらについてもなし。11月20日時点で確認できたサードパーティのリーダーボードには Seedance 2.5 Flash の項目はなく、WeMM-Video 論文の主要結果は 35B-A3B と 9B のもので、2B のものではない。

そのリストを二度読めば、全体像が見えてくる。これは2つの動画モデルのどちらを選ぶかという話ではない。生成に対価を払うか、判断に対価を払うかという選択であり、ほとんどのチームはすでに前者には支払っているが、後者のコストを見積もっていない。

テンセントが実際に構築したもの

2B は 4 サイズ構成のファミリーの中でコンパクトなモデルである。そのファミリーは 2B、4B、9B の dense モデルと 35B-A3B の mixture of experts からなり、11 月 17 日 08:53 から 08:59 UTC にかけて 17 個の Hugging Face リポジトリとしてまとめて公開され、arXiv 論文は 11 月 19 日に続き、リポジトリの README は 20 日の朝にもまだ編集されていた。ライセンスは Apache 2.0 で、アーキテクチャは単一の `WeMMVideoForConditionalGeneration` ラッパー下にある 3 塔スタックである。すなわち、1,024 隠れ次元・16 ピクセルパッチの 24 ブロック視覚エンコーダ、1,280 幅・128 メルビンの 32 層 Whisper 音声エンコーダ、そして 2,048 隠れ次元・8 アテンションヘッド・2 キー値ヘッドの 24 層テキストモデルを備え、248,320 トークン語彙と 262,144 位置の最大長を持つ。

デモではなくゲートとして実用できるかどうかを決める細部:

• 重みサイズ — 2つのシャードにまたがるBF16 safetensorsで6.12 GiB、インデックス内は6,567,256,208バイト。エンコーダーを含めて数えると約32.8億パラメータです。名称は言語モデルのみを数えています。

• 2つのモードを1つのチェックポイントで — `enable_thinking=False` は直接回答を返し、`enable_thinking=True` は推論トレースを返します。これは2つ目のモデルをダウンロードするのではなく、チャットテンプレートのフラグによって選択されます。

• サービング — パッチ適用済みの vLLM 0.18.0 または 0.31.0、パッチ適用済みの SGLang 0.5.16 または 0.5.19、CUDA 12.9 イメージ、および GGUF ビルド向けのネイティブランタイムパス。Tencent 自身の検証主張では、パッチ適用済み vLLM は「L20 と H20 でチェックポイントをロードし、テキスト、画像、音声、およびサウンドトラック付き動画の生成チェックを完了した」とされている。

• 量子化 — FP8 Block128、AWQ W4A16、GGUF Q4_K_M、NVFP4 W4A16、それぞれが専用のリポジトリに格納されています。4ビットビルドの2Bモデルは、ジェネレーターを呼び出すクライアントと同じマシン上に置けるほど小さいです。

• 入力制限 — 1リクエストあたり画像4枚、動画2本、音声2件まで、8,192トークンのコンテキスト内で。これはサービングレシピによって推奨されるのではなく、強制される。

欠けているものも同じくらい重要だ。このリリースのどこにも、2B 固有の精度数値はない——Qwen3.5-Omni-Flash と Seed2.0-Mini-0428 を上回るというファミリーの主張は 35B-A3B のものであり、Qwen3-Omni-30B-A3B-Instruct を超えるという主張は 9B のものである。このファミリーを記事にする価値があるものにしている視聴覚推論を、コンパクトモデルが保持しているかどうかは、公には検証されていない。11月20日時点でリポジトリのダウンロード数がゼロ、いいねが2件というのは、外部からの精査をどれだけ受けてきたかの妥当な目安である。

ByteDanceが公開していない能力一覧

Screenshot of ByteDance's BytePlus ModelArk documentation for Seedance 2.5 Flash, showing the model identifier dreamina-seedance-2-5-flash-261115 and the API availability window of 14:00 UTC plus 8 on 15 November 2026, with no duration, reference-budget or audio row on the page.

Flashは逆の問題を抱えている。その価格はセント単位まで文書化されている一方、その能力はまったく文書化されていない。BytePlusは料金表、モデル識別子、解像度の上限を公開した。しかし11月20日に当社が読み込むことのできたどのページにも、最大時間、参照バジェット、音声が同じパスで生成されるかどうか、Seedance 2.5を特徴づける編集モードと拡張モードが引き継がれるかどうか、あるいはmov出力形式が利用可能かどうかは公開されていない。

親モデルはそれらすべてに対応している——4〜30秒、50個の参照アセットを30画像・10動画・10音声に分割、音声と映像の同時生成、11言語、24 fpsのmp4とmov。Flashについては、そのどれも明記されていない。それは最悪を想定する理由ではなく、何も想定しないための理由だ。30秒と50個の参照を維持しつつ価格が3分の2のティアは、720pだけを維持して他に何もないティアとは別の製品であり、その違いこそQCゲートが測定すべきものだ——ただし、ゲートは書き留められなかった仕様を測定できない。

それがこのアイデア全体の正直な限界だ。ループは今日作れる。だが、そのループが何に対して検証しているのかは、まだ言えない。なぜなら、片側は価格表を出し、もう片側は文書を出すからだ。

ループ内のゲートにどれほどのコストがかかるか

仮にあなたがそれを構築するとしよう。生成器の呼び出しは、BytePlusまたは配布パートナーへ、彼らのキーで送られる。ゲートは自分でホストするWeMM-Video-2Bインスタンスで、返されたクリップとそのサウンドトラックを受け取り、1つの問いに答える——これはブリーフに合っているか、そして音声は同期しているか。5秒クリップで2 fps・10フレームなら、単一GPU上の小さな推論ジョブであり、4ビットビルドならさらに小さくなる。

経済性は、率直に言っておく価値があるほど偏っている。生成は1秒あたり7〜15セントかかり、支払う前に検品することはできない。ゲートパスはGPU時間のほんの何分の1セントで済み、何度でも実行できる。ゲートが4本に1本のクリップを却下するなら、そうでなければ盲目的に購入していた再生成の4分の3を節約できたことになる——しかも、ゲートは自社ハードウェア上の重みなので、2社目のベンダー契約なしでそれを実現できる。

あなたが得られないのは、数字だ。WeMM-Video-2Bの判定と人間の編集者の判定の間の一致率は誰も公表しておらず、誰かが公表するまでは、そのゲートは偽陽性率が不明なフィルターにすぎない。だからこそ、何かを拒否させる前に1週間シャドーモードで動かすべき、確かな理由がある。

ルーティング層が真価を発揮する場面

Screenshot of the OrcaRouter model page for Tencent Hy4 Flash, showing the identifier tencent/hy4-flash, a 1,048,576-token context window, 65,536 maximum output tokens, text and image input with text output, and per-million pricing of 0.0175 dollars in and 0.07025 dollars out.

どちらのモデルも当社のカタログにはありません。そして、どちらの言明も曖昧にせずに述べる価値があります。当社はWeMM-Video-2Bを提供しておらず、Seedance 2.5 Flashも提供していません。どちらかを中心に構築されたパイプラインは、他人の鍵の上に構築されたパイプラインです。

私たちが担うルートは周辺作業であり、この特定の設計ではそれは慰めの賞ではありません。Tencent Hy4 Flashは、TencentのHunyuanフラッグシップにおけるコスト効率の高いティアです。テキストと画像を入力し、テキストを出力し、100万トークンのコンテキスト、最大64,000出力トークンに対応し、100万入力トークンあたり0.0175ドル、100万出力トークンあたり0.07025ドルです。これは、一行のブリーフをショットリストに展開し、試行間でプロンプトを書き換え、ゲートの却下理由を読んで何を変更すべきかを判断するモデルです。テキスト作業を行うテキストモデルであり、この料金なら動画パイプライン周辺のプロンプトエンジニアリングループは動画そのものより安く済みます。

構造的なポイントは、どのベンダーを選んでも残るものです。プロバイダーの定価はそのまま0%のマークアップで反映されるため、ByteDanceが価格帯を引き下げれば — 今回この価格帯を親モデルの3分の2に引き下げたように — その引き下げは次の請求リセット時ではなく当日中に当社側でも反映されます。プロバイダー間の自動フェイルオーバーにより、あるエンドポイントが劣化しても、ループのテキスト部分がパイプライン全体を止めることはありません。そして200以上のモデルが1つのOpenAI互換キーの背後にあることは、必然的に行う比較 — このゲートをより大きな理解モデルと、このプロンプトエクスパンダーをより安価なモデルと比べる — が、統合ではなくパラメーターの変更だけで済むことを意味します。

何を見るか、そしてどの順番で見るか

これを単なる主張から推薦へと変えるには、三つの点が必要です。第一に、Flashの機能表です。具体的には、尺、参照、音声、そして1080pが恒久的に存在しないのか、それとも単に遅れているだけなのかです。第二に、2Bに関する独立した評価です。人間の判断に対する一致率を公表した数値が一つあるだけで、このゲートは設計上のものからコンポーネントへと変わるでしょう。第三に、Flashについて最初に公表されるレイテンシ比較です。というのも、「faster」はこの名前の前提そのものであり、720p・24fpsで30秒の出力は、高速化すべき推論としてはかなりの量だからです。

それまでの要約は、2つの価格と1つの欠けた数字だ。Seedance 2.5 Flash は、実在する安価で用途を絞った動画ティアで、同シリーズの料金の3分の2に当たる。WeMM-Video-2B は、完成したオープンライセンスの理解モデルだが、誰も発表しておらず、ほとんど誰もダウンロードしていない。7セントは文書化されている。その7セントを費やす価値があったかどうかを知るためのコストは文書化されていない — そして、予算に計上すべきは料金表ではなく、そのギャップだ。