
WeMM-Video-35B-A3B 対 Alibaba Wan 2.7:22,754票 対 ゼロ
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100万トークンあたり · 182 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100万トークンあたり · 364 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 148 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100万トークンあたり · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100万トークンあたり · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
There is exactly one number in this comparison that a third party produced, and it belongs to Alibaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.
What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what Tencent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.
ここで唯一のサードパーティ番号
Wan 2.7の編集部門の行は異例なほどよく支持されている。2万2千票は、ノイズとして片付けられるようなリーダーボードのサンプルではない。±8の区間は、9位という位置がその下のすべてに対して安定していることを意味しており、その行に付されたリリース月は2026年4月なので、票には蓄積する時間が7か月あったことになる。
同じファミリーがボード上にさらに2回現れており、その3行は互いに一致していない。このこと自体が示唆に富んでいる:
• AA-Video-Editing v1.1 — 第9位、Elo 1,074 ±8、22,754サンプル、2026年4月、1分あたり16.90ドル。
• AA-Video-T2V v2.1 — Wan2.7-260612として掲載、20位、Elo 1,035 ±13、サンプル数6,965、2026年6月、1分あたり$9.00。同じベンダーでタスクは異なり、サンプル数は3分の1、価格は編集レートより47%低くなっています。
• AA-Video-I2V v2.1 — 行なし。Wan 3.0 はそのボードで 1,109 のスコアで 12 位に入っていますが、Wan 2.7 は入っていません。このスイートは画像から動画への生成機能を謳っているため、これは製品のギャップではなくアリーナのギャップと言えますが、つまりこのモデルは、多くの人が最初に手を伸ばすであろうタスクで一度もランク付けされたことがないということです。

三つを合わせて読むと、率直な要約はこうだ。Wan 2.7 は控えめな中位の動画モデルであり、真に強力な根拠基盤が一つ(編集)、より薄い根拠基盤が一つ(テキストから動画)、そして空白のセルが一つある。それでもなお、この比較の相手側が持つ外部根拠よりはるかに多い。
What Alibaba is selling, and at what rate
Wan 2.7は、テキストから動画、画像から動画、参照から動画、動画編集という4つのモードを持つ製品です。文書化されている制御項目は、最初と最後のキーフレームによる条件付け、最大5枚の被写体画像と5本の参照クリップ、720pから1080pの出力、ネイティブ音声、そして2秒から15秒のクリップです。課金は料金表のレートによる秒単位の請求なので、15秒の1080p生成は、後から気づくクレジット残高ではなく、実行を押す前に計算できるコストになります。
The awkward fact for anyone budgeting on Wan 2.7 today is that Alibaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best Alibaba can do against the best Tencent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.
今朝届いたチェックポイント
WeMM-Video-35B-A3Bのリリースは、ほとんどの静かなリリースにはない形で追跡できる。Hugging Faceが一連の出来事すべてにタイムスタンプを付しているからだ。リポジトリは11月17日08:53:50 UTCに、gitattributesのスタブ以外何もない状態で登場した。arXivレポート2611.26409は11月19日16:58 UTCに投稿され、すでに11月20日06:15 UTCに一度改訂されている。BF16重みのコミット日時は2026-11-20T03:57:36Z。GitHubリポジトリTencent/WeMM-Videoは11月17日02:29 UTCに作成され、スター9、フォーク0、公開リリース0で、今朝06:34 UTCにもまだREADMEが編集されていた。
つまり、論文はテンソルよりおよそ11時間先行しており、この文章を書いている時点でもモデルカードはまだ書き換えられている。その順序こそが物語だ。ローンチ投稿も、料金ページも、ホスト型エンドポイントも、プレスリリースも、告知アカウントもない——モデルに注目を集めたいベンダーが普通にやることは何もない。
リポジトリが実際に含んでいるものは具体的です:
• サイズ — 36,177,564,536 パラメータ、BF16、17 個の safetensors シャードに分散され、合計 67.39 GiB。「35B-A3B」というラベルはファイルサイズとは別のものを数えており、その差については後述します。
• FP8ビルドは確かに戻ってきました。 論文が公開されたとき、カードがリンクしているFP8 Block128リポジトリは401を返しました——Hubがこれまで存在したことのない名前に返すのと同じ応答です。今は解決します。1つのsafetensorsファイルに36.09 GiB、05:53:01 UTCにコミットされ、BF16アップロードの2時間後で、33.6BパラメータがE4M3、2.56BがBF16のままです。11月19日16:58 UTCに何が起きていたにせよ、リリースは完了していませんでした。
• さらに3つの量子化バリアント — AWQ W4A16 は 22.72 GiB で 52 個のレイヤーごとのシャードにまたがり、NVFP4 W4A16 は 24.11 GiB で単一ファイル、GGUF Q4_K_M バンドルは 25.46 GiB で、22.61 GiB の言語ファイル、0.84 GiB のプロジェクター、1.99 GiB の音声エンコーダーに分割されています。これら3つのうち2つは、自身のマニフェストで未検証と記載しています。NVFP4 のものは、重みが CPU 上で再読み込みされたことだけを主張しており、それはチェックサムであって評価ではありません。
• ランタイム — ここにあるものは既製のエンジンでは動作しません。リポジトリには、ちょうど4つの上流リリース(vLLM 0.18.0と0.31.0、SGLang 0.5.16と0.5.19)向けのSHA-256マニフェスト付きソースオーバーレイが含まれています。公開されているすべてのサービングコマンドは、8,192トークンのコンテキスト、2基のGPUにまたがるテンソル並列処理、および16フレーム・262,144ピクセルに制限されたメディアパイプラインを通過します。vLLMのイシュートラッカーを検索しても、このアーキテクチャに関する上流のリクエストは見つかりません。

What Tencent measured, and against whom
WeMM-Video-35B-A3Bに付随するすべての品質数値は、それを訓練したチームによるものです。論文にも「利用可能な場合は公式結果を、それ以外は独自の評価を報告する」と明記されており、カード上で条件が完全に示されている唯一の数値は、動画の結果ですらありません。MMAR1000、音声のみ、16 kHzでデコード、貪欲法によるデコード、H20を2台使用です。カードの残りはチェックポイントの読み込みを記録しています。22,754票と対比すると、それは別カテゴリの証拠であり、そのように読むべきです。
The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which Tencent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.
一方、この2つの敗因は逆方向を示しており、繰り返す価値がある。JointAVBenchは65.9でQwenの69.0に後れを取り、MUSIC-AVQAは79.5でQwenの82.1に及ばない。どちらも音声重視のベンチマークだ。より大きなチェックポイントがすべてで勝つわけではなく、勝てない領域こそ、Qwenの音声スタックがより長く成熟してきた領域なのだ。
そのいずれも再現されていない。Artificial AnalysisもLMArenaも、どのサイズであれWeMMモデルを掲載していないし、リポジトリに付いた3つの「いいね」は査読ではない。この2つのモデルのどちらかを仕事に使うために選んでいるのだとしたら、あなたは22,754票と、著者らが署名した表を比べていることになる。
どちらも動画を撮影するが、返すのは片方だけ
構造上の違いは一言で言い表せるが、どれほど強調してもしすぎることはない。Wan 2.7はテキスト、画像、参照クリップ、動画を受け取り、動画を返す。WeMM-Video-35B-A3Bはテキスト、画像、音声、およびサウンドトラック付きの動画を受け取り、テキストを返す。Wan 2.7の編集モードはもう一方の側に最も近い——映像素材を受け取って映像素材を返す——が、出力は依然としてピクセルであり、編集した内容を説明させる設定は存在しない。
両側のキャップが、構築できるパイプラインの範囲を定めます:
• Wan 2.7の上限は動画の長さです。 1回の生成につき2〜15秒、720p〜1080p、秒単位での課金です。15秒のクリップは編集レートで、リトライを除いて約$4.23です。
• WeMM-Video-35B-A3Bの上限は、コンテキストとサンプリングにあります。 プロセッサはデフォルトで1秒あたり2フレーム、最小4フレーム、最大16フレーム、合計262,144ピクセルの予算を使用します。これは出荷時のレシピでは約8秒分のカバレッジに相当します。サービングコマンドはコンテキストを8,192トークンに制限し、リクエストごとに画像4枚、動画2本、音声クリップ2本を許可します。音声が1秒あたり10トークンの場合、そのコンテキストを音声だけに使うと約13分の音声に相当します。
• 不一致。Wan 2.7 は15秒の映像を生成できるが、出荷済みの WeMM レシピは8秒しか見ていない。パイプラインでクリップをレンダリングしてから、その中で何が起きたかをモデルに尋ねる場合、設定された記述器は出力のおよそ半分しかサンプリングしない。これはアーキテクチャの限界ではなく、意図的に変更すべき設定である——プロセッサ自体のデフォルトでは128フレームが許可されている。
2つのプロバイダー、1つのモデル、1つのキー
Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through Alibaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.
What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone Tencent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.
Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when Alibaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

あなたが実際に選んでいるのはどの番号ですか
成果物が映像素材なら、Wan 2.7 は二者のうちそれを生成できる唯一のものであり、判断は、編集が1分$16.90か、テキストから動画生成が1分$9.00かが、現在のリーダーが$12.00を請求し両方のタスクでそれを上回るリーダーボードに対して正当化できるかどうかに帰着する。9位と20位は立派な中位の位置づけだ。それは前世代を選ぶ理由にはならない。
成果物が、すでに手元にある映像についての記述だというなら、WeMM-Video-35B-A3B は二つのうちそれを生成する唯一のものであり、判断は結局、パッチ適用済みの推論エンジン、67.39 GiB のダウンロード版か 36.09 GiB の FP8 版、テンソル並列用の GPU 2 基、そして 8 秒のサンプリングウィンドウを用意できるかどうかに帰着する——音声視覚の数値が高く、完全に自社による 36B クラスの記述モデルを手に入れるために。
罠は、「22,754票でのElo 1,074」と「音声ありのVideo-MMEで86.4」を同列に扱ってしまうことだ。前者は、誰でも呼び出せるサービスを群衆が測定したもの。後者は、今朝まで重みが入っていなかったチェックポイントについてのベンダーの表だ。どちらも読む価値はある。だが証拠と言えるのは、そのうち片方だけだ。
