タイトルカードには「WeMM-Video-4B vs FastFrames Video Generation」と表示され、サブタイトルは「静かな継ぎ目」、「vs」の円盤で左右に分割された2つのパネルがあり、左側には5.61B、映像と音声の入力、テキスト出力、そのうち1.07Bは耳、最大16フレーム、Apache 2.0と記載され、右側には1.3Bと14B、テキスト入力、映像出力、832×480で81フレーム、1台のB200とApple AMLR上で1フレームあたり36 msと記載され、フッターには「WeMMの数値はベンダー報告、FastFramesの数値は著者によるもの」と表示されている。
Engineering & Research

WeMM-Video-4B 対 FastFrames 動画生成:静かな継ぎ目

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

FastFrames Video Generationは2026年11月16日に登場し、WeMM-Video-4Bは11月17日に登場した。どちらも重みのダウンロードとして公開され、論文が添えられていたが、ローンチ記事と呼べるものはどちらにもなかった。この偶然の一致だけが、両者を突き合わせて読む理由である。というのも、両者は同じ仕事をするわけではないからだ。FastFramesは文を81フレームの無音動画に変え、WeMM-Video-4Bは動画を説明文に変える。その説明には、動画の上で何が話されているかという説明も含まれる。興味深い問いは、どちらが優れているかではない。一方をもう一方の後ろに置くと何が起こるかであり、その答えは、両者の継ぎ目が無音だということ、つまりWeMMチェックポイントの中で最もコストのかかる部分を静かに無効化してしまうということだ。

以下はすべて、2つのリポジトリで測定可能なものか、2本の論文の著者によって報告されたもののいずれかである。どちらのモデルも、自身の評価セクションを執筆した者以外によって実行されたことはなく、ホスト型の価格、アリーナの順位行、第三者による再現も存在しない。数値がベンダーの表に由来する場合は、その旨が明記されている。

FastFrames がディスクに書き込む内容

FastFramesは、AppleとCornellが11月17日にarXiv 2611.23226として公開した、Wan2.1から蒸留した自己回帰型動画拡散モデルで、重みはその1日前に公開された。サイズは2種類あり、FastFrames-Sが13億パラメータ、FastFrames-Lが140億パラメータで、主眼は忠実度ではなくレイテンシにある。単一のB200上で、小さいモデルは1フレームを36ミリ秒で生成し、これはクリップの再生より速い。5.06秒の動画生成は約2.9秒で済む。大きいモデルは8台のB200に分散して1フレームあたり45ミリ秒を達成し、1台のGPUでは158ミリ秒まで低下するが、これはリアルタイムより遅い。Appleはまた、B200ではなくH100を使う場合に25~50パーセントのペナルティがあると報告している。

出力形式は固定かつ限定的だ。832×480、毎秒16フレーム、1回の生成で81フレーム——5秒をわずかに超える長さ——で、テキストプロンプトのみによって駆動される。公開されている構成には、画像条件付けも、キーフレーム入力も、継続モードも、カメラ制御もない。音声もない。音声デコーダーも、音声潜在表現も、サウンドトラックもない。著者らは、同一のプロンプトとシードで480pにおいて、小規模モデルで84.23、大規模モデルで84.44というVBench合計スコアを報告している。これは、速さを売りにしているモデルとしてはまずまずのスコアであり、またこのリリースに含まれる唯一の品質数値である。

10.7億のパラメータはどこへ行くのか

WeMM-Video-4Bは、T​encentのWeChat Visionグループによる4サイズ展開ファミリーの真ん中——2B、4B、9Bのdenseモデルと35B-A3BのMixture of Experts——であり、すべて11月17日の19分間のうちにアップロードされ、技術レポートarXiv 2611.26409が11月19日に続いて公開された。その名は実態を控えめに表している。safetensorsのメタデータには5,611,746,312パラメータ、BF16で10.45 GiBと記録されている。なぜなら「4B」はチェックポイントではなく、Qwen3.5-4B言語バックボーンを指すからだ。

テンソルインデックスを読むと理由がわかる。1,268個のテンソルのうち、言語モデルが42.1億パラメータ、ビジョンタワーが3.3億、音声スタックが10.7億を担っている。このチェックポイントのほぼ5分の1はWhisper方式のエンコーダ・デコーダであり、幅1,280のエンコーダ32層とデコーダ32層を備え、0.1秒のウィンドウを毎秒10個の音声トークンに圧縮するウィンドウレベルのQ-Formerを持ち、16 kHzで30秒のチャンク単位で入力される。このスタックはQwen2.5-Omniから初期化されている。

Screenshot of the Hugging Face model page for tencent/WeMM-Video-4B showing an Image-Text-to-Text pipeline tag, Safetensors and custom-code tags, an Apache 2.0 licence, a BF16 block reading 10.45 GiB of weight files, a size panel reading 6B params and 10.5 GB, and a Quantizations section listing four sibling repositories.

• FastFrames 動画生成 — テキストを入力すればフレームが出力され、パイプラインのどこにも音声は含まれません。

• WeMM-Video-4B — フレームと音声を入力し、テキストを出力。音声はピクセルから推測するのではなく、専用の1.07Bタワーが処理します。

• 重複 — モデルレベルではありません。どちらもApacheまたはAppleライセンスの重みバンドルで、背後にエンドポイントはなく、両方ともアクセラレーターを自分で用意することが前提です。

FastFrames が作成する唯一のクリップは無音です

そのまま突き詰めると、構成上の問題が具体化する。WeMM-Video-4B を FastFrames Video Generation の後段に接続する場合——ショットをレンダリングし、それを説明してインデックス作成、フィルタリング、QA を行えるようにする——説明器に渡すすべてのクリップには音声トラックがない。10.7億パラメータの音声タワーには聴くものが何もない。Q-Former は何も出力せず、融合ステージは視覚パスだけに縮退する。

それはどちらのモデルの欠陥でもなく、パイプラインに関する事実であり、測定可能な結果を伴います。なぜなら、WeMMの論文は無音動画のベンチマークを別途報告しているからです。視覚のみでは、WeMM-Video-4BはVideo-MMEで75.7、LVBenchで65.3、LongVideoBenchで74.8、EgoSchemaで74.2を記録します。音声と視覚を統合した数値——音声付きVideo-MMEで83.9、Daily-Omniで82.5——こそがファイルサイズを正当化するものであり、まさにFastFramesで供給されたパイプラインが到達できない数値です。

つまり、この組み合わせを正直に位置づけるなら、FastFrames は WeMM チェックポイントの約80パーセントを活用しているということです。生成された映像に対してキャプション生成ループを回すのが目的なら、半分のサイズの視覚専用モデルでも同じ仕事ができます。音声付きの映像を理解するのが目的なら、FastFrames は入力を提供できません。この2つのツールは、どちらか一方が半分遊んでいる地点で交わるのです。

Screenshot of the Tencent/WeMM-Video GitHub repository showing six stars and zero forks, a README describing an omni-modal video understanding family from WeChat Vision, and a file tree containing patch, native, examples, licenses and a THIRD_PARTY_NOTICES file.

2つの速度値、共通の単位なし

両方のリリースがレイテンシの主張を前面に押し出していますが、その主張は相互に比較可能なものではなく、これこそがこの比較がインターネット上で最もよく歪められる原因です。

FastFrames の 36 ミリ秒は、B200 1 台における出力フレームあたりの値で、再生時間に対して測定されたものです。WeMM-Video-4B はフレームを生成しません。そのコストは、上限付きのメディア予算に対してテキストをデコードするコストです。その予算は、プロセッサのデフォルトが示唆するより厳しくなっています。リポジトリ内の vLLM レシピでは、max_frames 16プロセッサのデフォルト 128 に対して、fps 2、合計ピクセル上限 262,144、コンテキスト長 8,192 トークンに設定しています。音声は、1 フレームもカウントされる前に、1 秒ごとに 10 トークンを消費します。

実用的な読み方をすると、20秒のクリップも5秒のクリップも記述器には16フレームとして届き、サウンドトラック付きのクリップはコンテキストを2つのストリームに同時に費やす。FastFramesは出力1秒あたり16フレームで動きを提供し、WeMM-Video-4Bはスライドショーを見て動きを推測する。どちらの数値も他方について何も教えてくれず、「36 ms」の隣に「8K context」を置くページは、レンダリング予算と読み取り予算を比較していることになる。

Two-column scoreboard headed 'WeMM-Video-4B vs FastFrames Video Generation', the left column listing direction, 5.61B total parameters, a 1.07B audio stack, an 8,192-token and 16-frame budget, Apache 2.0 and no independent benchmark, the right listing text in and video out, 1.3B small and 14B large, no audio, 81 frames at 832 by 480, Apple AMLR and no independent benchmark, with a footer reading 'WeMM figures vendor-reported; FastFrames figures per the authors and not independently reproduced.'

ここではスコアよりもライセンスがものを言う

独立した証拠がこれほど乏しい比較では、ライセンスの一行はどちらの論文のどのベンチマークよりも意思決定上の重みを持ち、しかも両者はスペクトルの両極に位置している。

• FastFrames Video Generation — 重みにはAppleのAMLR条件が適用され、LingBot-World v2のデモコンポーネントはCC BY-NC-SA 4.0の下にあります。「NC」が重要な制約です。重みはオープンですが、商用利用に開かれたものではありません。

• WeMM-Video-4B — コレクション全体でApache 2.0ですが、Tencentのライセンスファイルには、第三者コンポーネントは「それぞれの元の条件に引き続き従う」と記載されています。この除外規定は項目ごとに明示されておらず、音声スタックがQwen2.5-Omniに、バックボーンがQwen3.5に由来する(いずれもApache 2.0)ことを踏まえると、これは形式的な話ではなく実際の欠落です。

• 両方 — リポジトリにトレーニング段階の完全なチェックポイントと評価パイプラインが含まれており、この種のリリースとしては異例なほど再現性が高く、どちらにも欠けている独立した評価の最良の代替手段となっています。

レンダラーの背後にディスクライバーを配線する

それでもループを構築するなら、エンジニアリング上の課題はテキストモデルをどこに置くかです。なぜなら、テキストのホップが3つあり、そのうち任意なのは1つだけだからです。

• プロンプト拡張 — ショットメモがFastFramesのプロンプトになる。13億パラメータの蒸留拡散モデルには、曖昧な指示を解釈する余裕がないため、これは必要不可欠だ。

• 説明 — レンダリングされたクリップはWeMM-Video-4Bに送られ、散文として返ってきます。これが映像素材を検索可能にするステップです。

• 選別 — そのクリップを残すかどうかを文章が判断する。これは安価でなければならない工程だ。なぜなら、生き残ったものではなく候補ごとにコストを払うことになるからである。

これら2つの外側のホップは通常のテキスト補完であり、このスタックのうちOrcaRouterが実際にカバーする部分です:1つのOpenAI互換キーで200以上のモデルを利用でき、プロバイダーの定価は0%のマークアップなしでそのまま適用されるため、ベンダーの価格変更が同日に反映され、さらに自動フェイルオーバーにより、1000クリップのバッチ処理中にレート制限が発生しても、欠落ではなく再試行になります。FastFrames Video GenerationもWeMM-Video-4Bもプラットフォーム上にはありません。どちらも重みのダウンロードであり、ルーティングレイヤーがチェックポイントをエンドポイントに変えることはありません。ルーターが取り除くのは、セルフホストする2つのモデル周りの統合作業です。

まだ確認されていないものは何ですか

• 独立した品質 — Artificial Analysis の行も、アリーナへの登録も、どちらのモデルについても第三者による再現もありません。VBench 84.44 と Video-MME 83.9 は著者による報告値であり、他者によって実行されたものではありません。

• 評価条件 — WeMM論文には、動画ベンチマークで使用されたフレーム数、ピクセル予算、コンテキスト長が記載されていません。また、配布されているレシピでは16フレームを使用していますが、プロセッサのデフォルトは128です。この差は、長尺動画の行では無視できないほど大きくなります。

• 価格 — どちらにもありません。ホスト型エンドポイントも、秒単位の料金も、パートナーリストもありません。コストは、自身が所有するGPUに加えて、WeMMリポジトリが必要とするパッチ適用済みのvLLMまたはSGLangオーバーレイです。どちらのエンジンもこのアーキテクチャを上流でサポートしていないためです。

• Apple側における商用利用可能性 — AMLRに非商用デモライセンスが加わるため、リーガルレビューで止まるのはこのパイプラインの記述子ではなくレンダラーの部分です。

一つを選ぶ質問

あなたのアーティファクトが何かを尋ねなさい。それがファイルなら、生成できるのはFastFramesだけであり、480p、5秒、無音、非商用ライセンスを目安に計画します。すでに持っている映像についての主張——何が起こるか、誰が話すか、何が聞こえるか——なら、生成できるのはWeMM-Video-4Bだけであり、16枚のサンプリングフレームと8,000トークンを目安に計画します。

両方であるなら、あなたは継ぎ目が無音の2モデルシステムを構築していることになり、そのシステムの最も安価で正しい版は、無音出力にキャプションを付けるために5.61Bのomniチェックポイントを使わない。レンダリングされたクリップには視覚モデルを使い、音声のあるソース映像にはWeMM-Video-4Bを残す。これはすべてを1モデルで扱うより洗練されていないアーキテクチャだが、数値が支持するのはこちらだ。

どちらのリリースもまだ提供していないのは、決着をつけるもの、すなわち論文を書いた本人ではない人物による実行だ。2つのラボが同じ週に、告知なしで本格的な動画の成果を出した。これは2026年11月について言える、どの単一のベンチマークのセルよりも興味深い事実である。