タイトルカードには「WeMM-Video-4B vs FLUX 3 Video」、サブタイトルには「クリップを読み取るか、生成するか」と表示され、「vs」の円盤で左右に分割された2つのパネルがあり、左側は「オープンウェイト」のバッジ付きで、毎分$0.00、5.61Bパラメータ、8,192トークンのコンテキストを記載し、右側は「従量制」のバッジ付きで、毎分$17.40、最大20秒、AA-Video-T2V v2.1で10位を記載している。フッターには「Artificial Analysisの数値は2026年11月20日時点」とある。
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video:クリップを読むか、作成するか

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

午後を無駄にする最速の方法は、WeMM-Video-4BとFLUX 3 Videoの品質を比較することだ。一方には数値があり、もう一方にはない。そしてその数値は品質スコアではなく、価格だ。Black Forest LabsのFLUX 3 Videoは、2026年8月4日に一般提供を開始し、1分あたりの料金が公開され、Artificial Analysisの2つの動画ボードの両方に掲載されている。TencentのWeChat VisionグループによるWeMM-Video-4Bは、2026年11月17日に、Apache-2.0の10.5ギガバイトの重みとして登場したが、エンドポイントも価格もリーダーボードへの掲載も一切ない。あなたが選んでいるのは、従量課金制の生成器と無料の記述器のどちらかであり、正直な比較とは、あなたのパイプラインに欠けているのがその2つのどちらなのかということだ。

この記事の残りでは、三種類の事実を区別している。リポジトリと2つのボードが述べていること、ベンダーが自社の論文やドキュメントで主張していること、そしてどちらの研究所の外部の誰も検証していないことだ。2026年11月20日時点では、その第3のカテゴリーが興味深い材料の大半を占めている。

一方は2つの役員会に入っており、もう一方はどの役員会にも入っていない。

Artificial AnalysisはFLUX 3 Videoを2回採点しており、その2つのスコアはそれぞれ別の尺度に基づいているため、一方をもう一方に換算することはできません。

• AA-Video-T2V v2.1 — FLUX 3 Video は10位、7,406票で Elo 1,137 ±13、掲載価格は1分あたり17.40ドル。より大型の FLUX 3 Video Max は7位で、4,708票で 1,151 ±14、1分あたり8.70ドルとなっており、これはボード上で大きいモデルのほうが安いという珍しいケースです。

• AA-Video-I2V v2.1 — FLUX 3 Videoは6,838票で1,069 ±14の16位、価格は同じ$17.40。FLUX 3 Video Maxは6,848票で1,068 ±14の17位、価格は$8.70。

• WeMM-Video-4B — どちらのボードにも行はなく、動画編集ボードにも行がありません。測定漏れではなく、入力対象にすらなりません。AAの動画ボードは生成映像をランク付けしますが、WeMM-Video-4Bは何も生成しません。

順位ではなく間隔を読むべきだ。FLUX 3 Video のテキスト→動画ボードと画像→動画ボードでの2つの順位の間には68ポイント、つまり5区間分の差がある。これは、相互に換算できない2つの指標で採点されたモデルについての有用な事実だ。つまり、有能な生成器ではあるが、その位置はどのタスクを課すかによって変わる。これは控えめではあっても実際の独立した測定であり、この対戦の相手側が持つものより多い。

1分17.40ドルで買えるもの

FLUX 3 Video は、単一のボード行では示しきれないほど広範な入力リストを備えたマルチモーダル生成器です。テキストプロンプト、最初のフレームとしての静止画、動画から動画への変換および続き生成用の動画、制御されたトランジション用のキーフレームを入力できます。1回の生成で最長20秒まで可能で、テキストから動画および画像から動画は5~20秒、続き生成は5~15秒です。解像度はアスペクト比ではなくピクセル帯で提供され、HDは1フレームあたり約1メガピクセル、FHDは2、QHD/2Kは4、UHD/4Kは8です。多言語の会話、同期された発話、効果音、環境音を備えたネイティブ音声はオプションで、秒単位の料金に含まれます。

• Draft HD — 1秒あたり0.06ドル。5秒のテストクリップは30セントです。

• HD / 720p — 1秒あたり0.17ドル、5秒で約0.85ドル。

• FHD / 1080p — 1秒あたり$0.29。QHD/2Kは$0.40、UHD/4Kは$0.80。

• 動画→動画変換と継続生成 — ドラフト $0.12、HD $0.41〜$0.43、FHD $0.53〜$0.54、2K $0.65、4K $0.95。

ボードの$17.40/分は正規化された1080pの数値であり、そのためそのカードにきれいに割り切れません。これは比較用の単位であり、領収書ではありません。いくつかの第三者による要約も、2Kおよび4Kの帯域は全面的に利用可能ではなく段階的に展開中であると報告しているため、カードの最上位はアカウント単位の問い合わせとして扱ってください。

WeMM-Video-4Bが無料で提供してくれるもの

この対決のもう一方は、呼び出しごとのコストがゼロで、そもそも購入することは一切できません。WeMM-Video-4B は 5,611,746,312 パラメータ——BF16 で 10.45 GiB——を擁し、実際のサイズではなく、その Qwen3.5-4B 言語バックボーンにちなんで名付けられたリポジトリに置かれています。余剰こそが要点です。42.1 億パラメータの言語モデル、3.3 億パラメータの視覚タワー、そして 10.7 億パラメータの Whisper 形式音声スタックを備え、Q-Former が 16 kHz 音声から 30 秒単位のチャンクで毎秒 10 個の音声トークンを出力します。

テキスト、画像、動画、および元の音声トラック付きの動画を入力として受け取り、テキストを返します。著者らの音声視覚統合表では、音声付きの Video-MME で Qwen3-Omni-30B-A3B-Instruct を 83.9 対 77.3 で上回り、Video-MME v2 では 48.1 対 36.3 で上回っています。無音動画では LVBench で 65.3 対 50.2、LongVideoBench で 74.8 対 63.5 とリードしています。Qwen3.5-Omni-Flash に対しては音声ベンチマークで負けており — MMAU は 75.2 対 80.4、MMAR は 67.3 対 74.0 — OCRBench では 85.7 対 89.1、GPQA では 73.2 対 76.4 と後れを取っています。

そのどれもがTencent自身の測定値だ。論文には、利用可能な場合は公式結果を、それ以外は独自評価を報告するとあり、第三者がどの行も再現していない。ベンチマーク実行のフレーム数、ピクセル予算、コンテキスト長は記載されていない。これは重要だ。なぜなら、出荷されるvLLMレシピは動画を16フレーム・総ピクセル数262,144に制限しているのに対し、プロセッサのデフォルトは128フレームだからだ。

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

決して出会わない二つの時計

どちらのモデルも他方の代わりにはなれず、それを成り立たせている制約はどちらも能力ではなく予算である。

• 出力バジェット — FLUX 3 Videoは1回の呼び出しあたり最大20秒の映像を、音声付きで最大4Kまで生成します。WeMM-Video-4Bはフレームを一切生成しないため、その出力バジェットはトークン予算です。出荷時はリクエストあたり8,192トークンで、音声はフレームが計数される前に毎秒10トークンを消費します。

• 入力上限 — WeMM-Video-4B は1リクエストにつき画像4枚、動画2本、音声2件を受け付け、毎秒2フレーム、上限16フレームです。FLUX 3 Video はプロンプト、最初のフレーム1枚、参照動画1本またはキーフレームセットを受け付け、いかなる種類の音声入力も受け付けません。

• コスト構造 — FLUX 3 Video は出力の秒数単位で課金されるため、コストは作りたい規模に比例します。WeMM-Video-4B はご自身のハードウェアの GPU 時間単位で課金されるため、コストはバッチサイズに比例し、ソースクリップの長さには関係なく、サンプリング後に残るフレーム数にのみ依存します。

• ライセンス — WeMMコレクションはApache 2.0で、第三者コンポーネント向けに個別列挙されていない適用除外あり。FLUX側は、重みが公開されていないホスト型商用API。

簡単に言えば、一方はスコアボード付きの秒単位の経費であり、もう一方は書類を伴う固定資本コストだ。完成したショットが必要なチームはWeMM-Video-4Bを使えず、既存の1万本のクリップを検索可能なインデックスにしたいチームはFLUX 3 Videoを使えない——高価だからではなく、自分が制作していない映像についての問いに答える手段がないからだ。

音声は、比較が歪むところだ

FLUX 3 Videoは音声を生成する。WeMM-Video-4Bは音声を理解する。これらは機能一覧では似て聞こえるが異なる能力であり、その違いがパイプラインを決める。

FLUXのオーディオは生成出力です。多言語の対話、同期した音声、効果音、環境音を含み、オプションとして秒単位の価格に含まれます。Black Forest Labsが公開していないのはトラック数です。そのため、対話、音楽、効果音を分離可能なステムとして必要な場合、料金表にもドキュメントにも、それらが得られるかどうかは記載されていません。DAWでの2回目の処理を予算に組み込んでください。

WeMMの音声は入力経路です。10.7億パラメータのタワーがサウンドトラックを毎秒10トークンに変換し、明示的なテキストタイムスタンプを伴って視覚トークンと時系列順に融合します。音声付きVideo-MMEでの83.9と、MMAUでの75.2が測っているのはまさにこれです——どれだけよく聞き取れるかであり、どれだけよく話せるかではありません。

シーンを書き、音付きでレンダリングし、その後、台詞が実際に届いたかどうかを知る必要があるワークフローには、両方の半分が必要であり、どちらのモデルも相手の半分をカバーしていない。この対決において、両者が単に異なるだけでなく真に相補的である唯一の箇所は、まさにここだ。

正直に言えば、ルーティングの問題

OrcaRouter はどちらのモデルも提供していません。WeMM-Video-4B のエンドポイントは存在せず、このプラットフォームのカタログには WeMM のチェックポイントが一切ありません。また、FLUX 3 Video のルートもありません。FLUX 3 Video は Black Forest Labs 自身の API および複数のサードパーティプラットフォームを通じて利用できます。WeMM-Video-4B はダウンロードとして提供されており、vLLM または SGLang のパッチ適用済みオーバーレイが必要です。なぜなら、どちらのエンジンも上流ではこのアーキテクチャをサポートしていないからです。

プラットフォームが実際にカバーするのは、どちらのワークフローも取り巻くテキスト層であり、この組み合わせで有用なのはモデル融合であって、単純なルーティングではありません。「このクリップは保持する価値があるか」という判断は裁量を要するものであり、同じプロンプトに安価な分類器と高価な推論器を載せる融合呼び出しなら、すべての候補に対して高価な推論器を実行するコストの何分の1かでその判断を行えます。それはOpenAI互換の1つのキーで200以上のモデルにまたがって動作し、プロバイダーの定価でマークアップ0%なので、ベンダーが価格を下げれば、その値下げは次の請求サイクルではなく当日から有効になります。特にWeMM作業の視覚のみの部分については、Qwen3-VL-235B-A22B-ThinkingとQwen3-VL-8B-Thinkingはどちらも画像と動画フレームを扱え、本日プラットフォーム上で利用可能です。これは欠けているオムニモデルを回避するルートであり、そのオーディオタワーの代替ではありません。

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

実際にそれを決着させるのは何だろうか

3つの進展があれば、この比較は現在のベンダー報告に基づく足場から脱することになるだろう。

まず、任意の独立系リーダーボードにおけるWeMM-Video-4Bのエントリー。それは存在せず、その理由は陰謀ではなく構造的なものだ。AAの動画リーダーボードは生成された映像をランク付けするもので、理解モデルはエントリーできない。オムニモーダル動画理解アリーナこそが欠けている計器であり、それが存在するまでは、あらゆるWeMMの数値はT​encentの言葉にすぎない。

第二に、FLUX 3 Videoの重みの公開です。Black Forest Labsにはオープンリリースの実績がありますが、このチェックポイントにはダウンロードのライセンスがありません。そのため現時点での比較はオープンモデルとクローズドモデルの間のものとなり、これはどのベンチマークの行にも表れない違いです。

第三に、WeMMファミリーのホスティング価格です。互換性のあるホストが、プロバイダー定価のまま0%のマークアップでこれらの重みを提供し始めれば、本記事のコスト面は1週間以内に様相を変えます。これは条件であり、現時点の事実ではなく、ここでの記述は当方がそれをホストしているという主張として読まれるべきではありません。

実際に必要なのはどれ?

成果物が映像素材なら、FLUX 3 Video 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、720p で1秒あたり0.17ドルという価格が、同じリーダーボード上の代替生成ツールと比べて許容できるかどうかに絞られます。テキストtoビデオで10位につける同ツールは、その中でも中位の価格設定です。

成果物が、すでに手元にある映像についての記述であるなら、WeMM-Video-4B 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、vLLM または SGLang 用のソースオーバーレイと 10.45 GiB のチェックポイントを持ち込んで、長尺動画で際立って優れた数値を示す 4B クラスの記述器を得られるかどうかに帰着します。

罠は、$17.40と$0.00を同じ量として扱うことにある。一方はサービスの従量料金であり、もう一方はサービスの不在だ。WeMM-Video-4Bが無料なのは、研究リリースが無料であるのと同じ意味だ——統合の手間、検証されていないGGUFバンドル、そしてそれが機能するかどうかについて他者の意見が存在しないことという形で支払うことになる。

この記事で比較したモデル1

この記事から検出