「WeMM-Video-4B vs HiDream-O1-Video-1.0」と読めるタイトルカードで、サブタイトルは「2種類の狭さ」。vsの円盤で分かれた2つのパネルがあり、左はサブタイトル「オープンウェイト、エンドポイントなし」で、5.61Bパラメータ、Apache 2.0、パッチ適用済みのvLLMまたはSGLangを列挙。右はサブタイトル「ホスト型、入力1つ」で、未公開のパラメータ、参照画像1枚、1分あたり5.80ドルを列挙。フッターには「Artificial Analysisボードの読み取り:2026年11月20日」とある。
Guides & Insights

WeMM-Video-4B vs HiDream-O1-Video-1.0:2種類の狭さ

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

HiDream-O1-Video-1.0とWeMM-Video-4Bは、どちらも実際の挙動よりも広範に自らを説明している。HiDreamの発表リリースは、テキスト、画像、動画を入力として受け取り、同期した音声付きの5~20秒の1080p映像を返すモデルとして宣伝しているが、文書化されたAPIが受け付けるのは参照画像をちょうど1枚と、任意のプロンプトだけだ。WeMM-Video-4Bはテキスト、画像、動画、音声を受け取り、テキストを返す。これは正確だ。しかもこのモデルはどこでも提供されていないため、理論上受け付ける内容は、自前の推論エンジンにパッチを当てて初めて得られるものだ。一方はその提供契約によって狭められ、もう一方は提供契約がまったくないことによって狭められている。比較はこれで全部であり、以下の内容はすべてそこからぶら下がる詳細にすぎない。

どちらのモデルも、その論文が重視するモードで今日呼び出せるものではない。それがどれほど重要かは、ギャップのどちらの半分を自分で埋められるかによって決まり、それは品質ではなくライセンスとGPUに関する問題だ。

行と、それが載っているバージョン

HiDream-O1-Video-1.0には独立した測定結果があります。2026年11月20日時点で、AA-Video-I2V v2.1ボード上では、Elo 1,101で14位、95%区間は±14(1,087~1,115の範囲)、6,976票を対象とし、2026年8月リリースとして記録され、生成動画1分あたり$5.80です。

6週間前、v1.0ボードでは、同じモデルが3,231票で1,175 ±10の6位でした。不注意に読むと、それは崩壊です。そうではありません。そしてその理由は率直に述べておく価値があります。なぜなら、これはこれらのボードで最もよくある誤りだからです。v1.0とv2.1は、異なるEloスケール、異なる投票プール、異なる分類体系を持つ別の計測器です。スコアは両者の間で移行しないため、1,175と1,101の間の距離は、モデルがどれほど悪化したかの測定値ではありません。変わったことは現実です — 現在のボードのルールでは14位は6位よりも悪い位置です — しかし、両者を結びつける算術は存在しません。

WeMM-Video-4Bはどのボードにも行を持っていません。そしてこの不在は、審査待ちではなく構造的なものです。AI動画のボードは生成された映像をランク付けするものです。動画を読み取り、文章を書くモデルは、2つのクリップの間で行われる投票にエントリーすることはできません。オムニモーダルな動画理解のアリーナが存在するまでは、WeMM-Video-4Bのあらゆる数値はTencent自身によるものです。

HiDreamのAPIが実際に受け付けるもの

サービングサーフェスは文書化されており、その範囲は狭く、しかもその狭さはローンチ時の主張に直接対応している。

• 入力 — 参照画像をちょうど1枚、40 KB~20 MBの公開URLまたはBase64として指定します。プロンプトは任意で、デフォルトは空です。発表ではモデルの入力に動画が挙げられていますが、リクエストスキーマにはそのためのフィールドがありません。

• 解像度 — セレクターなし。結果は参照画像のアスペクト比を維持します。発表における1080pの主張は、リクエストからは制御できません。

• 継続時間 — 1つのブール値、force_10s、デフォルトは false。false のままにするとモデルが選択し、true に設定すると10秒になります。宣伝されている5~20秒の範囲には数値フィールドがありません。

• 音声 — リリースが説明しているネイティブの同期音声にもかかわらず、音声入力や音声生成パラメータは公開されていません。

• 結果の契約 — 非同期です。送信すると task_id を取得し、ポーリングします。result.status = 1 は、すべてのサブタスクが終端状態に達したことを意味し、生成が成功したことを意味するわけではありません。成功は sub_task_results[].task_status = 1 で、3 は生成失敗、4 は安全性レビューを表します。

つまり、あなたが呼び出せるモデルは、2つの継続時間モードを備えた画像アニメーターです。発表で説明されているモデルは、継続時間を計画できるテキスト・動画・音声の統合生成モデルです。どちらの記述も同じ企業によって文書化されており、その違いは矛盾ではなくロードマップです。

WeMM-Video-4B があなたに構築するよう求めるもの

もう一方の側には狭くあるべきという契約はない。エンドポイントが存在しないからだ。WeMM-Video-4Bは5,611,746,312パラメータ——BF16重みで10.45 GiB——であり、2026年11月17日の19分間の時間枠内にすべて登場した4つのサイズからなるファミリーでApache 2.0の下に公開され、技術レポートarXiv 2611.26409が11月19日に続いた。

回答を得るには、HiDreamのユーザーには見えない作業が必要だ。vLLMもSGLangもこのアーキテクチャを上流ではサポートしておらず、リポジトリは4つの特定の上流リリース向けにソースオーバーレイパッチを提供している——vLLM 0.18.0と0.31.0、SGLang 0.5.16と0.5.19——いずれも特定のPyTorch、Transformers、CUDA 12.9の組み合わせに固定され、Python 3.12、FFmpeg、C++ツールチェーンに加え、SGLangの初回利用時のカーネルコンパイル用のNinjaが必要だ。GGUFバンドルはllama.cpp向けではなく、リポジトリからコンパイルするネイティブランタイム向けにビルドされており、Tencentはこれをexported_unvalidated.

その見返りとして得られるのは、異常に大きな音声スタックを備えた記述器だ。Qwen3.5-4B由来の言語モデルが42.1億パラメータ、視覚タワーが3.3億パラメータ、そしてWhisper方式の音声エンコーダー・デコーダーが10.7億パラメータで、毎秒10トークンでQ-Formerに供給する。チェックポイントのほぼ5分の1が「耳」であり、だからこそその音声視覚の統合スコアが興味深いものになる。

各モデルが比較されるモード

ここでの公平な対比は「どちらが優れているか」ではなく「実際に到達できるのはどちらのモードか」であり、その2つの答えは行き着く先が異なる。

• HiDream-O1-Video-1.0 — 利用可能モード:画像から動画、参照フレーム1枚、固定アスペクト比、10秒またはモデル任せ、音声制御なし。スコアリングモード:画像から動画。ボードとAPIは一致している。

• WeMM-Video-4B — 到達可能なモード:出荷時の設定で16サンプルフレームと8,192トークンを用い、映像とサウンドトラックを入力、テキストを出力。スコア取得モード:論文では、映像の表ではThinkingモード、音声の表ではInstruct、画像とテキストでは再びThinkingを報告しており、使用したフレーム数やコンテキスト長は明記されていない。

• 両方 — 数値が存在する場合はベンダーによる自己申告であり、第三者がどちらも再現したことはありません。HiDreamの強みは、ある一つの構成について、HiDreamの従業員ではない人々が投票しているという点にあります。

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

音声に関する質問で、答えられるのは片方だけです

HiDreamは音声を生成し、WeMM-Video-4Bはそれを理解する。機能リスト上では同じ能力のように思えるが、実際は異なり、パイプラインを構築するチームにとっては、その区別がどちらがそもそも関係するかを決める。

生成側について、HiDreamのリリースは、後から音を付加するのではなく、テキスト・映像・音声をまとめてモデリングする単一のプロセスとして説明している。そのため、唇の動き、環境音、物理的な動作が同じタイムラインを共有する。それを制御できるかは別問題だ。文書化されたリクエストには音声パラメータが公開されておらず、発表でもトラック数が公表されていない。したがって、セリフ、音楽、効果音を分離可能なステムとして扱えるかは、この2点のどちらにおいても未検証である。

理解側では、WeMM-Video-4Bは音声付きのVideo-MMEで83.9を記録し、Qwen3-Omni-30B-A3B-Instructの77.3とMiniCPM-o-4.5-9Bの69.2を上回っています。またDaily-Omniでは82.5で、70.7と80.2を上回っています。純音声ベンチマークでは、プロプライエタリなフラッシュモデルに敗れており——MMAUは75.2対80.4、MMARは67.3対74.0——MMAU-Proでは68.1対64.8で1勝しています。これらは表2に記載されたT​encentの数値で、Thinkingモードで実行されたものであり、ラボ外で再現した者はいません。

正直にまとめると、一方のモデルはまだ検査できない音を生成し、もう一方は自分で用意しなければならない音を検査する。最初のモデルがオーディオパラメータを備え、二番目のモデルがホストを備えるまでは、どちらも制作パイプラインが求めるオーディオツールではない。

ルーターが役立つ場面と、そうでない場面

OrcaRouterはどちらのモデルも提供していません。WeMMエンドポイントは存在せず、カタログにWeMMチェックポイントはありません。HiDreamルートも同様にありません。HiDream-O1-Video-1.0はHiDream自身のプラットフォームおよび複数のサードパーティプラットフォームから利用できます。以下の内容は、当方がいずれか一方をホストしているという主張ではありません。

この組み合わせでルーターが真価を発揮するのはマイグレーションそのものであり、そのためのツールはルーティングDSLであり、モデル一覧ではありません。これらのモデルはどちらも、明らかに暫定的な提供サーフェスの背後にあります——一方は2状態のターミナルフラグを備えた単一入力のプレビューで、もう一方は特定の上流リリースに固定されたソースオーバーレイです——そして、どちらかをハードコードするスタックは、他人のリリースノートで壊れるスタックです。プライマリとフォールバックを指定し、2つの統合ではなく1つのリクエスト内で2つのモデルを比較できるルーティングポリシーは、そのリスクを設定に変えます。これは1つのOpenAI互換エンドポイント上で、200超のモデルにわたり、プロバイダーの定価を0%のマークアップでそのまま適用して動作するため、ベンダーの価格変更は当日に反映されます。WeMMワークロードのビジョン専用部分については、Qwen3-VL-235B-A22B-ThinkingとQwen3-VL-8B-Thinkingの両方が現在プラットフォーム上にあります——これは欠けているomniチェックポイントを回避する方法であり、そのオーディオタワーの代替ではありません。

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

どの程度の狭さなら許容できますか

今四半期に映像素材が必要で、参照画像が1枚あれば足りるなら、HiDream-O1-Video-1.0 は2つのうち呼び出し可能なエンドポイントを持つ唯一のモデルであり、その制約は半日で統合できるほど十分に文書化されています。予算は1分あたり5.80ドル、10秒またはモデルが選ぶ長さを想定して計画し、ターミナルのフラグではなくサブタスクのステータスを確認してください。

すでに所有している映像の中身——そこに重ねて話されている内容も含めて——を知る必要があるなら、2つのうち答えられるのはWeMM-Video-4Bだけであり、その前提として必要なのは、パッチを当てた推論エンジン、10.45 GiBのチェックポイント、そして長尺動画の結果を信頼する前に調整すべき16フレームのサンプリング予算です。

どちらも与えてくれないのは、比較ページがたいてい約束するもの、つまり両者を順位づけるための共通タスクだ。両者は一つの問いに対する二つの答えではない。両者は、公開されている範囲がどちらもそれぞれの論文より狭い二つのモデルであり、有用なエンジニアリング上の判断とは、そのギャップのうちどれを自前のハードウェアで埋められるかである。

この記事で比較したモデル1

この記事から検出