
WeMM-Video-9B 対 Alibaba Wan 2.7:請求書とチェックポイント
- 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 · 356 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 · 147 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 · 92 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 · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100万トークンあたり · 117 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
まず請求書から見ていこう。Alibaba Wan 2.7は、Artificial Analysisの2つの動画ボードで分単位の料金が示されており、継続時間の範囲も文書化されている。そのため、コードを一行も書く前にコストを見積もれる数少ない動画モデルの一つだ。WeMM-Video-9Bには料金が一切ない。TencentのWeChat Visionグループは、2026年11月17日にApache-2.0の重み19.5ギガバイト——BF16の5つのシャード、モデルカード、そして2611.26409番のarXivプレプリント——として公開し、その後は何も語っていない。ローンチ記事も、料金ページも、ホストされたエンドポイントも、ボードへの提出もない。3日経った今も、各リポジトリのダウンロード数は合計してもゼロのままだ。つまり、正直な比較はWan 2.7対WeMM-Video-9Bの品質ではない。従量課金のサービス対、価格の付いていない成果物であり、並べて比べたいその2つの数字は、どちら側も同じ理由で存在しないのだ。
以下では三つの事柄を区別する。Wan 2.7のドキュメントと2つのリーダーボードが述べていること、WeMM-Video-9Bのリポジトリと論文が主張していること、そしてどちらの研究室の外でも誰も再現していないことだ。その第三の分類にWeMM-Video-9Bに関する資料の大半が入るのであり、そうでないふりをすれば、この記事を役立たずにする最短の道になる。
Wan 2.7は分単位で課金されます
AlibabaのWan 2.7の料金表は、動画モデルとしては異例なほど分かりやすい。スイートは4モードの製品——テキストから動画、画像から動画、参照から動画、動画編集——であり、料金表に表示される価格は、逆算が必要なクレジット制ではなく、シンプルな1分あたりの金額だ。
• AA-Video-Editing v1.1 — Wan 2.7は22,754サンプルでElo 1,074 ±8の9位、リリース月は2026年4月、料金は1分あたり16.90ドルです。この信頼区間はトップ3を除けばボード上で最も狭く、それこそが2万2千票がもたらすものです。
• AA-Video-T2V v2.1 — 同じファミリーはWan2.7-260612として、2026年6月、6,965サンプルでElo 1,035 ±13の20位に登場し、1分あたり$9.00です。同じベンダー、異なるタスク、異なる価格、そして編集スコアには換算されないEloです。
• Wan 2.7は画像から動画へのボードにまったく載っていません。Wan 3.0は載っており、1,109で12位です。そして、その不在は注意深く読む価値があります。これはWan 2.7が静止画をアニメーション化できないという意味ではなく、アリーナがそこでランク付けしていないという意味です。Alibabaのスイートは、最初と最後のキーフレーム制御、最大5枚の被写体画像と5本の参照クリップ、ネイティブ音声付きの720pから1080pの出力を謳っています。ボードが評価しない能力も依然として能力です。
予算編成で押さえておくべき文脈が一つあります。Wan 2.7 は前世代です。Wan 3.0 は現在、テキストから動画のリーダーボード(1,176)と編集リーダーボード(1,197)の両方で首位に立ち、テキストから動画では毎分 $12.00 と、Wan 2.7 の編集料金 $9.00 に対して両者の中で安価な方です。今日、比較するのではなく Alibaba のモデルを一つ選ぶのであれば、判断はすでに先へ進んでいます。
9Bチェックポイントの実際の正体
WeMM-Video-9Bは動画生成器ではありません。そして、この比較では、その一文が大半の役割を果たします。それは動画理解モデルです:フレームと元のサウンドトラックを渡すと、テキストを返します。説明、文字起こし、時間的推論、すでにお手持ちの映像に対する質問応答。
このリポジトリは中身について異例なほど具体的で、静かなリリースが大げさなリリースに勝る唯一の場面と言える。Hugging Face のレコードには、1,305 個のテンソルにまたがる 10,488,603,384 個のパラメータ、BF16、5 つのシャードに分割された 19.54 GiB が記載されている。内訳は項目ごとに示されている。1.02B のトークン埋め込みを含む 7.94B の言語バックボーン、非結合の 1.02B 出力ヘッド、2 層の Q-Former の後段に置かれた、幅 1,280 の 32 層からなる 1.08B の Whisper スタイル音声タワー、そしてパッチサイズ 16 と 2×2 の空間マージを備え、隠れ幅 1,152 の 27 ブロックからなる 0.46B の視覚タワーである。言語スタックは隠れ次元 4,096 の 32 層で、ヘッド次元 256 の 4 個のキー・バリュー・ヘッドに対して 16 個のアテンション・ヘッドを持ち、ハイブリッド線形アテンション——線形 3 層ごとにフルアテンション 1 層——と 262,144 個の位置埋め込みを採用している。
実際にそれがもたらすのは、広い入力と狭い出力です。入力は動画、音声、画像、テキスト。出力されるのはテキストで、英語または中国語です。アーキテクチャのどこにもフレーム合成はなく、どれほどプロンプトを与えてもフレームが生成されることはありません。


出会うことのない二つの時計
実際に何かを決める比較は時間とお金の話であり、どちらの側にも上限がある。
• 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から1080pまで、秒単位で課金されます。15秒の1080pクリップは、実行する前に費用が確定しています。
• WeMM-Video-9Bの上限はコンテキストです。 プロセッサのデフォルトは毎秒2フレームで、最小4フレーム、最大128フレーム、合計100,663,296ピクセルの予算です。出荷時のvLLMレシピはそのすべてを上書きし、2fps、16フレーム、262,144ピクセルにします — クリップの中点からサンプリングした約8秒分のカバレッジです。リポジトリ内のすべてのサービングコマンドも8,192トークンのコンテキスト長を渡しており、毎秒10オーディオトークンでは、予算を音声だけに費やすと約13分の音声に相当します。
• 不一致。Wan 2.7 は 15 秒の映像を生成します。出荷時の WeMM-Video-9B は 8 秒を見ます。パイプラインがクリップを生成し、その後でモデルにその中で何が起きたかを尋ねる場合、描写側は出力の半分しかサンプリングしていません。これはどちらの製品の欠陥でもありません。意図的に変更すべき設定であり、リポジトリ自体の例ではそれが自動的に変更されることはありません。
彼ら二人のどちらも所属していない取締役会
この対決における構造的な問題を率直に言えば、こうだ。Artificial Analysisの動画ボードはどれも、生成された映像をランク付けしている。テキストから動画、画像から動画、動画編集——この3つはいずれも、ピクセルを出力するモデルを対象とし、人間によるペア比較の選好でそれをランク付けする。WeMM-Video-9Bはトークンを出力する。
WeMM-Video-9B の成績が悪かったわけではない。エントリーできないのだ。Wan 2.7 には2つの行があり、どちらも議論になるほど狭い区間を持つ。WeMM-Video-9B にはそれがなく、誰かが動画理解アリーナを構築するまで存在しないだろう。つまり、この記事の対象についての唯一の品質的証拠は、著者自身の表だけである。
その表は決して無意味ではない。音声と視覚の複合タスクの思考モードでは、9Bチェックポイントは共通して比較されている37項目中35項目でQwen3-Omni-30B-A3B-Instructを上回る——音声付きVideo-MMEは85.1対77.3、Daily-Omniは83.6対70.7、SciVideoBenchは64.2対49.9、OmniReasoningBenchは43.9対24.1——そしてちょうど1項目だけ負け、FutureOmniでは53.7対55.1である。無音声動画では、自身のQwen3.5-9Bバックボーンと比べてF-16-NBA(88.7対75.8)とTimeLensで向上し、MLVU、LVBench、VideoVista、VSI-Bench、MVBenchでは低下する。論文は「入手可能な場合は公式結果を、それ以外は自前の評価を報告する」と述べており、これは正しい開示であり、同時にそのいずれも独立したものではない理由でもある。

OrcaRouterの位置づけ
どちらのモデルもOrcaRouter経由では提供されておらず、本記事もそうでないふりをするつもりはない。Wan 2.7はAlibaba自身のAPIや複数のサードパーティ製プラットフォームから利用可能であり、WeMM-Video-9Bはダウンロードすることで利用できる。
ここに入るべきは課金の側面です。チームが生成ツールと描写ツールを比較する羽目になるのは、どちらも同じパイプラインに組み込まれるからです。OrcaRouterはプロバイダーの定価を0%のマークアップで提供しているため、ベンダーの値下げは、リセラーが値付けをやり直すのを待たずに、彼らの請求書に反映されたその日にあなたの請求書にも反映されます。Wan 3.0のときと同じようにWan 2.7の$16.90の編集レートが$12.00になれば、次の請求書でそれがわかります。片方の処理が秒単位で課金され、もう片方が自分でホストするチェックポイントであるようなワークロードでは、課金される側が原価で報告されるかどうかが、予測できる予算とそうでない予算の分かれ目になります。
どちらを予算に組むべきですか
成果物が映像である場合、2つの中でそれを生成できるのはWan 2.7だけであり、判断は、編集で1分16.90ドル、テキストから動画で1分9.00ドルという価格が、他の候補と比べて競争力があるかどうかに帰着する。それぞれ9位と20位で、どちらも中位につけている。
成果物が、すでに保有している映像素材についての記述であるなら、2つのうちそれを生成できるのは WeMM-Video-9B だけであり、判断は、9Bクラスの記述モデルで真に強い音声視覚性能の数値を得るために、パッチ適用済みの vLLM または SGLang のインストール環境、19.54 GiB のチェックポイント、8秒のサンプリングウィンドウを運用できるかどうかに帰着する。
罠は、$16.90と$0.00を同じ数量として読んでしまうことだ。一方は、今日の午後にも呼び出せるサービスの従量料金だ。もう一方はサービスの不在であり、その不在の代償は、統合作業と、Tencentの外の誰もその数値が成り立つかどうかを教えてくれないという事実によって支払われる。
