「WeMM-Video-9B vs FLUX 3 Video」と書かれたタイトルカード。サブタイトルは「誰が何に対して請求するのか」。vsの円形ディスクで2つのパネルに分割され、左は「weights only」バッジ付きで、9Bのdenseパラメータ、19.54 GiBのBF16シャード、128フレームの上限を記載。右は「metered」バッジ付きで、AA-Video-T2V v2.1でのElo 1,137と1分あたり17.40ドルを記載。
Guides & Insights

WeMM-Video-9B vs FLUX 3 Video:誰が何に対して課金するのか

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

Two models with video in their name, and only one of them will ever hand you a video. FLUX 3 Video, from Black Forest Labs, went to general availability on 4 August 2026 and sells seconds of finished 1080p footage at a published rate. WeMM-Video-9B, from T​encent's WeChat Vision group, went up on 17 November 2026 as a 19.54 GiB Apache-2.0 checkpoint that reads footage and writes sentences about it. Nobody announced it — no blog post, no pricing page, no demo, no board entry — which is why the useful question here is not which model is better. It is which of the two invoices you are trying to reduce.

その言い換えはごまかしではない。生成器と記述器の比較は、両者が代替物ではないと最初に明言し、そのうえで実際に接する点——作業単位あたりのコスト、どちらがクリップのどれだけの部分を見るかについての上限、そしてどちらの主張も、その会社で働いていない人によってどれだけ検証されているか——を探しに行く場合にのみ、誠実なものになる。

2つの製品カテゴリーであり、2つの競合ではない

FLUX 3 Videoは、テキストプロンプト、静止画、または元クリップを受け取り、新しい映像を返します。Black Forest Labsは、テキストから動画、画像から動画、動画から動画、キーフレーム条件付けと継続、最大20秒・1080p SDR MP4での出力、同一処理で生成される同期音声について明記しています。これはオープンウェイトではありません。ダウンロードできるチェックポイントも、自分のハードウェアで実行できるライセンスもなく、レンタルして使うものです。

WeMM-Video-9Bは、フレームに加えてオリジナルのサウンドトラック、単体の音声、画像、テキストを受け取り、英語または中国語のテキストを返します。Apache 2.0ですが、モデルカードが個別に列挙していないサードパーティの除外条項があります。チェックポイントはBF16の5つのシャードとして存在し、誰も見つけていないホスト型エンドポイントはありません。

• 方向 — FLUX 3 Video:テキストまたは画像を入力、動画を出力。WeMM-Video-9B:動画と音声を入力、テキストを出力。

• パラメータ — FLUX 3 Video:未公開。WeMM-Video-9B:9Bの密な言語バックボーン、1,305個のテンソル全体で合計10,488,603,384。

• 天井 — FLUX 3 Video:出力は20秒。WeMM-Video-9B:入力はサンプリングされた16フレームと8,192トークン(出荷時仕様)。

• アクセス — FLUX 3 Video:従量制API。WeMM-Video-9B:ダウンロードしてセルフホスト、vLLMまたはSGLangのオーバーレイ付き。

Two-column contrast headed 'WeMM-Video-9B vs FLUX 3 Video', the left listing 10.49B parameters, 16 sampled frames in, text out and Apache 2.0, the right listing Elo 1,137 on AA-Video-T2V v2.1, up to 20 seconds and $17.40 per minute, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

$17.40を読み取る

Artificial Analysisは、FLUX 3 Videoを、それが掲載されている両方のボードで1分あたり17.40ドルと価格設定しており、その一貫性には立ち止まって考える価値がある。なぜなら、それはこの記事の中で市場の両側が一致している唯一の数字だからだ。

Black Forest Labs のドキュメントにある秒単位の料金表はより細かく、より厳しい内容だ。テキストまたは画像からの動画生成では HD が 1 秒あたり $0.15、Full HD が $0.24、QHD が $0.28、UHD が $0.41 で、動画から動画生成には別個の、より高い料金体系が適用され、$0.21、$0.27、$0.31、$0.45 となる。さらに Draft ティアは $0.06 だ。モデルページの FAQ には、同じ 4 つのティアについて依然として $0.17、$0.29、$0.40、$0.80 と記載されている。同じベンダーの公開中の 2 つのドキュメントが、最高価格帯では最大 2 倍も食い違っている。予算は秒単位の料金表に基づいて立て、FAQ は料金ページが古くなる証拠として残しておこう。

ここが、ルーティング層が単なる飾りではなく、その存在価値を発揮する場面だ。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま渡すため、ベンダーが料金表を改定したとき——あるいは互いに矛盾する料金表を2つ公開したとき——請求される金額は、リセラーのキャッシュされたコピーではなく、ベンダーが公開する数字に連動する。4つの解像度ティアにまたがって秒単位で課金されるワークロードでは、これは、価格変更に耐えるコストモデルと、静かにずれていくコストモデルの違いになる。

ボード上の数字が何を意味するか

FLUX 3 Videoは、互いに換算できない2つの指標で二重にランク付けされています。

• AA-Video-T2V v2.1 — 2026年7月、7,406サンプルにおいてElo 1,137 ±13で10位、1分あたり17.40ドル。

• AA-Video-I2V v2.1 — 6,838サンプルでElo 1,069 ±14の16位、価格は同じ。上位モデルのFLUX 3 Video Maxは、テキストtoビデオで1,151の7位、画像toビデオで1,068の17位、1分あたり8.70ドルです。

テキストから動画への行と画像から動画への行の間には68ポイント、実に5区間分の差がある。これは、2つのボードで採点されるモデルについて最も有用な事実だ。つまり、その順位はモデルについての記述ではなく、タスクについての記述なのである。どちらのボードにもWeMM-Video-9Bの行はなく、今後も決して現れない。どちらも生成された映像を順位付けするのに対し、WeMM-Video-9Bは映像を一切生成しないからだ。それは低いスコアではない。空のセルなのだ。

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 at rank 10 on Elo 1,137 over 7,406 samples at $17.40 per minute and FLUX 3 Video Max at rank 7 on 1,151.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.

16コマには見えないもの

WeMM-Video-9B の出荷時設定は、論文をざっと流し読みした人を最も失望させやすいリポジトリの部分です。プロセッサのデフォルト設定では、毎秒 2 フレーム、最小 4 フレーム、最大 128 フレーム、そして 100,663,296 ピクセルの上限が許容されています。リポジトリに同梱されている vLLM レシピは、そのすべてを 2 fps、16 フレーム、262,144 ピクセルに上書きし、クリップの中間点付近でサンプリングします。2 fps で 16 フレームなら 8 秒分の範囲であり、サンプリングは中央から始まるため、より長いクリップの先頭と末尾は単に入力に含まれません。

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長も渡します。音声トークンが毎秒10個の場合、オーディオタワーは約13分の音声を保持できますが、ビデオ側はずっと早く上限に達します。このアーキテクチャは262,144個の位置埋め込みをサポートしているため、上限はハードリミットではなくレシピの選択です。ただし、それはベンダーが出荷した選択であり、指示に従えば得られるものです。

FLUX 3 Videoの20秒の出力と比べると、それは双方向のミスマッチです。生成された20秒の映像は、8秒の視聴よりも長いのです。パイプラインが生成してから記述する場合、記述側は生成側が出力したもののごく一部をサンプリングしているにすぎず、そのギャップを埋めるのは自分で行う必要がある設定作業です。

証拠のギャップは非対称である

FLUX 3 Videoには独立したEloの行が2つと価格があります。一方で、マーケティングに対する第三者による検証はありません。FLUX 3 Maxのページでは「10秒の動画を12秒で」「Seedance 2.5より22倍高速」「画像から動画生成で首位タイ」と主張されていますが、どのボードかは明示されておらず、秒単位の料金カードにMaxの価格行はなく、Maxエンドポイントもありません。これらはベンダーの主張であり、そのように読むべきです。

WeMM-Video-9B は逆の問題を抱えている。そのベンチマーク表は詳細で、音声付き Video-MME は 85.1 対 Qwen3-Omni-30B-A3B-Instruct の 77.3、Daily-Omni は 83.6 対 70.7、SciVideoBench は 64.2 対 49.9、OmniReasoningBench は 43.9 対 24.1 で、FutureOmni のみ 53.7 対 55.1 と敗れている。しかもそのいずれも、著者自身の評価ハーネスの外では再現されていない。論文はこの点を明示している。「利用可能な場合は公式結果、それ以外は独自評価」と。この一文はかなり多くのことを担っており、公開から3日後、WeMM-Video の19リポジトリすべてでダウンロード数がゼロであることは、誰も検証を始めていないことを示唆している。

決断は、それぞれ一行で

FLUX 3 Videoは、映像素材が必要で、テキストから動画で10位、画像から動画で16位のランキング表に対して1分$17.40が許容できるなら購入すべきです。文書化されたAPI、公開価格、独立したスコアが得られ、自分で実行する能力は失います。

既に手持ちの映像について説明が必要で、19.54 GiB のチェックポイントとパッチ適用済みランタイムを扱える場合は、WeMM-Video-9B をダウンロードしてください。得られるのは、音声と映像の数値に強い 9B の描写モデルと Apache-2.0 ライセンスです。一方で、独立した検証、サービス提供の契約、そして長いクリップのどこまでを実際に見るかに関する保証は諦めることになります。

$17.40 と無料ダウンロードを同じ明細項目として扱うべきではありません。一方は単価です。もう一方はリサーチ版のリリースであり、その本当のコストは後になって、統合にかかる時間とセカンドオピニオンが得られないことの中に現れます。