「WeMM-Video-9B vs Wan 3.0」と表示されたヒーロータイトルカード。サブタイトルは「一方は秒を売り、もう一方はその秒を読み返す。」。3つの統計チップには「10.49Bのオープンウェイト」「デフォルトで8秒視聴」「30秒のクリップ上限」と表示され、フッターには、WeMM-Video-9Bの数値はTencentのリポジトリおよびarXiv 2611.26409に由来し、Wan 3.0の数値はAlibabaとArtificial Analysisに由来すると記載されている。
Guides & Insights

WeMM-Video-9B 対 Wan 3.0:売れた秒数、視聴された秒数

著者

Alistair Wren

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

Wan 3.0は動画を秒単位で売る。WeMM-Video-9Bはそれを読み取る。比較はこれだけであり、この2つの間で次元ごとのスペック論争をしてもほぼ無意味なのはそのためだ。一方はMP4を返す生成モデルで、もう一方は一文を返すオムニモーダル理解モデルである。両者はライバルではない。1つのパイプラインの両半分——クリップを生成し、次にそれを確認する——であり、興味深い問いはどちらが勝つかではなく、それぞれがどこで使えなくなるかだ。

ニュースになっているのはそのうち片方だけだ。テンセントはWeMM-Video-9Bと18件の関連リポジトリを、2026年11月17日08:53:50 UTCから始まる5分間のうちにアップロードし、11月19日には技術レポートをarXiv 2611.26409として公開したが、そのいずれについても発表していない。ブログ記事も、ローンチページも、有料プランもない。執筆時点で、9Bリポジトリのダウンロード数はゼロ、コレクションのいいねはわずか数件で、このモデルを提供する推論プロバイダーは一つもない。Wan 3.0はまったく逆のケースだ。アリババは2026年8月6日にパブリックベータを開始し、8月24日に正式リリースした。これは本稿の88日前にあたり、現在は2つの独立系リーダーボードで首位に立っている。以下のWan 3.0に関する記述はすべて、リリース済みで価格が設定され、独立に評価された製品についてのものだ。WeMM-Video-9Bに関するすべては、それ自体のリポジトリか著者らのPDFのいずれかに由来しており、このモデルに関するあらゆる数値が存在するのはその2か所だけだ。

それぞれが実際に返すもの

仕様の行を並べて見比べる価値があるのは、まさにそれらが異なる役割を説明しているからだ。

• 出力 — WeMM-Video-9B は、中国語または英語でテキストを返します。 Wan 3.0 は、最大30秒の生成クリップをネイティブ音声付きで返します。

• 入力 — 9Bモデルは動画フレームとその元の音声、無音動画、単独の音声、画像、テキストを扱うことができ、それらすべてを同時に推論できます。Wan 3.0はテキスト、画像、動画、音声のプロンプトに加え、同ファミリーで唯一、ドキュメントも受け付けます。doc、xls、ppt、pdf、md、txt形式に対応し、1ファイルあたり最大100MBまたは50ページまで、動画に直接変換されます。

• 重み — WeMM-Video-9B は Apache 2.0 の重みを Hugging Face で BF16 形式で提供し、さらに 4 つの量子化ビルド(FP8 Block128、AWQ W4A16、GGUF Q4_K_M、NVFP4 W4A16)も提供しています。Wan 3.0 には公開された重みがなく、従量課金制のクローズド API です。

• 価格 — 9Bにはホステッド価格がない。なぜなら、それをホストするものは何もないからだ。あなたのコストは、GPU、パッチを適用したランタイム、そして自分の時間だ。Wan 3.0は出力1秒あたりで課金する。480p、720p、1080pで毎秒0.3元、0.6元、1.2元——およそ0.05ドル、0.10ドル、0.20ドル——であり、Artificial Analysisはこれをリーダーボード上で1分あたり12.00ドルに正規化している。

• 独立スコア — WeMM-Video-9Bについては該当なし。Artificial Analysis はどのボードにも WeMM モデルを掲載していません。Wan 3.0 は Artificial Analysis のテキスト→動画ボードで Elo 1,176(95% 区間 1,163〜1,189、8,243 サンプル)で1位、動画編集ボードでは 1,197(1,187〜1,207、9,919 サンプル)で1位、画像→動画では 1,109 で12位です。

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

価格差は価格差ではない

1分12ドルというのは人々が引用する数字だが、それは9Bに関する何かと比較するには間違った数字だ。なぜなら、この2つの請求は異なる量を測っているからだ。Wan 3.0は生成された時間に対して課金する。WeMM-Video-9Bには単位あたりの課金が一切ない——すでに所有しているハードウェアに対して課金するのであり、正直に価格を算出する方法は、カードのどれだけを占有するか、1時間に何本のクリップを処理できるかを計算することだ。

占有量はリポジトリから測定できる。BF16チェックポイントは、重みファイルが19.54 GiB、1,305個のテンソルにまたがる10,488,603,384パラメータ、すなわち104.9億パラメータである。90億ではない。名前に含まれる「9B」はスタック全体ではなく、Qwen3.5-9B言語バックボーンを指すからだ。AWQ W4A16ビルドは12.86 GiBになる。これは4ビットレシピが示唆する75%削減ではなく34%削減であり、その理由はエクスポーターのマニフェストを見れば明らかだ。圧縮されるのは密なフィードフォワード行列のみで、ビジョンタワー、Whisperベースの音声エンコーダー、埋め込み、出力ヘッド、そしてすべてのアテンション重みは元の精度のままである。約57億パラメータが各2バイトのまま残り、これが4ビットレシピでは下回れない下限を設定する。名前からデプロイ規模を見積もる人は、およそ1.5 GiB、精度階層一つ分ずれることになる。

つまり、実際に重要なコスト比較はドル対ドルではない。比べるべきは、完成映像1秒あたり0.20ドルのAPI呼び出し1回と、13〜20 GiBの常駐モデル、パッチを当てたサービングスタック、そしてGPU時間のコストがいくらであれそれを合わせたものだ。すでに推論を動かしているチームなら、後者の方が安く済む可能性がある。金曜日までにクリップが欲しいチームにとっては、前者しか存在しない。

9Bは30Bに対してどこに位置づけられるのか

唯一WeMM-Video-9Bが厳密な数値を示すのは著者らの評価であり、論文の看板となる主張はその一回り大きい兄弟モデルに関するものだ——35B-A3Bモデルがオムニモーダル動画でオープンソースの新たな最先端を樹立し、Gemini-3.0-Flashに肉薄するというものだ。9Bについてはより控えめな主張で、約3倍の規模のモデルであるQwen3-Omni-30B-A3B-Instructを上回るという。Thinkingモードでは、音声・視覚の統合表において、実際に上回っている。

• 音声付きVideo-MME — 9Bは85.1、Qwen3-Omni-30B-A3B-Instructは77.3、MiniCPM-o-4.5-9Bは69.2。

• Video-MME-v2 with audio — 36.3に対して51.6、15.3ポイントの差。

• 推論寄りの行 — SciVideoBench 64.2 対 49.9、MMOU 71.7 対 60.5、EvaOmni 50.7 対 26.1、OmniReasoningBench 43.9 対 24.1。

• 負けている点 — FutureOmniは53.7対55.1、JointAVBenchは64.6で引き分けです。

より興味深い比較は内部比較であり、論文を引用する誰も言及していない比較だ。同じ17行で9Bを35B-A3Bフラッグシップと比べると、差は小さい。音声付きVideo-MMEでは85.1対86.4、Video-MME-v2では51.6対54.9、MMOUでは71.7対74.5である。ある1行では小さいモデルが完全に勝っている——SVHallucで86.8対80.3だ。フラッグシップのアクティブパラメータのごく一部しか持たないモデルが、主要ベンチマークで1.3ポイント以内に収まっている。これはリポジトリ内で9Bを特に支持する最も強い論拠であり、能力ではなくデプロイコストに関する論拠である。

9Bもまた、継承したバックボーンに対する一律のアップグレードではない。無音動画の表で素のQwen3.5-9Bと比較すると、このモデルは何かがいつどこで起きたかに向けて調整されている一方、他の面では測定可能な代償を払っていることがわかる。F-16-NBAは88.7対75.8、TimeLens-QVHighlightsは66.8対64.3、TOMATOは48.5対45.0だが、MLVUは82.4対84.4、LVBenchは68.2対70.0、VSI-Benchは54.5対58.3、MVBenchは71.4対74.4である。長尺動画の要約がタスクなら、音声視覚の仕組みは、バックボーンがすでにより得意としていた何かを犠牲にしている。

デフォルトで8秒分のカバレッジ

ここが、二つのモデルが直接比較可能になる点です。というのも、これは持続時間に関する限界であり、しかもその数値は大きくかけ離れているからです。

Wan 3.0は1回の実行で最大30秒を生成でき、これはWan 2.7の15秒という上限の2倍で、より長い物語をつなげるための動画延長ツールを備えています。WeMM-Video-9Bは、出荷時の状態では8つを対象としています。

そのギャップはチェックポイントにあるのではない。9B はテキスト設定で 262,144 個の位置埋め込みを宣言しており、これは非常に大きな予算だ。ギャップはレシピにある。プロセッサはデフォルトで 2 fps、最小 4 フレーム、最大 128 フレーム、合計 100,663,296 ピクセルに設定されており、Tencent が公開している vLLM コマンドはその 4 つすべてを 2 fps、16 フレーム、262,144 ピクセルに上書きする。2 fps では、16 フレームはクリップの中央から取られた 8 秒分のカバレッジである。リポジトリ内のすべてのサービングコマンドも --max-model-len 8192 または --context-length 8192 を渡しており、リポジトリ内の何も、宣言されているより大きな数値にどう到達するかを説明していない。

• フレーム予算 — 出荷時のデフォルトは2 fpsで16フレーム、つまり約8秒で、Wan 3.0の30秒の単一生成と対比されます。

• 音声コスト — 音声スタックは1秒あたり10トークンを出力するため、8,192トークンの予算は約13分の音声だけで埋まり、他には何も残りません。サウンドトラック付きのクリップでは、同じ予算をフレームと音声の両方に使います。

• リクエストあたりのメディア — vLLM と SGLang の両レシピで提供されている制限に準拠し、画像4枚、動画2本、音声2件です。

WeChat Visionの外部では、ベンチマーク実行でどのサンプリングが使われたかを公表した人は誰もいない。上の表の数値を再現しようとしているなら、まず特定すべき未知の点はそこであり、出荷時のデフォルトである16フレームは出発点として不適切だ。しかし上限は現実だ。1テイクより長いものについては、フレーム上限を引き上げてコンテキストでその代償を払わない限り、9Bはスポットチェッカーであってレビュアーではない。

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

まだ誰も測ったことのない数

このモデルを自信を持って推薦するには、まず三つの事実が立ちはだかっており、それらは埋もれさせるのではなく率直に述べておく価値がある。

第一の点は、上記のスコアはすべてベンダーによる自己申告だということです。WeMM-Video-9Bを独立に評価したものはどこにも存在しません — アリーナEloも、第三者による再現も、リーダーボードへの登録もありません。これらの表は、モデルを学習させた著者自身が、自ら選んだ120以上のベンチマークに基づいて作成したものであり、しかもそのうち複数のベンチマークでは異なる審査モデルが使われています。論文の評価はタスクに応じて GPT-6.1-Sol、GPT-4o、Qwen3-235B-A22B を使い分けています。したがって、論文内でのモデル間比較は、異なる採点者のもとで生成された数値の比較ということになります。これは論文自身も明記している注意点ですが、表を引用する人のほとんどが落としてしまう点でもあります。

第二の点は、2つの行を比較不能にするモード分割である。オムニモーダル動画の表ではWeMMモデルをThinkingモードで実行し、音声の表ではInstructモードで実行している。これは、標準的な音声ベンチマークが直接的な知覚タスクであるという著者らの判断に基づくものである。それは妥当ではあるが、同時に、一方の表にあるWeMMの行を、もう一方の表にある競合モデルの行と並べて比較できないことも意味する。

第三は流通だ。ダウンロード数がゼロだということは、どちらにせよ品質の証拠にはならないが、実務家による報告がまったく存在しないということを意味している——失敗事例もなければ、「ミュージックビデオでハルシネーションを起こす」という報告もなく、フレーム上限を苦労して発見した人々のスレッドもない。Wan 3.0にはそうした蓄積が88日分あり、さらにComfyUI、Leonardo.Ai、Envatoでのローンチ時の統合もある。「本番環境で実際に何がうまくいかないのか」という問いに対して、一方のモデルには答えがあり、もう一方にはリポジトリがあるだけだ。

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

本日はペアを実行します

両方をご希望なら、それらはまったく異なる方法でインストールされ、どちらもルーティングプラットフォーム上にはありません。

Wan 3.0は従量課金制のAPI呼び出しです。Alibaba自身のコンソールからも、サードパーティ製のクリエイティブツールからも利用でき、480p、720p、1080pでそれぞれ毎秒0.3元、0.6元、1.2元が課金されます。実質的な調達上の唯一の判断材料は、レビュー工程に必要な解像度がどれかということです。それが料金の乗数になるからです。

WeMM-Video-9B はセルフホスト型のジョブです。Python 3.12、CUDA 12.9 ドライバー上の NVIDIA GPU、FFmpeg、TorchCodec の共有ライブラリが必要で、さらにリポジトリのランタイムパッチ(パッチ適用済みの vLLM 0.18.0、BF16 用なら 0.31.0、またはパッチ適用済みの SGLang 0.5.16 もしくは 0.5.19)を、お使いのエンジンバージョン向けにパッチマニフェストが指定する正確な PyTorch、Transformers、CUDA の組み合わせに固定して導入する必要があります。読み込みにはさらに trust_remote_code が必要です。モデルにカスタムのモデリングコードとプロセッサコードが同梱されているためです。Tencent は、パッチ適用済みの vLLM がチェックポイントを読み込み、H20 上でテキスト、画像、音声、サウンドトラック付き動画の生成チェックを完了することを検証しましたが、これは読み込みと実行の検証であり、精度に関する主張ではありません。GGUF のルートでは、ソースからビルドしたネイティブランタイムが必要です。

OrcaRouterはWeMM-Video-9Bを提供しておらず、そのカタログにはWeMMチェックポイントが一切掲載されていないため、提示できるホスト価格も呼び出せるエンドポイントもありません。このプラットフォームが提供しているのは、同じ作業の視覚部分です — Qwen3-VL-8B-ThinkingとQwen3-VL-235B-A22B-Thinkingはいずれも画像と動画フレームを扱えます — 1つのOpenAI互換キーの背後で200以上の他のモデルと並び、プロバイダーの定価を0%のマークアップでそのまま反映した価格で請求されます。どちらも音声を聞き取ることはできないため、音声と視覚の両方を扱う部分の代替にはなりません。本番経路を載せずにセルフホストの9Bを試す計画なら、フェイルオーバールールの背後にルーティングするのが、カードを投入する前にパッチ適用済みランタイムがあなたの同時実行数で耐えられるかを安上がりに確かめる方法です。

この組み合わせ自体はベンチマークではなく、ワークフローだ。Wan 3.0で生成し、そのクリップをピクセルではなく説明文を返すモデルに渡す。シーンはプロンプトと一致するか、発話は聞き取れるか、音はアクションに合っているか。ここでは次を測定しているわけではない:WeMM-Video-9Bがその作業にどれだけ優れているか、特にWan 3.0自身の出力と比較して——誰も実行していない。まず検証すべき制約は8秒というフレーム予算だ。なぜなら、クリップが30秒なら、レビュアーは各クリップの4分の1しか見ていないことになるからだ。

何が答えを変えるだろうか

推奨をどれだけ大きく動かすかの順に並べた、日付を特定できる3つの事柄。

独立したスコア:WeMM-Video-9B。Artificial Analysis の単一のエントリ、または著者と同じ雇用主を共有しない当事者によるアリーナ結果が1つあれば、上の表は主張から測定へと変わります。それまでは、9B のバックボーンを持つ 10.49B チェックポイントが、Tencent 自身のベンチマーク上で自社の 35B-A3B フラッグシップに近いスコアを出すというのが正直な解釈であり、言えるのはそれだけです。

ホスト型エンドポイント。このモデルにはパッチ適用済みランタイム、カスタムコード、そして13〜20 GiBの常駐フットプリントが必要だ。プロバイダーがこれをAPIの背後で提供する日には、本記事の価格比較はカテゴリー錯誤ではなくなり、算数の問題になる。

宣言されたコンテキストを使うレシピ。チェックポイントはすでに 262,144 ポジションを謳っている。Tencent がフレーム上限を引き上げ、それを実際に活用するサービングプロファイルを提供すれば、8 秒というデフォルトは天井ではなく設定の細目になり、9B は短いテイクの抜き取りチェック役ではなくなる。

現時点では棲み分けは明確だ。映像素材が必要ならWan 3.0を選ぼう。すでにリリースされ、価格も設定済みで、2つの独立系リーダーボードで首位に立ち、しかも2つのうち今日の午後すぐに使えるのはこちらだけだ。WeMM-Video-9Bは、フレームを見るだけでなくサウンドトラックも聞けるモデルが必要で、カードを1枚余分に用意でき、8秒というレシピがデフォルトなのか限界なのかを誰よりも早く確かめてみる覚悟があるなら選ぼう。この2つは同じ判断を巡って競合しているわけではない。

この記事で比較したモデル2

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新