
WeMM-Video-4B vs FastFrames 비디오 생성: 소리 없는 이음매
- OrcaNEWOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 100만 토큰당 · 182 tok/s
- tencentNEWTencent: Hy4 Flash2026-11-16$0.02 / $0.07 100만 토큰당 · 356 tok/s
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 87 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 147 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100만 토큰당 · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 100만 토큰당 · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100만 토큰당 · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
FastFrames Video Generation은 2026년 11월 16일에 공개되었고 WeMM-Video-4B는 11월 17일에 공개되었다. 둘 다 논문이 첨부된 가중치 다운로드로 제공되었으며, 어느 쪽도 제대로 된 출시 게시글은 없었다. 이 우연의 일치가 둘을 서로 대조해 볼 유일한 이유인데, 둘은 하는 일이 다르기 때문이다: FastFrames는 문장을 81프레임의 무음 영상으로 바꾸고, WeMM-Video-4B는 영상을 설명으로 바꾸며, 그 위에서 말해지는 내용에 대한 설명까지 포함한다. 흥미로운 질문은 어느 쪽이 더 나은가가 아니다. 하나를 다른 것 뒤에 놓으면 무슨 일이 일어나는가이다 — 그리고 답은 그 둘 사이의 이음새가 무음이라는 것이며, 이는 WeMM 체크포인트에서 가장 값비싼 부분을 조용히 무력화한다.
아래 내용은 모두 두 저장소에서 측정 가능하거나 두 논문의 저자가 보고한 것이다. 두 모델 모두 자체 평가 섹션을 작성하지 않은 사람이 실행한 적이 없으며, 호스팅 가격, 아레나 순위, 제3자 재현 결과도 없다. 수치가 벤더 표에서 나온 경우에는 그 사실을 명시했다.
FastFrames가 디스크에 저장하는 내용
FastFrames는 Wan2.1에서 증류된 자기회귀 비디오 확산 모델로, Apple과 Cornell이 11월 17일 arXiv 2611.23226으로 공개했으며 가중치는 하루 전에 올라왔다. 크기는 두 가지로, FastFrames-S는 13억 개 매개변수, FastFrames-L은 140억 개 매개변수이며, 핵심은 충실도보다 지연 시간이다. 단일 B200에서 소형 모델은 프레임 한 장을 36밀리초에 생성하는데, 이는 클립 재생 속도보다 빠르다. 5.06초 생성에 약 2.9초가 걸린다. 대형 모델은 8대의 B200에 분산해 프레임당 45밀리초를 달성하며, GPU 한 대에서는 158밀리초로 떨어져 실시간보다 느려진다. Apple은 또한 B200 대신 H100을 사용할 경우 25~50%의 성능 저하가 있다고 보고한다.
출력 형식은 고정되어 있고 범위가 좁습니다. 832×480, 초당 16프레임, 생성당 81프레임으로 5초를 약간 넘는 길이이며, 오직 텍스트 프롬프트만으로 구동됩니다. 공개된 구성에는 이미지 컨디셔닝, 키프레임 입력, 이어 생성 모드, 카메라 제어가 없습니다. 오디오도 없습니다. 오디오 디코더도, 오디오 잠재 표현도, 사운드트랙도 없습니다. 저자들은 동일한 프롬프트와 시드에서 480p 기준 소형 모델 84.23, 대형 모델 84.44의 VBench 총점을 보고합니다. 이는 빠른 속도를 강점으로 내세우는 모델로서는 상당히 괜찮은 점수이며, 이번 릴리스에서 유일한 품질 수치입니다.
10억 7천만 개의 파라미터는 어디로 가는가
WeMM-Video-4B는 Tencent의 WeChat Vision 그룹이 내놓은 네 가지 크기 패밀리 — 2B, 4B, 9B dense 및 35B-A3B mixture of experts — 중 중간에 위치한 모델로, 모두 11월 17일 19분이라는 시간 창 안에 업로드되었고, 기술 보고서인 arXiv 2611.26409는 11월 19일에 뒤이어 공개되었다. 이름은 실제 규모를 축소해 부른다: safetensors 메타데이터에는 5,611,746,312개의 파라미터가 기록되어 있으며 BF16 기준 10.45 GiB인데, 이는 "4B"가 체크포인트가 아니라 Qwen3.5-4B 언어 백본을 가리키기 때문이다.
텐서 인덱스를 읽어 보면 이유를 알 수 있다. 1,268개 텐서 중 언어 모델은 42억 1천만 개 파라미터를, 비전 타워는 3억 3천만 개를, 오디오 스택은 10억 7천만 개를 담고 있다. 이 체크포인트의 거의 5분의 1은 Whisper 스타일 인코더-디코더다. 너비 1,280의 인코더 32층과 디코더 32층으로 구성되며, 0.1초 창을 초당 10개의 오디오 토큰으로 압축하는 창 단위 Q-Former가 있고, 16kHz로 30초 청크 단위로 입력된다. 이 스택은 Qwen2.5-Omni에서 초기화되었다.

• FastFrames 비디오 생성 — 텍스트를 입력하면 프레임이 출력되며, 파이프라인 어디에도 사운드는 없습니다.
• WeMM-Video-4B — 프레임과 사운드를 입력받아 텍스트를 출력하며, 사운드는 픽셀에서 추론하는 대신 전용 1.07B 타워가 처리합니다.
• 겹치는 부분 — 모델 수준에서는 없습니다. 둘 다 Apache 또는 Apple 라이선스가 적용된 가중치 번들이며 그 뒤에 엔드포인트가 존재하지 않고, 두 경우 모두 가속기를 직접 보유해야 합니다.
FastFrames가 만드는 유일한 클립은 무음입니다.
그 흐름을 끝까지 따라가 보면 구성 문제는 구체화된다. WeMM-Video-4B를 FastFrames Video Generation 뒤에 연결한다면 — 샷을 렌더링한 다음, 인덱싱, 필터링 또는 QA를 할 수 있도록 그 샷을 설명한다면 — 설명자에게 넘기는 모든 클립에는 오디오 트랙이 없다. 10억 7천만 개 매개변수의 오디오 타워는 들을 것이 없다. Q-Former는 아무것도 내보내지 않으며, 융합 단계는 비전 경로로 축소된다.
그것은 두 모델 중 어느 쪽의 결함도 아닙니다. 그것은 파이프라인에 관한 사실이며, 측정 가능한 결과를 낳습니다. WeMM 논문이 무음 비디오 벤치마크를 별도로 보고하기 때문입니다. 비전만 놓고 보면 WeMM-Video-4B는 Video-MME에서 75.7, LVBench에서 65.3, LongVideoBench에서 74.8, EgoSchema에서 74.2를 기록합니다. 오디오와 비주얼을 결합한 수치인 오디오 포함 Video-MME 83.9, Daily-Omni 82.5야말로 파일 크기를 정당화하는 수치이며, 바로 그 수치가 FastFrames로 공급되는 파이프라인은 도달할 수 없는 수치입니다.
그래서 이 조합을 솔직하게 설명하자면, FastFrames는 WeMM 체크포인트의 약 80퍼센트를 활용합니다. 생성된 영상에 대한 캡셔닝 루프가 목표라면 절반 크기의 비전 전용 모델이 같은 작업을 할 수 있습니다. 소리가 포함된 영상을 이해하는 것이 목표라면 FastFrames는 입력을 제공할 수 없습니다. 두 도구는 한쪽이 절반쯤 유휴 상태가 되는 지점에서 맞닿습니다.

두 개의 속도 수치, 공통 단위 없음
두 릴리스 모두 지연 시간 주장을 앞세우는데, 그 주장들은 서로 비교할 수 없다는 점이 인터넷에서 이 비교가 가장 흔히 왜곡되는 방식이다.
FastFrames의 36밀리초는 B200 한 대에서 출력 프레임당 수치이며, 재생 시간을 기준으로 측정한 값입니다. WeMM-Video-4B는 프레임을 생성하지 않습니다. 비용은 제한된 미디어 예산 내에서 텍스트를 디코딩하는 비용입니다. 이 예산은 프로세서 기본값이 시사하는 것보다 더 빠듯합니다. 저장소의 vLLM 레시피에서는 max_frames 16을 프로세서 기본값 128과 대비하여, fps 2로, 총 픽셀 상한은 262,144로, 컨텍스트 길이는 8,192토큰으로 설정합니다. 오디오는 단 한 프레임도 집계되기 전에 매초 10토큰을 소비합니다.
실용적으로 해석하면, 20초 클립과 5초 클립 모두 설명기에는 16개 프레임으로 전달되며, 사운드트랙이 있는 클립은 컨텍스트를 동시에 두 스트림에 사용한다. FastFrames는 출력 1초당 16프레임으로 움직임을 제공하고, WeMM-Video-4B는 슬라이드쇼를 보고 움직임을 추론한다. 두 수치는 서로에 대해 아무것도 알려주지 않으며, "36 ms"를 "8K context" 옆에 놓는 페이지는 렌더링 예산과 읽기 예산을 비교하는 셈이다.

여기서는 점수보다 라이선스가 더 결정적입니다.
독립적 증거가 이토록 빈약한 비교에서는 라이선스 조항이 두 논문의 어떤 벤치마크보다도 더 큰 의사결정 비중을 차지하며, 그 둘은 스펙트럼의 양극단에 놓인다.
• FastFrames 비디오 생성 — 가중치에는 Apple의 AMLR 약관이 적용되며, LingBot-World v2 데모 구성 요소는 CC BY-NC-SA 4.0에 따릅니다. 문제가 되는 제약은 "NC"입니다. 즉, 가중치는 공개되어 있지만 상업적 사용은 허용되지 않습니다.
• WeMM-Video-4B — 컬렉션 전체에 Apache 2.0이 적용되어 있지만, Tencent 라이선스 파일에는 서드파티 구성 요소가 "각자의 원래 조건의 적용을 계속 받습니다"라고 명시되어 있습니다. 예외 대상이 항목별로 열거되어 있지 않은데, 오디오 스택이 Qwen2.5-Omni에서, 백본이 Qwen3.5에서 파생되었고 둘 다 Apache 2.0이라는 점을 고려하면 이는 형식적인 문제가 아니라 실질적인 공백입니다.
• 둘 다 — 저장소에 전체 학습 단계 체크포인트와 평가 파이프라인이 있어 이런 종류의 릴리스로서는 이례적으로 재현성이 높으며, 둘 모두 갖지 못한 독립적 평가를 대신할 수 있는 현존 최선의 대안입니다.
렌더러 뒤에 설명자 연결하기
어쨌든 루프를 구축한다면, 엔지니어링 질문은 텍스트 모델이 어디로 가느냐입니다. 텍스트 홉이 세 개 있고 그중 하나만 선택 사항이기 때문입니다.
• 프롬프트 확장 — 샷 노트가 FastFrames 프롬프트로 바뀝니다. 1.3B 증류 확산 모델은 모호한 지시를 해석할 여지가 없기 때문에 꼭 필요합니다.
• 설명 — 렌더링된 클립은 WeMM-Video-4B로 전달되고 산문 형태로 돌아오며, 이 단계 덕분에 영상이 검색 가능해집니다.
• 선택 — 산문이 클립을 유지할지 결정하며, 이 단계는 비용이 저렴해야 합니다. 왜냐하면 살아남은 항목마다가 아니라 모든 후보마다 비용을 지불하기 때문입니다.
그 두 개의 바깥쪽 홉은 일반적인 텍스트 완성이며, 이 스택에서 OrcaRouter가 실제로 담당하는 부분입니다: OpenAI 호환 키 하나로 200개 이상의 모델을 아우르고, 공급자 정가를 0% 마크업으로 그대로 전달해 공급업체 가격이 바뀌면 당일 반영되며, 자동 장애 조치 덕분에 천 개 클립 배치 도중 발생한 속도 제한이 구멍이 아니라 재시도가 됩니다. FastFrames Video Generation도 WeMM-Video-4B도 플랫폼에 없습니다 — 둘 다 가중치 다운로드이며, 어떤 라우팅 계층도 체크포인트를 엔드포인트로 바꾸지 못합니다. 라우터가 없애주는 것은 직접 호스팅하는 두 모델을 둘러싼 통합 작업입니다.
아직 확인되지 않은 것은 무엇인가?
• 독립적 품질 — 두 모델 모두 Artificial Analysis 행도, 아레나 등재도, 제3자 재현도 없습니다. VBench 84.44와 Video-MME 83.9는 저자 보고 수치이며 다른 누구도 실행하지 않았습니다.
• 평가 조건 — WeMM 논문은 비디오 벤치마크에 사용된 프레임 수, 픽셀 예산, 컨텍스트 길이를 명시하지 않으며, 배포된 레시피는 프로세서 기본값인 128프레임이 아닌 16프레임을 사용합니다. 이 격차는 롱 비디오 항목에서 문제가 될 만큼 큽니다.
• 가격 — 둘 다 없습니다. 호스팅 엔드포인트도, 초당 요금도, 파트너 목록도 없습니다. 비용은 직접 보유한 GPU와, WeMM 저장소가 요구하는 패치된 vLLM 또는 SGLang 오버레이입니다. 두 엔진 모두 해당 아키텍처를 업스트림에서 지원하지 않기 때문입니다.
• Apple 쪽의 상용 활용 가능성 — AMLR에 더해 비상업적 데모 라이선스라는 점은, 법무 검토가 이 파이프라인에서 제동을 걸 대상이 describer가 아니라 renderer라는 뜻입니다.
하나를 고르는 질문
당신의 아티팩트가 무엇인지 물어보세요. 파일이라면 FastFrames만이 그것을 생성할 수 있으며, 480p, 5초, 무음, 비상업적 라이선스를 기준으로 계획하세요. 이미 가지고 있는 영상에 대한 주장—무슨 일이 일어나는지, 누가 말하는지, 무엇이 들리는지—이라면 WeMM-Video-4B만이 그것을 생성할 수 있으며, 샘플링된 프레임 16개와 8,000토큰을 기준으로 계획하세요.
둘 다라면, 당신은 이음새가 조용한 두 모델 시스템을 구축하고 있는 것이며, 그 시스템의 가장 저렴한 올바른 버전은 무음 출력에 캡션을 달기 위해 5.61B 옴니 체크포인트를 사용하지 않습니다. 렌더링된 클립에는 비전 모델을 사용하고, 소리가 담긴 원본 영상에는 WeMM-Video-4B를 유지하세요. 그것은 모든 것에 하나의 모델을 쓰는 것보다 덜 우아한 아키텍처이며, 숫자들이 뒷받침하는 바로 그 아키텍처입니다.
두 릴리스 모두 아직 내놓지 못한 것은 이를 판가름할 바로 그것, 즉 논문을 쓰지 않은 사람이 수행한 실행 결과다. 두 연구소가 같은 주에 별다른 발표도 없이 본격적인 비디오 작업을 내놓았다는 점이, 2026년 11월에 관해 어떤 단일 벤치마크 수치보다 더 흥미로운 사실이다.
