
WeMM-Video-2B kontra Seedance 2.5 Flash: brama kontroli jakości, której nikt nie wycenia
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 184 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 535 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 262 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 94 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 291 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 216 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 108 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Za siedem centów kupisz jedną sekundę Seedance 2.5 Flash w 480p albo za piętnaście centów w 720p — według cennika, który ByteDance opublikował za pośrednictwem BytePlus 13 listopada 2026 r. Nikt nie publikuje, ile kosztuje ustalenie, czy zwrócony klip nadaje się do użycia. WeMM-Video-2B — omni-modalny checkpoint Tencenta z 3,28 mld parametrów, przesłany 17 listopada 2026 r. bez żadnego ogłoszenia i — według stanu na 20 listopada — z zerową liczbą pobrań — to pierwszy model w tej rodzinie z otwartą licencją, wystarczająco mały, by działać jako bramka, a nie generator. Zestawione razem opisują potok, w którym droga część ma cenę, a część decydująca o tym, czy zapłacono za nią dwa razy, nie ma.
To cała argumentacja i nie jest to oferta produktowa któregokolwiek z modeli. Seedance 2.5 Flash to generator wideo z cennikiem i bez tabeli możliwości. WeMM-Video-2B to model rozumienia wideo z repozytorium i bez niezależnej oceny. Żaden z nich nie jest na hostowanym endpoincie, na który możemy wskazać. Poniżej znajduje się, czym każdy z nich faktycznie jest, dlaczego rama ceny za sekundę, dominująca w tej kategorii, jest niepełna oraz jak musiałaby wyglądać bramka w pętli, zanim warto byłoby ją podłączyć.
Czego nie pokrywa siedem centów na sekundę
Zacznijmy od arytmetyki, ponieważ jest to jedyna część tego porównania, która jest rozstrzygnięta. Seedance 2.5 Flash pobiera 0,07 USD za sekundę przy 480p i 0,15 USD przy 720p bez wejściowego wideo, wobec 0,103 USD i 0,231 USD dla Seedance 2.5 — około dwóch trzecich ceny na obu poziomach, co wynika ze stawki tokenowej 7,00 USD za jednostkę wobec 10,70 USD w przypadku modelu nadrzędnego. Pięciosekundowy klip kosztuje 0,34 USD przy 480p. Tysiąc takich klipów to 340 USD.
Te liczby są poprawne, a jednocześnie są najmniej interesującą rzeczą w tym modelu, ponieważ wyceniają generację, a nie decyzję. Każde studio, które prowadzi poziom wideo, prędzej czy później odkrywa, że rachunek to nie liczba wygenerowanych klipów — to liczba tych, które wygenerowano, aby dostać jeden nadający się do publikacji. Jeśli Flash potrzebuje czterech prób, by uzyskać użyteczne ujęcie, jego rzeczywisty koszt wynosi 28 centów za zaakceptowaną sekundę i zupełnie nie przebija własnej nagłówkowej liczby. Jeśli model nadrzędny trafia za drugą próbą, model nadrzędny jest tańszy za zaakceptowaną sekundę, mimo że kosztuje o 47% więcej za próbę. Cennik nie powie ci, która z tych sytuacji jest prawdziwa. Tylko pomiar może.
Taki pomiar to właśnie zadanie modelu rozumienia — i w tym miejscu porównanie przestaje być porównaniem „jabłek z jabłkami” w formie „vs”, a staje się opisem dwóch sąsiadujących ze sobą zadań.
Jeden generuje, drugi ocenia, a żaden nie wykonuje obu tych czynności.

Seedance 2.5 Flash przyjmuje polecenie, opcjonalną pierwszą klatkę i zasoby referencyjne, a zwraca wideo. WeMM-Video-2B przyjmuje klatki wideo wraz z oryginalną ścieżką dźwiękową i zwraca tekst. Nie ma tu żadnego nakładania się możliwości ani sposobu, by zastąpić jeden model drugim. Identyfikator modelu generatora to dreamina-seedance-2-5-flash-261115, a zawarta w nim data — 15 listopada 2026 r. — to okno API reklamowane przez BytePlus, dwa dni po tym, jak model pojawił się u partnera dystrybucyjnego.
• Co wchodzi — prompt i obrazy referencyjne dla Flash; do czterech obrazów, dwa filmy i dwa elementy audio na żądanie dla WeMM-Video-2B.
• Co powstaje — wideo mp4 z zsynchronizowanym dźwiękiem dla Flash; odpowiedź tekstowa dla WeMM-Video-2B, w języku chińskim lub angielskim.
• Rozdzielczość — 480p i 720p w przypadku Flash, bez żadnego poziomu 1080p; nie dotyczy WeMM-Video-2B, który nie ma wyjścia wideo.
• Czas trwania — pięć sekund to przykład obliczeniowy na karcie stawek; WeMM-Video-2B próbkuje z częstotliwością 2 fps, przy minimalnej liczbie 4 klatek i maksymalnej 128 klatek, więc pięciosekundowy klip domyślnie liczy dziesięć klatek.
• Wagi — Flash to zamknięty endpoint, z którego nie ma nic do pobrania; WeMM-Video-2B jest objęty licencją Apache 2.0 i można go pobrać, ale GPU musisz zapewnić samodzielnie.
• Niezależna ocena — brak w przypadku obu. Żaden zewnętrzny ranking, jaki udało nam się znaleźć na dzień 20 listopada, nie zawiera pozycji Seedance 2.5 Flash, a najważniejsze wyniki pracy WeMM-Video dotyczą modeli 35B-A3B i 9B, a nie 2B.
Przeczytaj tę listę dwa razy, a kształt tej rzeczy stanie się jasny. To nie jest wybór między dwoma modelami wideo. To wybór między płaceniem za generowanie a płaceniem za osąd, a większość zespołów już płaci za to pierwsze, nie skalkulowawszy kosztu drugiego.
Co Tencent faktycznie zbudował
2B to kompaktowy członek rodziny czterech rozmiarów — 2B, 4B, 9B w wariancie dense oraz 35B-A3B w wariancie mixture of experts — udostępnionej razem jako siedemnaście repozytoriów Hugging Face między 08:53 a 08:59 UTC 17 listopada, przy czym artykuł na arXiv ukazał się 19 listopada, a README repozytorium było jeszcze edytowane rankiem 20 listopada. Licencja to Apache 2.0, a architektura to stos trzech wież pod jednym wrapperem `WeMMVideoForConditionalGeneration`: 24-blokowy enkoder wizyjny o wymiarze ukrytym 1024 i 16-pikselowych patchach, 32-warstwowy enkoder audio Whisper o szerokości 1280 i 128 binach mel oraz 24-warstwowy model tekstowy o wymiarze ukrytym 2048, 8 głowicach uwagi i 2 głowicach klucz–wartość, ze słownikiem 248 320 tokenów i maksimum 262 144 pozycji.
Szczegóły, które decydują, czy nadaje się do użytku jako bramka, a nie jako demo:
• Rozmiar wag — 6,12 GiB w formacie BF16 safetensors w dwóch shardach, 6 567 256 208 bajtów w indeksie, co stanowi około 3,28 miliarda parametrów po uwzględnieniu enkoderów. Nazwa odnosi się wyłącznie do modelu językowego.
• Dwa tryby, jeden checkpoint — `enable_thinking=False` zwraca bezpośrednią odpowiedź, a `enable_thinking=True` zwraca ślad rozumowania, wybierane za pomocą flagi szablonu czatu, a nie przez pobieranie drugiego modelu.
• Obsługa — vLLM 0.18.0 lub 0.31.0 z poprawkami, SGLang 0.5.16 lub 0.5.19 z poprawkami, obrazy CUDA 12.9 oraz natywna ścieżka środowiska uruchomieniowego dla kompilacji GGUF. Własne twierdzenie Tencent dotyczące walidacji jest takie, że vLLM z poprawkami „wczytał punkt kontrolny na L20 i H20 i ukończył testy generowania tekstu, obrazu, dźwięku i wideo ze ścieżką dźwiękową”.
• Kwantyzacja — FP8 Block128, AWQ W4A16, GGUF Q4_K_M i NVFP4 W4A16, każda w osobnym repozytorium. Model 2B w wersji 4-bitowej jest wystarczająco mały, aby zmieścić się na tej samej maszynie co klient wywołujący generator.
• Limity danych wejściowych — cztery obrazy, dwa filmy i dwa elementy audio na żądanie w kontekście 8192 tokenów, wymuszane przez recepturę serwowania, a nie tylko przez nią sugerowane.
To, czego brakuje, ma równie duże znaczenie. W materiałach wydania nie ma nigdzie liczby dokładności dotyczącej konkretnie modelu 2B — twierdzenia rodziny o pokonaniu Qwen3.5-Omni-Flash i Seed2.0-Mini-0428 dotyczą modelu 35B-A3B, a twierdzenie modelu 9B o przewyższeniu Qwen3-Omni-30B-A3B-Instruct należy do modelu 9B. To, czy kompaktowy model zachowuje rozumowanie audiowizualne, które czyni tę rodzinę wartą opisania, nie zostało publicznie przetestowane. Zero pobrań i dwa polubienia w repozytorium na dzień 20 listopada to uczciwy wskaźnik tego, jak niewielkiej zewnętrznej weryfikacji został poddany.
Tabela możliwości, której ByteDance nie opublikował

Flash ma odwrotny problem. Jego cena jest udokumentowana co do centa, a jego możliwości nie są udokumentowane wcale. BytePlus opublikował cennik, identyfikator modelu i górny limit rozdzielczości. Nie opublikował jednak – na żadnej stronie, którą udało nam się wczytać 20 listopada – maksymalnego czasu trwania, budżetu referencyjnego, informacji, czy dźwięk jest generowany w tym samym przebiegu, czy tryby edycji i rozszerzania, które definiują Seedance 2.5, zostały przeniesione, ani czy format wyjściowy mov jest dostępny.
Model nadrzędny odpowiada na wszystkie te pytania — od czterech do trzydziestu sekund, pięćdziesiąt zasobów referencyjnych podzielonych na trzydzieści obrazów, dziesięć filmów i dziesięć plików audio, wspólne generowanie audio-wideo, jedenaście języków, mp4 i mov przy 24 fps. Nic z tego nie jest podane dla Flash. To nie jest powód, by zakładać najgorsze; to powód, by nie zakładać niczego. Wariant, który zachowuje trzydzieści sekund i pięćdziesiąt referencji za dwie trzecie ceny, to inny produkt niż ten, który zachowuje 720p i nic więcej, a różnica jest dokładnie tym, co musiałaby mierzyć bramka kontroli jakości — z tą różnicą, że bramka nie może zmierzyć specyfikacji, której nigdy nie spisano.
To jest uczciwe ograniczenie całego pomysłu. Pętlę możesz zbudować już dziś. Nie możesz jeszcze powiedzieć, względem czego pętla testuje, ponieważ jedna jej strona dostarcza cennik, a druga dokument.
Ile kosztowałaby bramka w pętli
Załóżmy, że to budujesz. Wywołanie generatora trafia do BytePlus lub do partnera dystrybucyjnego na ich kluczu. Bramką jest hostowana przez Ciebie instancja WeMM-Video-2B, która przyjmuje zwrócony klip i jego ścieżkę dźwiękową oraz odpowiada na jedno pytanie — czy pasuje to do briefu i czy dźwięk jest zsynchronizowany. Przy 2 fps i dziesięciu klatkach na pięciosekundowy klip to niewielkie zadanie inferencji na pojedynczym GPU, a kompilacje 4-bitowe czynią je jeszcze mniejszym.
Rachunek ekonomiczny jest tak nierówny, że warto powiedzieć to wprost. Wygenerowanie kosztuje od siedmiu do piętnastu centów za sekundę i nie można go sprawdzić przed zapłatą. Przebieg przez bramkę kosztuje ułamek centa czasu GPU i można go uruchamiać dowolną liczbę razy. Jeśli bramka odrzuci co czwarty klip, zaoszczędziłeś trzy czwarte regeneracji, którą w przeciwnym razie kupiłbyś w ciemno — i zrobiłeś to bez drugiej umowy z dostawcą, ponieważ bramka to wagi na twoim własnym sprzęcie.
Nie dostajesz jednej rzeczy: liczby. Nikt nie opublikował wskaźnika zgodności między oceną WeMM-Video-2B a oceną ludzkiego redaktora, a dopóki ktoś tego nie zrobi, brama jest filtrem o nieznanym odsetku wyników fałszywie dodatnich. To realny powód, by przez tydzień uruchamiać ją w trybie shadow, zanim pozwolisz jej cokolwiek odrzucić.
Gdzie warstwa routingu zasługuje na swoje miejsce

Żaden z tych modeli nie znajduje się w naszym katalogu i oba te stwierdzenia warto wypowiedzieć bez ogródek: nie udostępniamy WeMM-Video-2B i nie udostępniamy Seedance 2.5 Flash. Pipeline zbudowany wokół któregokolwiek z nich to pipeline zbudowany na cudzym kluczu.
Ścieżka „what we do” obejmuje całą pracę wokół, a w tym konkretnym projekcie nie jest to żadna nagroda pocieszenia. Tencent Hy4 Flashto efektywny kosztowo poziom flagowego modelu Hunyuan od Tencent — tekst i obraz na wejściu, tekst na wyjściu, kontekst miliona tokenów, do 64 000 tokenów wyjściowych, w cenie $0.0175 za milion tokenów wejściowych i $0.07025 za milion tokenów wyjściowych. To model, który rozwija jednolinijkowy brief w listę ujęć, przepisuje prompt między próbami i czyta powód odrzucenia przez bramkę, żeby zdecydować, co zmienić. To model tekstowy wykonujący pracę tekstową, a przy takich stawkach pętla prompt engineeringu wokół pipeline’u wideo kosztuje mniej niż samo wideo.
Kwestia strukturalna pozostaje ta sama niezależnie od tego, którego dostawcę wybierzesz. Cena katalogowa dostawcy jest przekazywana przy 0% marży, więc gdy ByteDance obniża stawkę za poziom — tak jak obniżył tę do dwóch trzecich stawki poziomu nadrzędnego — obniżka obowiązuje po naszej stronie tego samego dnia, a nie przy kolejnym odnowieniu rozliczeń. Automatyczne przełączanie awaryjne między dostawcami sprawia, że tekstowa połowa pętli nie zatrzymuje potoku, gdy jeden z punktów końcowych ulega degradacji. A posiadanie ponad 200 modeli za jednym kluczem zgodnym z OpenAI oznacza, że porównanie, które i tak przeprowadzisz — ta bramka z większym modelem rozumiejącym, ten rozszerzacz promptów z tańszym — kosztuje zmianę parametru, a nie integrację.
Co oglądać i w jakiej kolejności
Trzy rzeczy zmieniłyby to z argumentu w rekomendację. Po pierwsze, tabela możliwości Flash: czas trwania, referencje, dźwięk oraz to, czy 1080p jest trwale nieobecne, czy tylko spóźnione. Po drugie, jakakolwiek niezależna ewaluacja modelu 2B — jedna publiczna liczba zgodności z ludzkim osądem zmieniłaby bramkę z projektu w komponent. Po trzecie, pierwsze opublikowane porównanie latencji dla Flash, ponieważ „szybszy” to cała przesłanka nazwy, a generowanie 24 kl./s w 720p przez trzydzieści sekund to bardzo dużo wnioskowania do przyspieszenia.
Do tego czasu podsumowanie to dwie ceny i jedna brakująca liczba. Seedance 2.5 Flash to realny, tani, wąsko określony poziom wideo w cenie dwóch trzecich stawki swojego bliźniaka. WeMM-Video-2B to kompletny, otwarcie licencjonowany model rozumienia, którego nikt nie ogłosił i prawie nikt nie pobrał. Siedem centów jest udokumentowane. Koszt wiedzy, czy te siedem centów było warte wydania, już nie — i to ta luka, a nie cennik, jest tym, na co trzeba zaplanować budżet.
