Dwupanelowa sekcja porównawcza hero z nagłówkiem WeMM-Video-35B-A3B vs Alibaba Wan 2.7 i podtytułem „22 754 głosy kontra zero”: lewy panel wymienia 36,18 mld parametrów, 67,39 GiB w BF16, 0 pobrań oraz brak wiersza w rankingu pod plakietką otwartych wag, a prawy panel wymienia Elo 1 074 w zadaniach edycyjnych, 22 754 głosy, 16,90 USD za minutę i 9. miejsce w rankingu pod plakietką API rozliczanego za użycie.
Guides & Insights

WeMM-Video-35B-A3B vs Alibaba Wan 2.7: 22 754 głosy vs zero

Autor

Alistair Wren

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

Jedyny numer podmiotu trzeciego tutaj

Wiersz edycji Wan 2.7 ma wyjątkowo dobre poparcie. Dwadzieścia dwa tysiące głosów to nie jest próbka rankingowa, którą można zbyć jako szum; przedział ±8 oznacza, że dziewiąta pozycja jest stabilna wobec wszystkiego poniżej, a miesiąc wydania przypisany do tego wiersza to kwiecień 2026, więc głosy miały siedem miesięcy, by się nagromadzić.

Ta sama rodzina pojawia się na tablicach jeszcze dwa razy, a trzy wiersze nie zgadzają się ze sobą, co samo w sobie jest pouczające:

• AA-Video-Editing v1.1 — 9. miejsce, Elo 1074 ±8, 22 754 próbki, kwiecień 2026, 16,90 USD za minutę.

• AA-Video-T2V v2.1 — sklasyfikowany jako Wan2.7-260612, 20. miejsce, Elo 1035 ±13, 6965 próbek, czerwiec 2026, 9,00 USD za minutę. Ten sam dostawca, inne zadanie, jedna trzecia liczby próbek i cena o 47% niższa niż stawka za edycję.

• AA-Video-I2V v2.1 — brak wiersza. Wan 3.0 jest na tej tablicy na dwunastym miejscu z wynikiem 1,109; Wan 2.7 nie. Zestaw reklamuje możliwość konwersji obrazu na wideo, więc to luka w arenie, a nie luka produktowa, ale oznacza to, że model nigdy nie został sklasyfikowany w zadaniu, po które większość ludzi sięgnęłaby najpierw.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Czytając te trzy razem, uczciwe podsumowanie jest takie, że Wan 2.7 to wyważony model wideo ze środka stawki, z jedną naprawdę mocną bazą dowodów (edycja), jedną skromniejszą (tekst na wideo) i jedną pustą komórką. To wciąż znacznie więcej zewnętrznych dowodów, niż ma druga strona tego porównania.

What A​libaba is selling, and at what rate

Wan 2.7 to produkt czterotrybowy: zamiana tekstu na wideo, zamiana obrazu na wideo, zamiana referencji na wideo i edycja wideo. Udokumentowane mechanizmy sterowania obejmują warunkowanie pierwszą i ostatnią klatką kluczową, do pięciu obrazów podmiotu oraz pięć klipów referencyjnych, wynik w rozdzielczości od 720p do 1080p, natywny dźwięk i klipy od dwóch do piętnastu sekund. Rozliczanie odbywa się za sekundę według stawki z cennika, dzięki czemu piętnastosekundowe generowanie w 1080p to koszt, który można obliczyć przed naciśnięciem „start”, a nie saldo kredytów, które odkrywa się dopiero po fakcie.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

Punkt kontrolny, który pojawił się dziś rano

Wydanie WeMM-Video-35B-A3B jest czytelne w sposób, w jaki większość cichych wydań nie jest, ponieważ Hugging Face rejestruje znaczniki czasu całej sekwencji. Repozytorium pojawiło się 17 listopada o 08:53:50 UTC, zawierając wyłącznie zaślepkę gitattributes. Raport arXiv 2611.26409 został przesłany 19 listopada o 16:58 UTC i został już raz poprawiony, 20 listopada o 06:15 UTC. Commit wag BF16 ma datę 2026-11-20T03:57:36Z. Repozytorium GitHub Tencent/WeMM-Video zostało utworzone 17 listopada o 02:29 UTC, ma dziewięć gwiazdek, zero forków i zero opublikowanych wydań, a jego README wciąż edytowano dziś rano o 06:34 UTC.

Tak więc artykuł pojawił się około jedenaście godzin przed tensorami, a karta modelu wciąż jest przepisywana w momencie pisania tego tekstu. Ta kolejność to cała historia. Nie było wpisu premierowego, strony z cennikiem, hostowanego endpointu, komunikatu prasowego ani konta ogłoszeniowego — niczego, co dostawca zwykle robi, gdy chce, żeby model został zauważony.

To, co repozytorium jednak zawiera, jest konkretne:

• Rozmiar — 36 177 564 536 parametrów, BF16, rozłożonych na siedemnaście shardów safetensors o łącznej wielkości 67,39 GiB. Etykieta „35B-A3B” oznacza coś innego niż rozmiar pliku; różnica została opisana poniżej.

• Wersja FP8 rzeczywiście się pojawiła. Gdy praca została opublikowana, repozytorium FP8 Block128, do którego linkuje karta modelu, odpowiadało kodem 401 — tą samą odpowiedzią, której Hub udziela dla nazwy, która nigdy nie istniała. Teraz już można je otworzyć: 36,09 GiB w jednym pliku safetensors, zatwierdzonym o 05:53:01 UTC, dwie godziny po wysłaniu BF16, z 33,6 mld parametrów w E4M3 i 2,56 mld pozostałych w BF16. Cokolwiek działo się 19 listopada o 16:58 UTC, wydanie nie było ukończone.

• Trzy kolejne warianty skwantyzowane — AWQ W4A16 o rozmiarze 22,72 GiB w 52 shardach warstwowych, NVFP4 W4A16 o rozmiarze 24,11 GiB w jednym pliku oraz pakiet GGUF Q4_K_M o rozmiarze 25,46 GiB podzielony na plik językowy 22,61 GiB, projektor 0,84 GiB i koder audio 1,99 GiB. Dwa z tych trzech opisują same siebie jako niezweryfikowane we własnych manifestach. Ten NVFP4 twierdzi jedynie, że wagi zostały ponownie odczytane na CPU, co jest sumą kontrolną, a nie oceną.

• Środowiska uruchomieniowe — nic tutaj nie działa na standardowym silniku. Repozytorium dostarcza nakładki źródłowe z manifestami SHA-256 dla dokładnie czterech wydań upstream: vLLM 0.18.0 i 0.31.0, SGLang 0.5.16 i 0.5.19. Każde opublikowane polecenie serwowania przekazuje kontekst 8192 tokenów, równoległość tensorową na dwóch GPU oraz potok multimedialny ograniczony do 16 klatek i 262 144 pikseli. Przeszukanie trackera zgłoszeń vLLM nie wykazuje żadnego zgłoszenia upstream dotyczącego tej architektury.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

Każdy wskaźnik jakości przypisany do WeMM-Video-35B-A3B pochodzi od zespołu, który go wytrenował. Praca mówi o tym wprost — „podajemy oficjalne wyniki, gdy są dostępne, a w przeciwnym razie nasze własne oceny” — a jedyna liczba na karcie, której warunki podano w pełni, nie jest nawet wynikiem dla wideo: MMAR1000, tylko audio, dekodowane przy 16 kHz, dekodowanie zachłanne, dwa H20. Reszta karty dokumentuje wczytywanie checkpointu. W zestawieniu z 22 754 głosami to zupełnie inna kategoria dowodów i tak należy ją odczytywać.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

Te dwie straty wskazują w przeciwnym kierunku i warto je powtórzyć: JointAVBench na poziomie 65,9 za wynikiem Qwen 69,0 oraz MUSIC-AVQA na poziomie 79,5 za wynikiem Qwen 82,1. Oba zadania w dużej mierze opierają się na audio. Większy checkpoint nie wygrywa wszędzie, a miejsca, w których nie wygrywa, to te, w których stos audio Qwen miał więcej czasu, by dojrzeć.

Nic z tego nie zostało odtworzone. Ani Artificial Analysis, ani LMArena nie wymieniają modelu WeMM jakiegokolwiek rozmiaru, a trzy polubienia w repozytorium nie są recenzją naukową. Jeśli wybierasz między tymi dwoma modelami do wykonania zadania, porównujesz 22 754 głosy z tabelą podpisaną przez autorów.

Oba przyjmują wideo, tylko jedno je zwraca.

Różnicę strukturalną łatwo opisać, ale trudno przecenić. Wan 2.7 przyjmuje tekst, obrazy, klipy referencyjne i wideo, a zwraca wideo. WeMM-Video-35B-A3B przyjmuje tekst, obrazy, dźwięk i wideo wraz ze ścieżką dźwiękową, a zwraca tekst. Tryb edycji Wan 2.7 jest najbliższy drugiej stronie — przyjmuje materiał filmowy i zwraca materiał filmowy — ale wynikiem są nadal piksele i nie ma ustawienia, które sprawiłoby, że opisałby to, co edytował.

Limity po obu stronach ograniczają potok, który możesz zbudować:

• Limitem Wan 2.7 jest czas trwania. Od dwóch do piętnastu sekund na generację, od 720p do 1080p, rozliczane za sekundę. Piętnastosekundowy klip w stawce za edycję to około 4,23 USD przed jakimikolwiek ponownymi próbami.

• Ograniczeniem WeMM-Video-35B-A3B są kontekst i próbkowanie. Procesor domyślnie używa dwóch klatek na sekundę, minimum czterech klatek, maksimum szesnastu i łącznego budżetu 262 144 pikseli — co przy domyślnych ustawieniach daje około ośmiu sekund pokrycia. Polecenia serwujące ograniczają kontekst do 8 192 tokenów i pozwalają na cztery obrazy, dwa filmy i dwa klipy audio na żądanie. Przy dziesięciu tokenach audio na sekundę ten kontekst odpowiada około trzynastu minutom dźwięku, jeśli przeznaczy się go wyłącznie na dźwięk.

• Niedopasowanie. Wan 2.7 może wygenerować piętnaście sekund materiału; dostarczany przepis WeMM analizuje osiem. Jeśli Twój potok renderuje klip, a następnie pyta model, co się w nim wydarzyło, opisujący w obecnej konfiguracji próbkuje około połowy wyniku. To konfiguracja, którą trzeba świadomie zmienić, a nie ograniczenie architektury — domyślne ustawienie samego procesora dopuszcza 128 klatek.

Dwaj dostawcy, jeden model, jeden klucz

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Który numer tak naprawdę wybierasz

Jeśli produktem końcowym ma być materiał wideo, Wan 2.7 jest jedynym z tych dwóch, który go tworzy, a decyzja sprowadza się do tego, czy $16,90 za minutę montażu lub $9,00 za minutę generowania wideo z tekstu da się obronić na tle rankingu, w którym obecny lider liczy $12,00 i bije go w obu zadaniach. Dziewiąte i dwudzieste miejsce to przyzwoite pozycje w środku stawki. Nie są powodem, by wybierać poprzednią generację.

Jeśli rezultatem ma być opis materiału filmowego, który już posiadasz, WeMM-Video-35B-A3B jest jedynym z tych dwóch, który go tworzy, a decyzja sprowadza się do tego, czy udźwigniesz załatany silnik wnioskowania, pobranie 67,39 GiB lub 36,09 GiB w wersji FP8, dwa GPU z równoległością tensorową i ośmiosekundowe okno próbkowania — aby uzyskać model opisujący klasy 36B, którego wyniki audiowizualne są mocne i w całości własne.

Pułapka polega na traktowaniu „Elo 1,074 przy 22 754 głosach” i „86,4 w Video-MME z dźwiękiem” jako współmiernych. Jedno to pomiar zbiorowy usługi, do której każdy może się zwrócić. Drugie to tabela dostawcy dotycząca checkpointu, w którym do dzisiejszego rana nie było żadnych wag. Oba są warte przeczytania. Tylko jedno z nich jest dowodem.