Płaski wektorowy hero na grafitowym tle z nagłówkiem WeMM-Video-35B-A3B vs Runway Gen-4.5 i podtytułem „dwa brakujące wiersze”: pionowa kolumna łupkowych pasków rangi o różnej szerokości z małymi kwadratowymi znacznikami obok nich, dwie pozycje pozostawione jako puste sloty z przerywanym obrysem, przez które prześwituje tło, oraz kropkowana linia podziału.
Engineering & Research

WeMM-Video-35B-A3B vs Runway Gen-4.5: Dwa brakujące wiersze

Autor

jinhao.song

Data publikacji

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

W rankingu text-to-video Artificial Analysis, odczytanym 20 listopada 2026 r., jest trzydzieści pięć wierszy i ani Runway Gen-4.5 ani WeMM-Video-35B-A3B nie jest jednym z nich. Te dwie nieobecności nie są tą samą nieobecnością. Gen-4.5 został umieszczony na szczycie tego rankingu 1 grudnia 2025 r. — 1 247 Elo, przed Veo 3 z 1 226, Kling 2.5 z 1 225 i Sora 2 Pro z 1 206 — w poście premierowym, który Runway wciąż publikuje. WeMM-Video-35B-A3B nigdy nie trafił do żadnego rankingu: wagi Apache-2.0 opublikowane na Hugging Face o 03:57 UTC tego samego ranka, raport techniczny złożony dzień wcześniej i nic od T​encent, co przypominałoby ogłoszenie.

A więc jedna strona ma wycofaną koronę i żadnego bieżącego wiersza, a druga nie ma korony, wiersza ani jakiegokolwiek numeru strony trzeciej. To dziwne zestawienie, na którym można oprzeć porównanie, a jego uczciwa wersja jest węższa niż ranking. Ile właściwie jest wart wpis w tabeli, gdy stawka już go wyprzedziła? Co każda ze stron publikuje, co czytelnik może sprawdzić dzisiaj? I która z tych dwóch zwraca plik, który można przedstawić klientowi?

Korona to nie rząd

Twierdzenie z premiery jest konkretne, poparte źródłem i wciąż aktualne. Własna strona badawcza Runway dla Gen-4.5 stwierdza, że model zajął pierwsze miejsce w benchmarku text-to-video Artificial Analysis z wynikiem 1 247 Elo, wymieniając trzy modele, które wyprzedził. To prawdziwe cytowanie strony trzeciej, dokonane przez dostawcę, w momencie gdy porównanie było świeże. Jest to także ostatnia liczba wyglądająca na niezależną, jaką Runway opublikował dla tego modelu.

Nie da się tego zestawić z dzisiejszą tabelą bez arytmetyki, której nikt nie opublikował. Artificial Analysis na nowo zakotwicza swoje skale Elo między wersjami tablicy: obecna tablica AA-Video-T2V V2.1 ustala Kling 3.0 1080p (Pro) dokładnie na 1,000 jako punkt odniesienia, szereguje wszystko inne względem niego i podaje 95% przedział w każdym wierszu. Według odczytu z 20 listopada 2026 r. liderem jest Wan 3.0 z wynikiem 1,176 przy 8,243 głosach, a punkt odniesienia zajmuje 23. miejsce. Wartość 1,247 z grudnia 2025 r. zmierzono względem innego punktu odniesienia, innego zestawu promptów i innego pola; wstawienie jej do tej tabeli sugerowałoby precyzję, której te dwa odczyty nie mają wspólnej.

To, co można sprawdzić, to obecność, a obecność ma kształt. We wszystkich trzech tablicach wideo arena w tym samym odczycie — tekst-na-wideo, obraz-na-wideo i edycja wideo — jedyny wiersz z logo Runway należy do Aleph 2.0, modelu firmy do edycji w kontekście, zajmującego 11. miejsce na tablicy edycji z 1,007 Elo przy 23,082 głosach. Gen-4.5 jest w katalogu Runway i dziś po południu można go wywołać; nie ma go w bieżącym zestawieniu arena. Odejście modelu z rankingu usuwa artefakt marketingowy, a nie zdolność — a model, który nigdy do niego nie trafił, nigdy nie miał artefaktu, który mógłby stracić.

A tall headless screenshot of the Artificial Analysis AA-Video-T2V V2.1 leaderboard as read on 20 November 2026, listing thirty-five ranked text-to-video models with Elo scores, 95% intervals, sample counts and per-minute prices, from Wan 3.0 at 1,176 over 8,243 samples down to Boreal at 827, with Kling 3.0 1080p (Pro) fixed at 1,000 as the board anchor, Veo 3.1 at 963 and $24.00 a minute in 26th place, and no Runway row anywhere on the list.

Co katalog faktycznie mówi

Dokumentacja deweloperska Runway jest bardziej otwarta niż jej strona badawcza. Identyfikator gen4.5 jest dostępny w Runway Dev od 10 lutego 2026 r., generuje od dwóch do dziesięciu sekund na żądanie na podstawie tekstu lub nieruchomego obrazu i rozlicza się według stawki 12 kredytów na sekundę — $0.12 przy stawce portalu wynoszącej jeden cent za kredyt. To stała stawka za sekundę, dzięki czemu budżet ujęcia to mnożenie, a nie symulacja, i jest to najużyteczniejsza rzecz na stronie.

Dostarczanie to moment, w którym drabina się ujawnia. Wyjście ProRes i sekwencji PNG dodaje 5 kredytów na sekundę do 12. Profile 10-bitowe i głębsze, w tym klatki half-float OpenEXR, dodają 20, a gdy wynik przekroczy około czterech megapikseli — 40. HDR10, HLG, mastery 12-bit PQ i bitowo dokładne 16-bitowe sekwencje PNG są dostępne dla gen4.5 od 20 sierpnia 2026 r., z gradacją do BT.2020 z mierzonymi metadanymi HDR10, a nie poddawane późniejszemu mapowaniu tonalnemu. Żadna z tych opcji nie dotyczy rozdzielczości generowania — chodzi o to, w co render jest pakowany na wyjściu.

• Status — Gen-4.5: produkt komercyjny od 1 grudnia 2025 r., API od 10 lutego 2026 r., brak bieżącego wiersza w arenie. WeMM-Video-35B-A3B: wagi na Hubie, zero pobrań, brak ogłoszenia, nigdy na tablicy.

• Kierunek — Gen-4.5: na wejściu tekst lub obraz, na wyjściu MP4, ProRes, sekwencja PNG lub EXR. WeMM: na wejściu klatki i ścieżka dźwiękowa, na wyjściu tekst.

• Shape — Gen-4.5: od dwóch do dziesięciu sekund, jedna generacja na żądanie, rozliczane za sekundę wyniku. WeMM: wspólny kontekst 8192 tokenów, szesnaście klatek próbkowanych na klip, rozliczane w gigabajtach wag rezydentnych.

• Cena — Gen-4.5: 12 kredytów, 0,12 USD za wygenerowaną sekundę, plus 5 za ProRes lub PNG i od 20 do 40 za głębszy kolor. WeMM: 67,39 GiB w BF16 lub 24,11 GiB w NVFP4, oraz GPU, które to pomieszczą.

Sufit zapisany w flagach powłoki

Rozbieżność zaczyna się w miejscu, w którym każdy z nich dokonuje obcięcia, ale kończy się na tym, czy można znaleźć tę liczbę. Runway od miesięcy publikuje swoje limity: od dwóch do dziesięciu sekund, cztery drabinki wyników, stawkę za sekundę. Tencent opublikował konfigurację i wysłał polecenia, które jej przeczą. Konfiguracja mówi o 262 144 pozycjach; wszystkie wywołania mówią --max-model-len 8192, zarówno w vLLM, jak i w SGLang. Między 8192 a 262 144 nie ma wspieranego stanu pośredniego. Długa liczba to zapas, a flagi serwowania to produkt.

Przelicz to, a przestanie być abstrakcyjne. Dziesięć tokenów audio na sekundę — stos w kształcie Whispera, 32 warstwy enkodera i 32 warstwy dekodera o szerokości 1,280, a następnie Q-Former na poziomie okna o szerokości 4,104 — mieści około trzynastu minut ścieżki dźwiękowej w 8,192 tokenach, i to zanim policzy się choćby jedną klatkę, instrukcję lub odpowiedź.

Przechodzimy do budżetu obrazu. Domyślne ustawienia procesora to 2 fps i do 128 klatek; przepis serwowania zastępuje oba te parametry 16 klatkami w budżecie 262 144 pikseli. W przypadku dziesięciosekundowego klipu daje to mniej niż dwie klatki na sekundę: wierny zapis pomieszczenia i szkic tego, jak pomieszczenie wyglądało. Nigdzie nie podano, których klatek użyły tabele w samym raporcie, więc odległość między jego wynikami a Twoją konfiguracją to liczba, której nie możesz obliczyć.

Co można zmienić za pomocą punktu kontrolnego

Tutaj te dwa rozwiązania różnią się zasadniczo. Drabiny wyników Runway, jego bazowa stawka 12 kredytów i okno od dwóch do dziesięciu sekund to decyzje produktowe; kupujesz pakiet albo nie. Okno 8 192 tokenów WeMM to flaga serwera, przepis WeMM na 16 klatek to wiersz w poleceniu powłoki, a kwantyzacja WeMM to wybór między 67,39 GiB BF16, 22,69 GiB AWQ W4A16 i 24,11 GiB NVFP4. Wszystkie trzy możesz zmienić, na sprzęcie, który posiadasz, przy dowolnym opóźnieniu, na jakie możesz sobie pozwolić.

Jedyną rzeczą, której pobranie nie zapewnia, jest wspierany silnik. Tencent nie scalił architektury z upstreamem; zamiast tego udostępnił diff. Katalog patch zawiera overlay dla każdego wspieranego wydania — vLLM 0.18.0, vLLM 0.31.0, SGLang 0.5.16, SGLang 0.5.19 i żadnych innych — z manifestem SHA-256 obok każdego, a powierzchnia zgodności pod nim jest wystarczająco wąska, by być krucha: jeden toolchain CUDA 12.9, jedna kompilacja PyTorch, jedna kompilacja Transformers, Python 3.12, FFmpeg w PATH oraz pierwsze uruchomienie SGLang, które kompiluje kernele, zanim cokolwiek odpowie. Przynieś wersję, której nie ma na liście, a port należy do Ciebie. Referencyjny przebieg Tencenta rozłożył BF16 na dwóch H20; kompilacja NVFP4 mieści się na jednej karcie 48 GB przy --max-num-seqs 1.

Waga jest artefaktem zadania. Hugging Face liczy 36,177,564,536 parametrów w shardach BF16, z których przytłaczającą część stanowią eksperci routowani — 40 warstw razy 256 ekspertów przy szerokości pośredniej 512, selekcja top-8, plus wspólny ekspert o szerokości 512, przez którego przechodzi każdy token — podczas gdy na token dotykane jest około 1.0B. Prawie 36B pojemności trzymanej w pamięci, 3B zużytej arytmetyki. Odczyt wideo zamiast renderowania go oznacza płacenie za przechowywanie wiedzy, do której przejście w przód rzadko zagląda.

A headless screenshot of the Hugging Face file listing for Tencent/WeMM-Video-35BA3B showing the Image-Text-to-Text tag, English and Chinese language tags, the arxiv:2611.26409 and apache-2.0 badges, the wemm_qwen3_5_moe architecture, LICENSE and SHA256SUMS files, a repository history of four commits, and BF16 safetensors shards from model-00001-of-00017 at 4.33 GB onward, uploaded about four hours earlier.

Transkrypty nie mają presetu eksportu.

Różnica w produkcie końcowym powinna decydować o zakupie przed jakimkolwiek benchmarkiem. Runway sprzedaje gotowy plik w edytowalnym formacie pośrednim: ProRes do korekcji kolorów, PNG lub EXR do kompozycji, z dołączonymi metadanymi HDR i edytorem wokół tego. WeMM-Video-35B-A3B nie sprzedaje niczego takiego. To, co wychodzi, to akapit — relacja z tego, co się wydarzyło, kto mówił i co zostało powiedziane — który trafia do indeksu, kolejki moderacji, raportu QA lub pola wyszukiwania, a nie na os czasu.

Raport Tencenta twierdzi, że ten akapit jest najlepszym, co dostępne wśród otwartych wag. W porównaniu z Qwen3.5-Omni-Flash uzyskuje 86,4 do 79,3 na Video-MME z dźwiękiem oraz 54,9 do 36,6 na Video-MME v2 z dźwiękiem; w porównaniu z własnym backbone'em, Qwen3.6-35B-A3B, wygrywa 20 z 31 benchmarków cichego wideo. Przegrywa też — JointAVBench 65,9 wobec 69,0, MUSIC-AVQA 79,5 wobec 82,1, EgoSchema 74,2 wobec 77,2. Każda liczba pochodzi od trenera, raport sam to przyznaje, a przy każdej ujawnianej tabeli przełącza się między trybem Instruct i Thinking. Żadna strona trzecia nie odtworzyła żadnego z tych wyników. Tym, co uczyniłoby to twierdzenie weryfikowalnym, jest scalenie zmian w upstreamie vLLM, aby zakończyć łatanie, oraz pierwsze niezależne uruchomienie na Video-MME v2 z dźwiękiem.

Raport stwierdza również, że rodzina jest „wdrożona w wielu podstawowych usługach wideo w WeChat”, wymieniając handel w ramach transmisji na żywo, analizę krótkich dramatów i wideo interaktywne. To najmocniejsze twierdzenie o adopcji w tym tekście i zarazem najmniej weryfikowalne: w komunikacie nie pojawia się żadna liczba dotycząca opóźnień, przepustowości, współbieżności ani pamięci. To zdanie, które można zacytować, ale którego nie można przetestować.

A stacked flat vector evidence card on a charcoal background headed What each side has on the record: the bone-white Runway Gen-4.5 panel reads no row on any of the three AA video boards, 1,247 Elo at launch on 1 December 2025, 1,000 as the board anchor has since moved, and an API since 10 February 2026; the muted teal WeMM-Video-35B-A3B panel reads no entry on Artificial Analysis or LMArena, benchmarks reported by Tencent only, no third-party reproduction, and weights committed 20 November 2026. A grey footer reads 'Boards read 20 November 2026; the two absences are not the same absence.'

Gdzie transkrypt pasuje do studia

Połącz te dwie rzeczy, a pipeline ułoży się sam, mimo że nikt go nie opublikował: wyrenderuj ujęcie, a potem niech coś odczyta ten render z powrotem — czy produkt się pojawił, czy dialog zgadzał się ze scenariuszem, czy ten klip jest bezpieczny do publikacji. Runway nie sprzedaje drugiej połowy. Samodzielnie hostowany checkpoint WeMM mógłby to zrobić za cenę pobrania 67 GiB i nakładki źródłowej.

W przypadku połowy, którą możesz mieć w tym tygodniu, rozsądnym punktem wejścia jest model bazowy. Qwen3.6-35B-A3B to model, na którym zbudowano WeMM-Video-35B-A3B, jak stwierdza raport, i jest dostępny w OrcaRouter za $0.25 za milion tokenów wejściowych i $1.48 za milion tokenów wyjściowych przy kontekście 262,144 tokenów oraz wejściu tekstowym, obrazowym i wideo. Nie ma stosu audio, więc nie potrafi powiedzieć, kto mówił. Potrafi natomiast powiedzieć, czy klatka zawiera to, o co prosił prompt, na tych samych klipach, które renderujesz, już dziś.

OrcaRouter nie obsługuje ani Gen-4.5, ani WeMM-Video-35B-A3B, a treść tego tekstu byłaby kłamstwem, gdyby mówiła inaczej. Platforma daje ci natomiast narzędzie do porównania: jeden klucz zgodny z OpenAI, ceny katalogowe dostawców przekazywane przy 0% marży oraz automatyczne przełączanie awaryjne, gdy punkt końcowy zawodzi. Zwróć też uwagę, że Gen-4.5 rozlicza się w kredytach w ramach subskrypcji, a nie w tokenach, co nie jest jednostką, którą router może znormalizować — kredyt jest licznikiem, a licznik należy do Runway.

Wybieraj według rezultatów, a nie według rangi.

Wybierz Runway Gen-4.5, gdy wynik musi opuścić budynek jako plik: ujęcie trwające od dwóch do dziesięciu sekund, dostarczone w ProRes, jako sekwencja PNG lub HDR z dołączonymi metadanymi, w edytorze utrzymywanym przez kogoś innego. Przystępuj do tego, wiedząc, że liczba na jego stronie startowej ma już prawie rok i została zmierzona na tablicy rankingowej, która już go nie uwzględnia, że drabinki kolorystyczne za 20–40 kredytów szybko się sumują oraz że stawka jest stała, ponieważ pakiet jest ustalony.

Wybierz WeMM-Video-35B-A3B, gdy wynikiem jest opis materiału wideo, a nie sam materiał, gdy Apache 2.0 ma znaczenie dla przeglądu prawnego i gdy wolisz przesunąć sufit flagą, zamiast zgłaszać prośbę o funkcję. Przystępuj do tego, wiedząc, że wagi mają zaledwie kilka dni, że każda przypisana do nich liczba dotycząca jakości należy do zespołu, który wytrenował model, że trzy z czterech skwantyzowanych wariantów same określają się jako niezwalidowane oraz że instalacja jest nakładką poprawek na silnik wnioskowania, który nie scalił tej architektury.

Z tablicy brakuje dwóch wierszy z przeciwnych powodów i żadna z tych nieobecności nie jest wyrokiem. Jeden model został zmierzony, okrzyknięty zwycięzcą, a od tego czasu został na nowo zakotwiczony poza listą; drugiego nigdy nie zmierzył nikt, kto go nie trenował. Porównanie oparte na tym musi dotyczyć tego, co każda strona pozwala ci zrobić i co każda z nich zwraca — bo tablica wyników, wyjątkowo, jest naprawdę pusta po obu stronach.