
WeMM-Video-4B vs FastFrames Video Generation: Cichy szew
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 182 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 356 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 147 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 110 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 · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 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 · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 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
FastFrames Video Generation pojawiło się 16 listopada 2026 r., a WeMM-Video-4B 17 listopada — oba jako pliki wag do pobrania z dołączonym artykułem, i żaden z nich nie miał wpisu premierowego wartego tej nazwy. Ta zbieżność to jedyny powód, by czytać je w zestawieniu, bo nie robią tego samego: FastFrames zamienia zdanie na 81 klatek niemego wideo, a WeMM-Video-4B zamienia wideo na opis, w tym opis tego, co mówi się w tle. Interesującym pytaniem nie jest to, który jest lepszy. Jest nim to, co się dzieje, gdy postawi się je jedno za drugim — a odpowiedź brzmi, że szew między nimi jest niemy, co po cichu wyłącza najdroższą część checkpointu WeMM.
Wszystko poniżej jest albo mierzalne w obu repozytoriach, albo zgłoszone przez autorów obu artykułów. Żaden z modeli nie został uruchomiony przez nikogo, kto nie napisał jego sekcji ewaluacji, i żaden nie ma hostowanej ceny, wiersza w rankingu Arena ani reprodukcji strony trzeciej. Gdy jakaś liczba pochodzi z tabeli dostawcy, jest tak oznaczona.
Co FastFrames zapisuje na dysku
FastFrames to autoregresyjny model dyfuzji wideo destylowany z Wan2.1, opublikowany przez Apple i Cornell jako arXiv 2611.23226 17 listopada, a wagi udostępniono dzień wcześniej. Występuje w dwóch rozmiarach — FastFrames-S z 1,3 mld parametrów i FastFrames-L z 14 mld — a głównym założeniem jest opóźnienie, a nie wierność. Na pojedynczym B200 mały model generuje klatkę w 36 milisekund, co jest szybsze niż odtwarzanie klipu: wygenerowanie 5,06-sekundowego materiału zajmuje około 2,9 sekundy. Duży model osiąga 45 milisekund na klatkę rozłożone na osiem B200 i spada do 158 milisekund na jednym GPU, co jest wolniejsze niż czas rzeczywisty. Apple donosi również o karze wydajności od 25 do 50 procent na H100 zamiast B200.
Format wyjściowy jest stały i ograniczony. 832×480, 16 klatek na sekundę, 81 klatek na generację — nieco ponad pięć sekund — sterowane wyłącznie podpowiedzią tekstową. W udostępnionej konfiguracji nie ma warunkowania obrazem, wejścia klatek kluczowych, trybu kontynuacji ani kontroli kamery. Nie ma też dźwięku: brak dekodera audio, brak latentu audio, brak ścieżki dźwiękowej. Autorzy podają sumy VBench na poziomie 84,23 dla małego modelu i 84,44 dla dużego przy 480p na dopasowanych podpowiedziach i seedach, co jest przyzwoitym wynikiem jak na model, którego atutem jest szybkość, i jest to jedyna liczba dotycząca jakości w tym wydaniu.
Dokąd trafia 1,07 miliarda parametrów
WeMM-Video-4B jest środkowym dzieckiem rodziny czterech rozmiarów z grupy WeChat Vision firmy Tencent — 2B, 4B, 9B gęste oraz 35B-A3B typu mieszanka ekspertów — wszystkie przesłane w dziewiętnastominutowym oknie 17 listopada, a raport techniczny arXiv 2611.26409 ukazał się 19 listopada. Nazwa zaniża jego skalę: metadane safetensors odnotowują 5 611 746 312 parametrów, czyli 10,45 GiB w BF16, ponieważ „4B” odnosi się do szkieletu językowego Qwen3.5-4B, a nie do checkpointu.
Odczyt indeksu tensorów wyjaśnia dlaczego. Spośród 1 268 tensorów model językowy zawiera 4,21 miliarda parametrów, wieża wizyjna 0,33 miliarda, a stos audio 1,07 miliarda. Niemal jedna piąta tego checkpointu to enkoder-dekoder w stylu Whisper — 32 warstwy enkodera i 32 warstwy dekodera o szerokości 1 280, z Q-Formerem na poziomie okien, który kompresuje 0,1-sekundowe okna do 10 tokenów audio na sekundę, przyjmując dane wejściowe audio o częstotliwości 16 kHz w 30-sekundowych fragmentach. Ten stos jest inicjalizowany z Qwen2.5-Omni.

• FastFrames Video Generation — tekst na wejściu, klatki na wyjściu, bez dźwięku na żadnym etapie przetwarzania.
• WeMM-Video-4B — na wejściu klatki i dźwięk, na wyjściu tekst, przy czym dźwiękiem zajmuje się dedykowana wieża o 1,07B parametrów, a nie jest on wywnioskowywany z pikseli.
• Nakładanie się — brak na poziomie modelu. Oba to pakiety wag na licencji Apache lub Apple, za którymi nie stoi żaden endpoint, i oba zakładają, że akcelerator zapewnisz sobie sam.
Jedyny klip, jaki tworzy FastFrames, jest niemy.
Prześledź to do końca, a problem kompozycji stanie się konkretny. Jeśli podłączysz WeMM-Video-4B za FastFrames Video Generation — wyrenderujesz ujęcie, a następnie je opisz, aby móc je indeksować, filtrować lub poddać kontroli jakości — każdy klip przekazywany opisującemu nie będzie miał ścieżki dźwiękowej. Wieża audio o 1,07 mld parametrów nie będzie miała czego słuchać. Q-Former nic nie wyemituje, a etap fuzji sprowadzi się do ścieżki wizyjnej.
To nie jest wada żadnego z modeli; to fakt dotyczący pipeline’u, który ma mierzalne konsekwencje, ponieważ artykuł WeMM osobno raportuje benchmarki dla wideo bez dźwięku. W przypadku samej wizji WeMM-Video-4B uzyskuje 75,7 na Video-MME, 65,3 na LVBench, 74,8 na LongVideoBench i 74,2 na EgoSchema. Jego łączne wyniki audio-wizualne — 83,9 na Video-MME z dźwiękiem, 82,5 na Daily-Omni — to właśnie one uzasadniają rozmiar pliku i są dokładnie tymi, których pipeline zasilany przez FastFrames nie może osiągnąć.
Uczciwe ujęcie tego połączenia jest takie, że FastFrames wykorzystuje około 80 procent checkpointu WeMM. Jeśli twoim celem jest pętla opisywania wygenerowanego materiału, model wyłącznie wizyjny o połowę mniejszy wykonałby tę samą pracę; jeśli twoim celem jest rozumienie materiału, który zawiera dźwięk, FastFrames nie może dostarczyć danych wejściowych. Oba narzędzia spotykają się w punkcie, w którym jedno z nich jest w połowie bezczynne.

Dwie liczby prędkości, bez wspólnych jednostek
Oba wydania zaczynają się od twierdzenia dotyczącego opóźnienia, a tych twierdzeń nie da się bezpośrednio porównać, co jest najczęstszym sposobem przekręcania tego porównania w internecie.
36 milisekund FastFrames to czas przypadający na klatkę wyjściową na jednym B200, mierzony względem odtwarzania. WeMM-Video-4B nie generuje klatek; jego koszt to koszt dekodowania tekstu w ramach ograniczonego budżetu multimedialnego. Ten budżet jest ciaśniejszy, niż sugerują domyślne ustawienia procesora. Przepis vLLM w repozytorium ustawia max_frames 16 wobec domyślnej wartości procesora wynoszącej 128, fps 2, oraz łączny limit pikseli wynoszący 262 144, przy długości kontekstu 8 192 tokenów. Audio zużywa 10 tokenów na każdą sekundę, zanim zostanie zliczona choćby jedna klatka.
Praktyczna interpretacja: 20-sekundowy klip i 5-sekundowy klip docierają do opisującego jako szesnaście klatek, a klip ze ścieżką dźwiękową zużywa swój kontekst na dwa strumienie naraz. FastFrames daje ruch przy 16 klatkach na sekundę wyniku; WeMM-Video-4B widzi pokaz slajdów i wnioskuje o ruchu. Żadna z tych liczb nie mówi nic o drugiej, a strona, która stawia „36 ms” obok „8K kontekstu”, porównuje budżet renderowania z budżetem odczytu.

Licencje mają tu większe znaczenie niż wyniki.
W przypadku porównania tak ubogiego w niezależne dowody zapis dotyczący licencji ma większe znaczenie przy podejmowaniu decyzji niż jakikolwiek benchmark w którymkolwiek z obu artykułów, a te dwa elementy znajdują się na przeciwnych krańcach spektrum.
• FastFrames Video Generation — warunki licencji AMLR firmy Apple dotyczące wag modelu, a komponenty demonstracyjne LingBot-World v2 objęte są licencją CC BY-NC-SA 4.0. To „NC” jest ograniczeniem, które ma znaczenie: otwarte wagi, ale nie do użytku komercyjnego.
• WeMM-Video-4B — Apache 2.0 w całej kolekcji, wraz z plikiem licencji Tencent, w którym stwierdzono, że komponenty stron trzecich „pozostają objęte swoimi pierwotnymi warunkami”. To wyłączenie nie zostało wyszczególnione, co stanowi rzeczywistą lukę, a nie formalność, zważywszy że stos audio wywodzi się z Qwen2.5-Omni, a szkielet z Qwen3.5 — oba na licencji Apache 2.0.
• Oba — pełne punkty kontrolne etapów trenowania i potok ewaluacji w repozytorium, co jest niezwykle odtwarzalne jak na wydania tego rodzaju i stanowi najlepszy dostępny zamiennik niezależnej ewaluacji, której nie ma żadne z nich.
Podłączanie describera za rendererem
Jeśli i tak zbudujesz pętlę, pytanie inżynierskie brzmi, gdzie trafia model tekstowy, ponieważ są trzy przeskoki tekstowe i tylko jeden z nich jest opcjonalny.
• Rozszerzanie promptu — notatka ujęcia zamienia się w prompt FastFrames. To konieczne, bo destylowany model dyfuzyjny o 1,3 mld parametrów nie ma miejsca na interpretowanie niejasnej instrukcji.
• Opis — wyrenderowany klip trafia do WeMM-Video-4B i wraca jako proza, co jest etapem, który sprawia, że materiał filmowy można przeszukiwać.
• Wybór — o tym, czy klip zostanie zachowany, decyduje proza, a to etap, który musi być tani, ponieważ płacisz za niego przy każdym kandydacie, a nie przy każdym, który przetrwa selekcję.
Te dwa zewnętrzne przeskoki to zwykłe uzupełnienia tekstu i to właśnie tę część tego stosu OrcaRouter faktycznie obsługuje: jeden klucz kompatybilny z OpenAI do ponad 200 modeli, ceny katalogowe dostawców przekazywane z 0% marży, dzięki czemu zmiana ceny dostawcy trafia tego samego dnia, oraz automatyczne przełączanie awaryjne, dzięki czemu limit żądań w środku partii tysiąca klipów staje się ponowną próbą zamiast luki. Ani FastFrames Video Generation, ani WeMM-Video-4B nie są dostępne na platformie — oba to wagi do pobrania, a żadna warstwa routingu nie zamienia checkpointu w punkt końcowy. Router usuwa pracę integracyjną wokół dwóch modeli, które hostujesz samodzielnie.
Co nadal pozostaje niepotwierdzone
• Niezależna jakość — brak wiersza Artificial Analysis, brak wpisu w rankingu arena, brak odtworzenia przez stronę trzecią dla żadnego z modeli. VBench 84.44 i Video-MME 83.9 są raportowane przez autorów i nie zostały uruchomione przez nikogo innego.
• Warunki oceny — w artykule WeMM nie podano liczby klatek, budżetu pikseli ani długości kontekstu użytych w jego testach porównawczych wideo, a dostarczona procedura wykorzystuje 16 klatek, podczas gdy procesor domyślnie przyjmuje 128. Ta rozbieżność jest wystarczająco duża, by mieć znaczenie w wierszach dotyczących długich wideo.
• Cena — żaden z nich jej nie ma. Brak hostowanego punktu końcowego, brak stawki za sekundę, brak listy partnerów. Koszt to GPU, które posiadasz, plus załatana nakładka vLLM lub SGLang wymagana przez repozytorium WeMM, ponieważ żaden z tych silników nie obsługuje tej architektury w wersji upstream.
• Komercyjna użyteczność po stronie Apple — AMLR w połączeniu z niekomercyjną licencją na wersję demonstracyjną oznacza, że to renderer, a nie describer, jest tym elementem tego pipeline'u, na którym zatrzyma się przegląd prawny.
Pytanie, które wybiera jedno
Zapytaj, czym jest twój artefakt. Jeśli to plik, tylko FastFrames może go wygenerować, a ty planujesz około 480p, pięć sekund, ciszę i licencję niekomercyjną. Jeśli to twierdzenie o materiale filmowym, który już masz — co się dzieje, kto mówi, co jest słyszalne — tylko WeMM-Video-4B może je wygenerować, a ty planujesz około szesnastu próbkowanych klatek i osiem tysięcy tokenów.
Jeśli to oba przypadki, budujesz system dwumodelowy, którego styk pozostaje niemy, a najtańsza poprawna wersja takiego systemu nie używa checkpointu omni 5.61B do opisywania cichego wyjścia. Użyj modelu wizyjnego dla wyrenderowanych klipów, a WeMM-Video-4B zachowaj dla materiału źródłowego zawierającego dźwięk. To mniej elegancka architektura niż jeden model do wszystkiego — ale to ta, którą potwierdzają liczby.
To, czego żadne z tych wydań jeszcze nie zapewnia, to coś, co by to rozstrzygnęło: przebieg wykonany przez kogoś, kto nie napisał artykułu. Dwa laboratoria wypuściły poważne prace wideo w tym samym tygodniu bez zapowiedzi, co jest ciekawszym faktem dotyczącym listopada 2026 niż jakakolwiek pojedyncza komórka benchmarku.
