Karta tytułowa z napisem „WeMM-Video-4B vs FLUX 3 Video” i podtytułem „Odczytaj klip lub stwórz własny”, dwa panele rozdzielone dyskiem „vs”, lewy z plakietką „open weights” i pozycją 0,00 USD za minutę, 5,61 mld parametrów i kontekstem 8192 tokenów, prawy z plakietką „metered” i pozycją 17,40 USD za minutę, do 20 sekund i 10. miejscem w AA-Video-T2V v2.1, ze stopką o treści „Dane Artificial Analysis odczytane 20 listopada 2026 r.”.
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video: odczytaj klip lub utwórz własny

Autor

jinhao.song

Data publikacji

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

Najszybszym sposobem na zmarnowanie popołudnia jest porównywanie WeMM-Video-4B z FLUX 3 Video pod względem jakości. Jeden z nich ma liczbę, a drugi nie, i ta liczba nie jest oceną jakości — to cena. FLUX 3 Video od Black Forest Labs stał się ogólnie dostępny 4 sierpnia 2026 r. z opublikowaną stawką za minutę i pozycjami na obu tablicach wideo Artificial Analysis. WeMM-Video-4B od grupy WeChat Vision Tencenta pojawił się 17 listopada 2026 r. jako dziesięć i pół gigabajta wag Apache-2.0, bez endpointu, bez ceny i bez żadnego wpisu na liście rankingowej. Masz do wyboru generator rozliczany za użycie i darmowe narzędzie opisujące, a uczciwe porównanie dotyczy tego, której z tych dwóch rzeczy brakuje w Twoim pipeline.

W dalszej części tekstu rozróżnia się trzy rodzaje faktów: to, co stwierdzają repozytoria i dwie płytki, to, co dostawcy twierdzą we własnych pracach i dokumentacji, oraz to, czego nikt spoza obu laboratoriów nie zweryfikował. Na dzień 20 listopada 2026 r. ta trzecia kategoria obejmuje większość interesującego materiału.

Jeden zasiada w dwóch zarządach, drugi w żadnym.

Artificial Analysis dwukrotnie ocenia FLUX 3 Video, a obie oceny są na odrębnych skalach, więc żadna nie przekłada się na drugą.

• AA-Video-T2V v2.1 — FLUX 3 Video na 10. miejscu, Elo 1 137 ±13 przy 7 406 głosach, wyceniony na 17,40 USD za minutę. Większy FLUX 3 Video Max znajduje się na 7. miejscu z wynikiem 1 151 ±14 przy 4 708 głosach, w cenie 8,70 USD za minutę, co jest nietypowym przypadkiem, w którym większy model jest tańszy w zestawieniu.

• AA-Video-I2V v2.1 — FLUX 3 Video na 16. miejscu z wynikiem 1 069 ±14 na 6 838 głosów, przy tej samej cenie 17,40 USD. FLUX 3 Video Max jest 17. z wynikiem 1 068 ±14 na 6 848 głosów przy cenie 8,70 USD.

• WeMM-Video-4B — brak wiersza na obu tablicach i brak wiersza na tablicy edycji wideo. To nie jest brakujący pomiar; nie można go wprowadzić. Tablice wideo AA rankingują wygenerowany materiał filmowy, a WeMM-Video-4B nie generuje żadnego.

Czytaj przedziały, a nie miejsca w rankingu. Sześćdziesiąt osiem punktów dzieli dwa miejsca FLUX 3 Video na tablicach text-to-video i image-to-video — równowartość pięciu przedziałów — i to jest użyteczny fakt o modelu ocenianym na dwóch instrumentach, których nie można przeliczać jeden na drugi: to kompetentny generator, którego pozycja zależy od tego, jakie zadanie mu postawisz. To realny, choć skromny, niezależny pomiar — i to więcej, niż ma druga strona tego starcia.

Co można kupić za 17,40 dolara na minutę

FLUX 3 Video to generator multimodalny z szerszą listą danych wejściowych, niż pokazuje jakikolwiek pojedynczy wiersz tablicy. Monity tekstowe, nieruchomy obraz jako pierwsza klatka, wideo na potrzeby video-to-video i kontynuacji oraz klatki kluczowe do kontrolowanych przejść. Czas trwania wynosi do 20 sekund w jednej generacji, przy czym od 5 do 20 sekund dla text-to-video i image-to-video oraz od 5 do 15 dla kontynuacji. Rozdzielczość jest sprzedawana w przedziałach pikseli, a nie w proporcjach obrazu — HD przy około jednym megapikselu na klatkę, FHD przy dwóch, QHD/2K przy czterech, UHD/4K przy ośmiu. Natywne audio z wielojęzycznymi dialogami, zsynchronizowaną mową, efektami dźwiękowymi i dźwiękami otoczenia jest opcjonalne i wliczone w cenę za sekundę.

• Draft HD — 0,06 USD za sekundę. Pięciosekundowy klip testowy kosztuje trzydzieści centów.

• HD / 720p — 0,17 USD za sekundę, czyli około 0,85 USD za pięć sekund.

• FHD / 1080p — 0,29 USD za sekundę. QHD/2K to 0,40 USD, a UHD/4K to 0,80 USD.

• Wideo do wideo i kontynuacja — $0.12 wersja robocza, $0.41 do $0.43 HD, $0.53 do $0.54 FHD, $0.65 przy 2K i $0.95 przy 4K.

Stawka 17,40 USD za minutę podana w cenniku to znormalizowana wartość dla 1080p, dlatego nie przekłada się równo na tę kartę. To jednostka porównawcza, a nie paragon. W kilku podsumowaniach podmiotów trzecich pasma 2K i 4K również opisuje się jako stopniowo wdrażane, a nie powszechnie dostępne, więc górną część karty należy traktować jako kwestię na poziomie konta.

Co WeMM-Video-4B daje ci za darmo

Druga strona pojedynku nie kosztuje nic za wywołanie i w ogóle nie można jej kupić. WeMM-Video-4B ma 5 611 746 312 parametrów — 10,45 GiB w BF16 — w repozytorium nazwanym od swojego językowego szkieletu Qwen3.5-4B, a nie od rzeczywistego rozmiaru. Nadwyżka jest tu sednem: 4,21 miliarda parametrów modelu językowego, 0,33 miliarda wieży wizyjnej i 1,07 miliarda stosu audio w stylu Whispera z Q-Formerem emitującym 10 tokenów audio na sekundę z dźwięku 16 kHz w 30-sekundowych fragmentach.

Przyjmuje tekst, obrazy, wideo oraz wideo z oryginalną ścieżką dźwiękową, a zwraca tekst. W wspólnej tabeli audiowizualnej autorów przewyższa Qwen3-Omni-30B-A3B-Instruct w Video-MME z dźwiękiem — 83,9 do 77,3 — oraz w Video-MME v2 — 48,1 do 36,3. W przypadku niemego wideo prowadzi w LVBench 65,3 do 50,2 i LongVideoBench 74,8 do 63,5. W starciu z Qwen3.5-Omni-Flash przegrywa w benchmarkach audio — MMAU 75,2 do 80,4, MMAR 67,3 do 74,0 — i pozostaje w tyle w OCRBench 85,7 do 89,1 oraz GPQA 73,2 do 76,4.

Każdy z nich to pomiar samego Tencentu. W artykule stwierdzono, że podaje oficjalne wyniki, gdy są dostępne, a w przeciwnym razie własne ewaluacje, i że żadna strona trzecia nie odtworzyła żadnego wiersza. Liczba klatek, budżety pikseli i długość kontekstu dla przebiegów benchmarku nie zostały podane — co ma znaczenie, ponieważ dostarczana recepta vLLM ogranicza wideo do 16 klatek i 262,144 łącznych pikseli, podczas gdy domyślne ustawienie procesora to 128 klatek.

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

Dwa zegary, które nigdy się nie spotykają

Żaden z modeli nie może zastąpić drugiego, a ograniczenia, które sprawiają, że tak jest, dotyczą w obu przypadkach budżetów, a nie możliwości.

• Budżet wyjściowy — FLUX 3 Video generuje do 20 sekund materiału na wywołanie w rozdzielczości do 4K z dźwiękiem. WeMM-Video-4B nie generuje żadnych klatek, więc jego budżet wyjściowy to budżet tokenów: 8 192 tokeny na żądanie w wersji domyślnej, przy czym dźwięk zużywa 10 tokenów na sekundę, zanim klatki zostaną doliczone.

• Budżet wejściowy — WeMM-Video-4B przyjmuje cztery obrazy, dwa wideo i dwa elementy audio na żądanie, przy 2 klatkach na sekundę, z limitem do 16 klatek. FLUX 3 Video przyjmuje prompt, jedną pierwszą klatkę, jeden film referencyjny lub zestaw klatek kluczowych, i nie przyjmuje żadnego wejścia audio.

• Struktura kosztów — FLUX 3 Video nalicza opłaty za każdą sekundę materiału wyjściowego, więc koszt rośnie wraz z ambicjami. WeMM-Video-4B nalicza opłaty za każdą godzinę GPU na własnym sprzęcie, więc koszt zależy od rozmiaru partii i nie ma znaczenia, jak długi jest klip źródłowy — liczy się tylko, ile klatek przetrwa próbkowanie.

• Licencja — Apache 2.0 dla kolekcji WeMM, z niewyszczególnionym wyłączeniem komponentów firm trzecich; hostowane komercyjne API po stronie FLUX, bez publikowanych wag.

Mówiąc prościej: jedno to koszt liczony za sekundę z tablicą wyników, drugie to stały koszt kapitałowy z dokumentem. Zespół, który potrzebuje gotowego ujęcia, nie może użyć WeMM-Video-4B, a zespół, który potrzebuje przeszukiwalnego indeksu dziesięciu tysięcy istniejących klipów, nie może użyć FLUX 3 Video — nie dlatego, że jest drogi, ale dlatego, że nie ma sposobu odpowiedzieć na pytanie o materiał, którego nie stworzył.

Audio to miejsce, w którym porównanie się ugina

FLUX 3 Video generuje dźwięk. WeMM-Video-4B rozumie dźwięk. To różne możliwości, które na liście funkcji brzmią podobnie, a różnica między nimi decyduje o potoku przetwarzania.

Dźwięk w FLUX to wynik generowania: wielojęzyczne dialogi, zsynchronizowana mowa, efekty dźwiękowe i tło — opcjonalne i wliczone w cenę za sekundę. Black Forest Labs nie publikuje jednak liczby ścieżek, więc jeśli potrzebujesz dialogów, muzyki i efektów jako rozdzielnych ścieżek, ani cennik, ani dokumentacja nie mówią, czy je otrzymasz. Zaplanuj drugi przebieg w DAW.

Audio w WeMM to ścieżka wejściowa: wieża o 1,07 miliarda parametrów, która zamienia ścieżkę dźwiękową w 10 tokenów na sekundę i łączy je z tokenami wizualnymi w porządku chronologicznym, z jawnymi znacznikami czasu w formie tekstowej. To właśnie mierzy wynik 83,9 w Video-MME z audio oraz wynik 75,2 w MMAU — jak dobrze słyszy, a nie jak dobrze mówi.

Przepływ pracy, który pisze scenę, renderuje ją z dźwiękiem, a następnie musi wiedzieć, czy dialog faktycznie zadziałał, wymaga obu połówek, a żaden model nie pokrywa połowy drugiego. To jedyne miejsce w tym porównaniu, gdzie oba modele naprawdę się uzupełniają, a nie są jedynie różne.

Pytanie o routing, przedstawione uczciwie

OrcaRouter nie udostępnia żadnego z tych modeli. Nie ma endpointu WeMM-Video-4B — katalog platformy nie zawiera żadnego checkpointu WeMM — ani trasy FLUX 3 Video. FLUX 3 Video jest dostępny za pośrednictwem własnego API Black Forest Labs i kilku platform zewnętrznych; WeMM-Video-4B można pobrać z nakładką zawierającą poprawki dla vLLM lub SGLang, ponieważ żaden z tych silników nie obsługuje tej architektury w wersji upstream.

To, co platforma faktycznie obejmuje, to warstwa tekstowa otaczająca oba te przepływy pracy, a w tym zestawieniu użytecznym elementem jest fuzja modeli, a nie zwykłe trasowanie. Decyzja „czy ten klip warto zachować” to kwestia oceny, a połączona decyzja, która stawia tani klasyfikator i drogi model rozumujący na tym samym promptcie, może ją podjąć za ułamek kosztu uruchamiania drogiego modelu na każdym kandydacie. Działa to na jednym kluczu zgodnym z OpenAI w ponad 200 modelach, w cenach katalogowych dostawców z 0% marży, więc gdy dostawca obniży cenę, obniżka obowiązuje tego samego dnia, a nie w następnym cyklu rozliczeniowym. W przypadku wyłącznie wizyjnej połowy prac WeMM, Qwen3-VL-235B-A22B-Thinking i Qwen3-VL-8B-Thinking oba przyjmują obrazy i klatki wideo i są już dostępne na platformie — co jest obejściem brakującego modelu omni, a nie zamiennikiem jego wieży audio.

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

Co by to właściwie rozstrzygnęło

Trzy zmiany pozwoliłyby oderwać to porównanie od opartej na danych dostawców podstawy, na której obecnie się opiera.

Po pierwsze, wpis WeMM-Video-4B na jakiejkolwiek niezależnej liście rankingowej. Nie ma żadnego, a powód jest strukturalny, a nie spiskowy: rankingi wideo AA oceniają wygenerowane materiały, a modelu rozumiejącego nie można do nich zgłosić. Wszechmodalna arena rozumienia wideo to brakujące narzędzie i dopóki taka nie powstanie, każda liczba WeMM jest słowem Tencenta.

Po drugie, wydanie wag FLUX 3 Video. Black Forest Labs ma reputację firmy publikującej otwarte modele, a ten checkpoint nie ma licencji na pobranie, więc porównanie odbywa się obecnie między modelem otwartym a zamkniętym, co jest różnicą, której nie oddaje żaden wiersz benchmarku.

Po trzecie, cena hostingu dla rodziny WeMM. Jeśli kompatybilny dostawca hostingu zacznie udostępniać te wagi po cenie katalogowej dostawcy z 0% marży przekazywanej dalej, strona kosztowa tego artykułu zmieni kształt w ciągu tygodnia. To jest warunek, a nie obecny fakt, i niczego tutaj nie należy odczytywać jako twierdzenia, że my to hostujemy.

Którego właściwie potrzebujesz

Jeśli produktem końcowym ma być materiał filmowy, FLUX 3 Video jest jedynym z tych dwóch, który może go wygenerować, a decyzja sprowadza się do tego, czy 0,17 USD za sekundę w 720p jest do przyjęcia na tle alternatywnych generatorów z tej samej tabeli — w której, przy 10. miejscu w kategorii text-to-video, plasuje się cenowo w środku stawki.

Jeśli rezultatem ma być opis materiału filmowego, który już posiadasz, WeMM-Video-4B jest jedynym z tych dwóch, który potrafi go wygenerować, a decyzja sprowadza się do tego, czy możesz utrzymywać nakładkę źródłową dla vLLM lub SGLang oraz checkpoint o rozmiarze 10.45 GiB, aby uzyskać model opisujący klasy 4B o wyjątkowo dobrych wynikach dla długich filmów.

Pułapka polega na traktowaniu 17,40 USD i 0,00 USD jako tej samej wielkości. Jedno to stawka rozliczana za usługę; drugie to brak usługi. WeMM-Video-4B jest darmowy w taki sposób, w jaki darmowe jest wydanie badawcze — płacisz integracją, niezweryfikowanymi pakietami GGUF i brakiem czyjejkolwiek opinii o tym, czy to działa.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu