
WeMM-Video-4B vs HiDream-O1-Video-1.0: Dwa rodzaje wąskiego podejścia
- 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
HiDream-O1-Video-1.0 i WeMM-Video-4B Oba przedstawiają się szerzej, niż się zachowują. Materiał premierowy HiDream reklamuje model, który przyjmuje tekst, obrazy i wideo, a zwraca od pięciu do dwudziestu sekund materiału 1080p z zsynchronizowanym dźwiękiem; udokumentowane API przyjmuje dokładnie jeden obraz referencyjny i opcjonalny prompt. WeMM-Video-4B przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst, co jest zgodne z prawdą — model nie jest jednak nigdzie udostępniany, więc to, co teoretycznie przyjmuje, uzyskasz dopiero po załataniu własnego silnika wnioskowania. Jeden jest zawężony przez swój kontrakt udostępniania, drugi przez brak jakiegokolwiek kontraktu udostępniania. To całe porównanie, a wszystko poniżej to szczegóły, które się na nim opierają.
Żadnego z tych modeli nie można dziś wywołać w trybie, na którym skupia się jego artykuł. To, jak duże ma to znaczenie, zależy od tego, którą połowę luki możesz zamknąć samodzielnie, a to jest kwestia licencji i GPU, a nie jakości.
Wiersz i wersja, na której się opiera
HiDream-O1-Video-1.0 ma niezależny pomiar. Odczytany 20 listopada 2026 r. naAA-Video-I2V v2.1 tablicy, zajmuje 14. miejsce z wynikiem Elo 1 101 przy 95-procentowym przedziale ±14, czyli w zakresie od 1 087 do 1 115, na podstawie 6 976 głosów, odnotowany jako wydanie z sierpnia 2026 r., w cenie 5,80 USD za minutę wygenerowanego wideo.
Sześć tygodni wcześniej, na v1.0 tablicy ten sam model był szósty z wynikiem 1,175 ±10 przy 3,231 głosach. Czytane niedbale, wygląda to na załamanie. Tak nie jest, a powód warto podać wprost, ponieważ jest to najczęstszy błąd popełniany przy tych tablicach: v1.0 i v2.1 to różne narzędzia o różnych skalach Elo, różnych pulach głosów i innej taksonomii. Wynik nie przenosi się między nimi, więc odległość między 1,175 a 1,101 nie jest miarą tego, o ile model się pogorszył. To, co się zmieniło, jest realne — 14. miejsce to gorsze miejsce niż 6. miejsce zgodnie z zasadami obecnej tablicy — ale arytmetyka, która je łączy, nie istnieje.
WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is Tencent's own.
Co API HiDream tak naprawdę akceptuje
Powierzchnia udostępniania jest udokumentowana i wąska — w sposób, który bezpośrednio przekłada się na twierdzenia dotyczące premiery.
• Wejście — dokładnie jeden obraz referencyjny, podany jako publiczny URL lub Base64 o rozmiarze od 40 KB do 20 MB. Prompt jest opcjonalny i domyślnie pusty. Ogłoszenie wymienia wideo wśród danych wejściowych modelu; schemat żądania nie zawiera dla niego pola.
• Rozdzielczość — brak selektora. Wynik zachowuje proporcje obrazu referencyjnego. Na deklarację 1080p w ogłoszeniu nie można wpłynąć z poziomu żądania.
• Czas trwania — jedna wartość logiczna, force_10s, domyślnie false. Jeśli pozostawisz false, model wybiera; ustawisz true — otrzymasz dziesięć sekund. Ogłaszany zakres od pięciu do dwudziestu sekund nie ma pola liczbowego.
• Audio — nie udostępniono żadnego wejścia audio ani parametru generowania dźwięku, mimo natywnego zsynchronizowanego dźwięku opisanego w wydaniu.
• Kontrakt wyniku — asynchroniczny. Przesyłasz zadanie, otrzymujesz task_id i odpytujesz o status. result.status = 1 oznacza, że każde podzadanie osiągnęło stan końcowy, a nie że generowanie się powiodło; sukces to sub_task_results[].task_status = 1, gdzie 3 oznacza błąd generowania, a 4 — przegląd bezpieczeństwa.
Więc model, który możesz wywołać, to animator obrazu z dwoma trybami czasu trwania. Model opisany w komunikacie to wspólny generator tekstu, wideo i audio z zaplanowanym czasem trwania. Oba stwierdzenia są udokumentowane przez tę samą firmę, a różnica jest kwestią planu rozwoju, a nie sprzecznością.
Co WeMM-Video-4B prosi cię, abyś zbudował
Druga strona nie ma zobowiązania, by być wąska, ponieważ nie ma punktu końcowego. WeMM-Video-4B ma 5 611 746 312 parametrów — 10,45 GiB wag BF16 — i został udostępniony na licencji Apache 2.0 w rodzinie czterech rozmiarów, które wszystkie pojawiły się w dziewiętnastominutowym oknie 17 listopada 2026 r., a 19 listopada ukazał się raport techniczny arXiv 2611.26409.
Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and Tencent labels it exported_unvalidated.
W zamian otrzymujesz deskryptor z nietypowo dużym stosem audio: 4,21 mld parametrów modelu językowego pochodnego od Qwen3.5-4B, 0,33 mld parametrów wieży wizyjnej oraz 1,07 mld parametrów enkodera-dekodera audio w stylu Whisper zasilającego Q-Former z szybkością 10 tokenów na sekundę. Prawie jedna piąta checkpointu to uszy — dlatego to jego łączne wyniki audio-wizualne są tymi interesującymi.
Tryby, w których porównywany jest każdy model
Uczciwe zestawienie nie polega tu na tym, „który jest lepszy”, ale na tym, „który tryb jest tym, do którego faktycznie możesz dotrzeć”, a te dwie odpowiedzi wypadają w różnych miejscach.
• HiDream-O1-Video-1.0 — tryb dostępny: obraz-do-wideo, jedna klatka referencyjna, stałe proporcje, dziesięć sekund lub wybór modelu, brak kontroli dźwięku. Tryb oceniany: obraz-do-wideo. Tablica i API są zgodne.
• WeMM-Video-4B — tryb osiągalny: wideo ze ścieżką dźwiękową na wejściu, tekst na wyjściu, przy 16 próbkowanych klatkach i 8192 tokenach w dostarczonej wersji. Tryb oceniany: w artykule podano tryb Thinking w tabelach wideo, Instruct w tabeli audio i ponownie Thinking w przypadku obrazu i tekstu, przy czym nie podano liczby użytych klatek ani długości kontekstu.
• Oba — zgłoszone przez dostawcę tam, gdzie podana jest liczba, przy czym żadna strona trzecia nie odtworzyła żadnego z nich. Zaletą HiDream jest to, że jedna konfiguracja została poddana głosowaniu przez osoby, które nie pracują dla HiDream.


Pytanie audio, na które tylko jedna strona może odpowiedzieć
HiDream generuje dźwięk, a WeMM-Video-4B go rozumie. Na liście funkcji brzmi to jak ta sama możliwość, ale nią nie jest, a dla zespołu budującego potok przetwarzania ta różnica decyduje o tym, która z nich jest w ogóle istotna.
Po stronie generowania materiał HiDream opisuje pojedynczy proces, który modeluje tekst, wideo i dźwięk razem, zamiast dodawać dźwięk później, dzięki czemu ruch warg, tło dźwiękowe i akcja fizyczna są osadzone na wspólnej osi czasu. Czy można tym sterować, to osobna kwestia: udokumentowane żądanie nie udostępnia żadnego parametru audio, a ogłoszenie nie podaje liczby ścieżek, więc dialog, muzyka i efekty jako osobne ścieżki pozostają niezweryfikowane pod oboma względami.
On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are Tencent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.
Uczciwe podsumowanie jest więc takie, że jeden model tworzy dźwięk, którego jeszcze nie można sprawdzić, a drugi sprawdza dźwięk, który trzeba dostarczyć. Żaden z nich nie jest narzędziem audio, jakiego oczekuje pipeline produkcyjny, dopóki pierwszy nie zyska parametru audio, a drugi hosta.
Gdzie router pomaga, a gdzie sobie nie radzi
OrcaRouter nie obsługuje żadnego z tych modeli. Nie ma punktu końcowego WeMM — katalog nie zawiera żadnego checkpointu WeMM — ani trasy HiDream; HiDream-O1-Video-1.0 jest dostępny poprzez własną platformę HiDream i kilka platform zewnętrznych. Nic poniżej nie jest twierdzeniem, że hostujemy którykolwiek z nich.
Miejscem, w którym router w tym starciu zarabia na siebie, jest sama migracja, a narzędziem do tego jest routing DSL, a nie lista modeli. Oba te modele stoją za powierzchnią serwującą, która jest widocznie tymczasowa — jeden to podgląd z jednym wejściem i dwustanową flagą terminalową, drugi to nakładka źródłowa przypięta do konkretnych wydań upstream — a stos, który na sztywno koduje którykolwiek z nich, to stos, który psuje się przy czyjejś notce wydania. Polityka routingu, która wskazuje model główny i zapasowy oraz potrafi porównać dwa modele w obrębie jednego żądania, a nie dwóch integracji, zamienia to ryzyko w konfigurację. Działa to przez jeden punkt końcowy zgodny z OpenAI w ramach ponad dwustu modeli w cenach listowych dostawcy przekazywanych z 0% marży, więc zmiana ceny u dostawcy przechodzi tego samego dnia. W części obciążenia WeMM dotyczącej wyłącznie wizji Qwen3-VL-235B-A22B-Thinking i Qwen3-VL-8B-Thinking są już na platformie — co jest obejściem brakującego checkpointu omni, a nie zamiennikiem jego wieży audio.

Z jaką ciasnotą możesz żyć
Jeśli potrzebujesz materiału wideo w tym kwartale i wystarczy jedno zdjęcie referencyjne, HiDream-O1-Video-1.0 jest jedynym z tych dwóch z wywoływalnym punktem końcowym, a jego ograniczenia są udokumentowane wystarczająco dobrze, by można było zintegrować się z nim w jedno popołudnie. Zaplanuj budżet 5,80 USD na minutę, przewidź dziesięć sekund albo wybór modelu i czytaj status podzadania, a nie flagę terminala.
Jeśli musisz wiedzieć, co znajduje się w materiale filmowym, który już posiadasz — łącznie z tym, co się na nim mówi — WeMM-Video-4B jest jedynym z tych dwóch, który potrafi odpowiedzieć, a ceną wejścia jest silnik wnioskowania z poprawkami, checkpoint o rozmiarze 10.45 GiB oraz budżet próbkowania 16 klatek, który powinieneś dostroić, zanim zaufasz wynikowi dla długiego wideo.
To, czego nie daje ci żadne z nich, jest tym, co zwykle obiecuje strona porównawcza: wspólne zadanie, na podstawie którego można je uszeregować. Nie są to dwie odpowiedzi na jedno pytanie. To dwa modele, których publiczne powierzchnie są obie mniejsze niż ich artykuły, a użyteczny osąd inżynierski polega na tym, które z tych luk możesz zamknąć za pomocą własnego sprzętu.
Porównane w tym artykule1
Wykryto na podstawie tego artykułu
