
WeMM-Video-9B kontra Alibaba Wan 2.7: rachunek i checkpoint
- 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
Zacznij od faktury. Alibaba Wan 2.7 ma stawkę za minutę na dwóch rankingach wideo Artificial Analysis i udokumentowany zakres czasu trwania, co czyni go jednym z niewielu modeli wideo, których koszt można oszacować przed napisaniem choćby linijki kodu. WeMM-Video-9B nie ma żadnej stawki. Grupa WeChat Vision Tencenta opublikowała go 17 listopada 2026 r. jako dziewiętnaście i pół gigabajta wag Apache-2.0 — pięć shardów BF16, kartę modelu i preprint arXiv o numerze 2611.26409 — a potem nie powiedziała nic. Żadnego wpisu premierowego, żadnej strony z cennikiem, żadnego hostowanego punktu końcowego, żadnego zgłoszenia do rankingu. Trzy dni później repozytoria wciąż łącznie pokazują zero pobrań. Uczciwe porównanie nie polega więc na zestawieniu Wan 2.7 z WeMM-Video-9B pod względem jakości; to porównanie usługi rozliczanej za zużycie z niewycenionym artefaktem, a dwóch liczb, które chciałoby się postawić obok siebie, nie ma z tego samego powodu po obu stronach.
Wszystko poniżej rozdziela trzy rzeczy: to, co podają dokumentacja Wan 2.7 i dwa rankingi, to, co twierdzą repozytorium i artykuł WeMM-Video-9B, oraz to, czego nikt spoza obu laboratoriów nie odtworzył. W tym trzecim koszyku znajduje się większość materiałów WeMM-Video-9B, a udawanie, że jest inaczej, byłoby najszybszym sposobem na to, by ten tekst stał się bezużyteczny.
Wan 2.7 jest rozliczany w minutach.
Cennik firmy Alibaba dla Wan 2.7 jest nietypowo czytelny jak na model wideo. Ten zestaw to produkt z czterema trybami — tekst na wideo, obraz na wideo, wideo z referencji i edycja wideo — a ceny widoczne na tablicach to prosta stawka za minutę, a nie system kredytów, którego mechanikę trzeba odtwarzać metodą inżynierii odwrotnej.
• AA-Video-Editing v1.1 — Wan 2.7 zajmuje 9. miejsce z wynikiem Elo 1 074 ±8 na podstawie 22 754 próbek, miesiąc wydania: kwiecień 2026, oraz 16,90 USD za minutę. Przedział ten jest najwęższy w rankingu poza pierwszą trójką — to właśnie daje dwadzieścia dwa tysiące głosów.
• AA-Video-T2V v2.1 — ta sama rodzina pojawia się jako Wan2.7-260612 na 20. miejscu z Elo 1 035 ±13 na 6 965 próbkach, czerwiec 2026, 9,00 USD za minutę. Ten sam dostawca, inne zadanie, inna cena i Elo, które nie przekłada się na wynik edycji.
• Wan 2.7 w ogóle nie występuje na liście image-to-video. Wan 3.0 jest — na 12. miejscu z wynikiem 1 109 — i ta nieobecność jest warta uważnej lektury. Nie oznacza to, że Wan 2.7 nie potrafi ożywić nieruchomego obrazu; oznacza, że arena go tam nie sklasyfikowała. Pakiet Alibaby reklamuje jednak sterowanie pierwszym i ostatnim klatką kluczową, do pięciu obrazów podmiotu i pięciu klipów referencyjnych oraz wyjście od 720p do 1080p z natywnym dźwiękiem. Zdolność, której lista nie ocenia, wciąż pozostaje zdolnością.
Jedna uwaga kontekstowa istotna przy planowaniu budżetu: Wan 2.7 to poprzednia generacja. Wan 3.0 prowadzi obecnie zarówno w rankingu text-to-video (1 176), jak i w rankingu edycji (1 197), a w text-to-video jest tańszy z tych dwóch — 12,00 USD za minutę w porównaniu ze stawką 9,00 USD za edycję w Wan 2.7. Jeśli wybierasz dziś model Alibaby, a nie porównujesz go z innym, decyzja już się dokonała.
Czym właściwie jest checkpoint 9B
WeMM-Video-9B nie jest generatorem wideo, a to jedno zdanie robi w tym porównaniu najwięcej. To model rozumienia wideo: przekazujesz mu klatki wraz z oryginalną ścieżką dźwiękową, a on zwraca tekst. Opis, transkrypcja, rozumowanie czasowe, odpowiadanie na pytania dotyczące materiału, który już posiadasz.
Repozytorium jest niezwykle konkretne co do tego, co się w nim znajduje, i to jest jedyne miejsce, w którym cicha premiera bije głośną. Rekord Hugging Face wymienia 10 488 603 384 parametrów w 1 305 tensorach, BF16, 19,54 GiB podzielone na pięć shardów. Podział jest wyszczególniony: 7,94B szkieletu językowego, w tym 1,02B osadzeń tokenów, niepowiązana głowica wyjściowa 1,02B, 1,08B wieża audio w stylu Whisper z 32 warstwami o szerokości 1 280 za dwuwarstwowym Q-Formerem oraz 0,46B wieża wizyjna z 27 blokami o ukrytej szerokości 1 152, rozmiarze patcha 16 i przestrzennym scalaniu 2×2. Stos językowy to 32 warstwy o ukrytej szerokości 4 096, 16 głowic uwagi wobec 4 głowic klucz-wartość o wymiarze głowicy 256, z hybrydową uwagą liniową — jedna warstwa pełnej uwagi na trzy liniowe — oraz 262 144 osadzeniami pozycyjnymi.
W praktyce daje to szerokie wejście i wąskie wyjście. Na wejściu są wideo, audio, obrazy i tekst. Na wyjściu pojawia się tekst — po angielsku lub chińsku. W całej architekturze nie ma nigdzie syntezy klatek i żadna ilość promptowania nie sprawi, że się pojawi.


Dwa zegary, które się nie spotykają
Porównanie, które rzeczywiście o czymś decyduje, dotyczy czasu i pieniędzy, a obie strony mają limit.
• Limit Wan 2.7 to czas trwania. Od dwóch do piętnastu sekund na generację, od 720p do 1080p, rozliczane za sekundę. Piętnastosekundowy klip 1080p to znana wielkość, zanim naciśniesz start.
• Ograniczeniem WeMM-Video-9B jest kontekst. Procesor domyślnie ustawia 2 klatki na sekundę, przy minimum 4 klatek, maksimum 128 klatek i łącznym budżecie 100 663 296 pikseli. Dostarczany przepis vLLM nadpisuje to wszystko, sprowadzając do 2 fps i 16 klatek przy 262 144 pikselach — około ośmiu sekund materiału próbkowanego od środka klipu. Każde polecenie serwowania w repozytorium przekazuje także długość kontekstu 8192 tokenów, a przy dziesięciu tokenach audio na sekundę to około trzynastu minut audio, jeśli przeznaczysz budżet wyłącznie na dźwięk.
• Niedopasowanie.Wan 2.7 generuje piętnaście sekund materiału. WeMM-Video-9B w wersji dostarczonej analizuje osiem. Jeśli Twój pipeline generuje klip, a następnie pyta model, co się w nim wydarzyło, model opisujący próbkuje połowę wyniku. To nie jest wada żadnego z produktów; to konfiguracja, którą trzeba zmienić świadomie, a przykładowy kod w repozytorium nie robi tego za Ciebie.
Zarząd, w którym nie zasiada żadne z nich
Oto strukturalny problem z tym starciem, ujęty wprost. Każda tablica wideo Artificial Analysis rankuje wygenerowane nagrania. Tekst-na-wideo, obraz-na-wideo, edycja wideo — wszystkie trzy biorą model, który generuje piksele, i rankują go na podstawie preferencji ludzi w porównaniach parami. WeMM-Video-9B generuje tokeny.
Nie chodzi o to, że WeMM-Video-9B wypadł słabo. Po prostu nie można go zgłosić. Wan 2.7 ma dwa wiersze, oba z przedziałami wystarczająco wąskimi, by można było się o nie spierać; WeMM-Video-9B nie ma żadnego i nie będzie miał, dopóki ktoś nie zbuduje areny rozumienia wideo. Co oznacza, że jedynym dowodem jakości dotyczącym przedmiotu tego artykułu jest tabela samych autorów.
Ta tabela nie jest bez znaczenia. W trybie myślenia w zadaniach łączących dźwięk i obraz checkpoint 9B przewyższa Qwen3-Omni-30B-A3B-Instruct w 35 z 37 wspólnych wyników — Video-MME z dźwiękiem 85,1 wobec 77,3, Daily-Omni 83,6 wobec 70,7, SciVideoBench 64,2 wobec 49,9, OmniReasoningBench 43,9 wobec 24,1 — i przegrywa dokładnie w jednym, FutureOmni 53,7 wobec 55,1. W przypadku wideo bez dźwięku, w porównaniu z własnym backbone’em Qwen3.5-9B, zyskuje na F-16-NBA (88,7 wobec 75,8) oraz TimeLens, a przegrywa na MLVU, LVBench, VideoVista, VSI-Bench i MVBench. Artykuł twierdzi, że raportuje „oficjalne wyniki, tam gdzie są dostępne, a w pozostałych przypadkach własne oceny”, co jest prawidłowym ujawnieniem informacji, a zarazem powodem, dla którego nic z tego nie jest niezależne.

Gdzie pasuje OrcaRouter
Żaden z modeli nie jest udostępniany przez OrcaRouter i ten tekst nie będzie udawał, że jest inaczej. Do Wan 2.7 można dotrzeć przez własne API Alibaby oraz kilka platform zewnętrznych; WeMM-Video-9B można uzyskać, pobierając go.
To, co tutaj pasuje, to strona rozliczeniowa, ponieważ powodem, dla którego zespoły ostatecznie porównują generator z modelem opisującym, jest to, że oba trafiają do tego samego potoku. OrcaRouter przekazuje cennik dostawcy dalej po 0% marży, co oznacza, że obniżka stawek dostawcy trafia na Twoją fakturę tego samego dnia, w którym trafia na ich fakturę, a nie wtedy, gdy odsprzedawca ponownie ustali ceny. Jeśli stawka za edycję w Wan 2.7 wynosząca 16,90 USD zmieni się na 12,00 USD, tak jak stało się to w Wan 3.0, zobaczysz to na następnej fakturze. W przypadku obciążenia, w którym jedna część jest rozliczana za sekundę, a druga to checkpoint hostowany przez Ciebie samodzielnie, raportowanie rozliczanej połowy po koszcie to różnica między budżetem, który możesz prognozować, a takim, którego nie możesz.
Na który z nich zaplanować budżet?
Jeśli efektem ma być materiał wideo, Wan 2.7 jest jedynym z tej dwójki, który potrafi go wygenerować, a decyzja sprowadza się do tego, czy 16,90 USD za minutę montażu albo 9,00 USD za minutę generowania wideo z tekstu jest konkurencyjne wobec reszty zestawienia. Zajmując odpowiednio 9. i 20. miejsce, plasuje się w środku stawki w obu przypadkach.
Jeśli produktem końcowym ma być stwierdzenie dotyczące materiału filmowego, który już posiadasz, to WeMM-Video-9B jest jedynym z tych dwóch, który może je wygenerować, a decyzja sprowadza się do tego, czy jesteś w stanie udźwignąć załataną instalację vLLM lub SGLang, checkpoint o rozmiarze 19,54 GiB oraz ośmiosekundowe okno próbkowania, aby uzyskać model opisujący klasy 9B z naprawdę mocnymi wynikami audio-wizualnymi.
Pułapka polega na odczytaniu $16.90 i $0.00 jako tej samej wielkości. Jedna to stawka rozliczana za usługę, którą możesz wywołać jeszcze dziś po południu. Druga to brak usługi, a cenę tego braku płaci się pracą integracyjną i tym, że nikt spoza Tencenta nie powiedział ci, czy te liczby się utrzymają.
