Karta tytułowa z napisem „WeMM-Video-9B vs Alibaba Wan 2.7” i podtytułem „Rachunek i checkpoint”, dwa panele rozdzielone dyskiem „vs”: lewy z etykietą „tylko wagi” i informacjami o 9B gęstych parametrów, 19,54 GiB shardów BF16, Apache 2.0 i braku ceny; prawy z etykietą „rozliczane API” i informacjami o Elo 1,074 w AA-Video-Editing v1.1 oraz 16,90 USD za minutę.
Guides & Insights

WeMM-Video-9B kontra Alibaba Wan 2.7: rachunek i checkpoint

Autor

jinhao.song

Data publikacji

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

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.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

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.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

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.