Karta tytułowa z napisem „WeMM-Video-9B vs FLUX 3 Video” i podtytułem „Kto za co wystawia rachunek”, dwa panele rozdzielone okrągłym elementem „vs”: lewy z etykietą „tylko wagi” i listą 9B gęstych parametrów, 19,54 GiB shardów BF16 i limitem 128 klatek, prawy z etykietą „rozliczany” i listą Elo 1137 w AA-Video-T2V v2.1 oraz 17,40 USD za minutę.
Guides & Insights

WeMM-Video-9B vs FLUX 3 Video: Kto za co płaci

Autor

jinhao.song

Data publikacji

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

Two models with video in their name, and only one of them will ever hand you a video. FLUX 3 Video, from Black Forest Labs, went to general availability on 4 August 2026 and sells seconds of finished 1080p footage at a published rate. WeMM-Video-9B, from T​encent's WeChat Vision group, went up on 17 November 2026 as a 19.54 GiB Apache-2.0 checkpoint that reads footage and writes sentences about it. Nobody announced it — no blog post, no pricing page, no demo, no board entry — which is why the useful question here is not which model is better. It is which of the two invoices you are trying to reduce.

To przeformułowanie nie jest wybiegiem. Porównanie generatora z narzędziem opisującym jest uczciwe tylko wtedy, gdy z góry powiesz, że nie są one substytutami, a potem zaczniesz się przyglądać temu, gdzie faktycznie się stykają: kosztowi na jednostkę pracy, górnemu limitowi tego, jak dużą część klipu obejrzy każde z nich, oraz temu, w jakim stopniu każde z tych twierdzeń zweryfikował ktoś spoza firmy.

Dwie kategorie produktów, a nie dwóch konkurentów

FLUX 3 Video przyjmuje prompt tekstowy, nieruchomy obraz lub klip źródłowy i zwraca nowy materiał filmowy. Black Forest Labs dokumentuje text-to-video, image-to-video, video-to-video, warunkowanie klatką kluczową i kontynuację, generowanie do dwudziestu sekund w 1080p SDR MP4, z zsynchronizowanym dźwiękiem generowanym w tym samym przebiegu. To nie są otwarte wagi. Nie ma checkpointu do pobrania ani licencji pozwalającej uruchomić go na własnym sprzęcie; wynajmuje się go.

WeMM-Video-9B przyjmuje klatki oraz oryginalną ścieżkę dźwiękową, a także osobne audio, obrazy i tekst, i zwraca tekst w języku angielskim lub chińskim. Jest objęty licencją Apache 2.0 z wyłączeniem dotyczącym stron trzecich, którego karta modelu nie wyszczególnia. Dostępny jest checkpoint — pięć shardów BF16 — i nie ma żadnego hostowanego endpointu, który ktokolwiek znalazł.

• Kierunek — FLUX 3 Video: tekst lub obraz na wejściu, wideo na wyjściu. WeMM-Video-9B: wideo i audio na wejściu, tekst na wyjściu.

• Parametry — FLUX 3 Video: nie opublikowano. WeMM-Video-9B: gęsty szkielet językowy 9B, łącznie 10 488 603 384 w 1 305 tensorach.

• Pułap — FLUX 3 Video: dwadzieścia sekund materiału wyjściowego. WeMM-Video-9B: szesnaście próbkowanych klatek i 8192 tokeny wejściowe, w wersji dostarczonej.

• Dostęp — FLUX 3 Video: API rozliczane według zużycia. WeMM-Video-9B: pobierz i hostuj samodzielnie, z nakładką vLLM lub SGLang.

Two-column contrast headed 'WeMM-Video-9B vs FLUX 3 Video', the left listing 10.49B parameters, 16 sampled frames in, text out and Apache 2.0, the right listing Elo 1,137 on AA-Video-T2V v2.1, up to 20 seconds and $17.40 per minute, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

Odczyt $17.40

Artificial Analysis wycenia FLUX 3 Video na 17,40 USD za minutę na obu tablicach, na których się pojawia, a ta spójność zasługuje na chwilę uwagi, ponieważ jest to jedyna liczba w tym artykule, co do której obie strony rynku się zgadzają.

Tabela opłat za sekundę w dokumentacji Black Forest Labs jest bardziej szczegółowa i mniej korzystna: 0,15 USD za sekundę dla HD, 0,24 USD dla Full HD, 0,28 USD dla QHD i 0,41 USD dla UHD przy konwersji tekstu lub obrazu na wideo, z osobną i wyższą drabinką dla wideo na wideo przy 0,21 USD, 0,27 USD, 0,31 USD i 0,45 USD oraz poziomem Draft za 0,06 USD. FAQ na stronie modelu nadal podaje 0,17 USD, 0,29 USD, 0,40 USD i 0,80 USD dla tych samych czterech poziomów. Dwa dokumenty od tego samego dostawcy, oba aktywne, różnią się nawet dwukrotnie w górnym przedziale. Planuj budżet na podstawie tabeli opłat za sekundę, a FAQ zachowaj jako dowód, że strony z cenami się psują.

To tutaj warstwa routingu uzasadnia swoje istnienie, zamiast być jedynie ozdobnikiem. OrcaRouter przekazuje cenę katalogową dostawcy z 0% narzutem, więc gdy dostawca zmienia cennik — albo publikuje dwa, które sobie przeczą — naliczana kwota odpowiada publikowanej przez niego kwocie, a nie zapisanej w pamięci podręcznej kopii odsprzedawcy. W przypadku obciążenia rozliczanego za sekundę na czterech poziomach rozdzielczości to różnica między modelem kosztów, który przetrwa zmianę ceny, a takim, który po cichu się rozjeżdża.

Co oznaczają liczby na tablicy

FLUX 3 Video jest klasyfikowany dwukrotnie, na dwóch instrumentach, które nie przeliczają się na siebie.

• AA-Video-T2V v2.1 — 10. miejsce w Elo 1 137 ±13 na 7 406 próbkach, lipiec 2026, 17,40 USD za minutę.

• AA-Video-I2V v2.1 — 16. miejsce z wynikiem Elo 1 069 ±14 na podstawie 6 838 próbek, w tej samej cenie. Większy model z tej samej rodziny, FLUX 3 Video Max, zajmuje 7. miejsce w kategorii text-to-video z wynikiem 1 151 i 17. miejsce w kategorii image-to-video z wynikiem 1 068, w cenie 8,70 USD za minutę.

Sześćdziesiąt osiem punktów dzieli wiersze text-to-video i image-to-video — równowartość pięciu przedziałów — co jest najbardziej użytecznym faktem o modelu ocenianym na dwóch tablicach: jego pozycja mówi o zadaniu, a nie o modelu. Żadna z tablic nie ma wiersza dla WeMM-Video-9B i nigdy mieć nie będzie, ponieważ obie szeregują wygenerowane nagrania, a WeMM-Video-9B nie generuje żadnych. To nie jest niski wynik. To pusta komórka.

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 at rank 10 on Elo 1,137 over 7,406 samples at $17.40 per minute and FLUX 3 Video Max at rank 7 on 1,151.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.

Czego nie widzi szesnaście klatek

Dostarczana konfiguracja WeMM-Video-9B to część repozytorium, która najprawdopodobniej rozczaruje kogoś, kto tylko pobieżnie przejrzał artykuł. Domyślne ustawienia procesora pozwalają na 2 klatki na sekundę, minimum 4 klatki, maksimum 128 klatek i budżet 100 663 296 pikseli. Przepis vLLM dostarczany w repozytorium nadpisuje to wszystko na 2 fps, 16 klatek i 262 144 piksele, próbkowane w okolicach środka klipu. Szesnaście klatek przy 2 fps to osiem sekund pokrycia, a próbkowanie zaczyna się w środku, więc początek i koniec dłuższego klipu po prostu nie trafiają do danych wejściowych.

Każda komenda serwowania przekazuje również długość kontekstu wynoszącą 8 192 tokeny. Przy dziesięciu tokenach audio na sekundę wieża audio może pomieścić około trzynastu minut dźwięku; część wideo wyczerpuje się znacznie szybciej. Architektura obsługuje 262 144 osadzenia pozycji, więc pułap jest wyborem przepisu, a nie twardym limitem — ale to wybór dostarczony przez dostawcę i właśnie ten otrzymasz, jeśli postąpisz zgodnie z instrukcjami.

W zestawieniu z dwudziestosekundowym wynikiem FLUX 3 Video to niedopasowanie w obu kierunkach. Dwadzieścia sekund wygenerowanego materiału filmowego to więcej niż osiem sekund oglądania. Jeśli Twój potok generuje, a następnie opisuje, moduł opisujący próbkuje tylko ułamek tego, co wygenerował generator, a zamknięcie tej luki to zadanie konfiguracyjne, które musisz wykonać samodzielnie.

Luka dowodowa jest asymetryczna

FLUX 3 Video ma dwa niezależne wiersze Elo i cenę. Nie ma natomiast weryfikacji marketingu przez stronę trzecią: strona FLUX 3 Max twierdzi, że zapewnia „10-sekundowe wideo w 12 sekund”, jest „22 razy szybsza niż Seedance 2.5” i dzieli pierwsze miejsce w kategorii obraz-na-wideo, przy czym nie podano nazwy rankingu, na karcie z ceną za sekundę nie ma wiersza ceny Max ani nie ma endpointu Max. To twierdzenia dostawcy i tak należy je odczytywać.

WeMM-Video-9B ma odwrotny problem. Jego tabela wyników jest szczegółowa — Video-MME z dźwiękiem 85,1 wobec 77,3 dla Qwen3-Omni-30B-A3B-Instruct, Daily-Omni 83,6 wobec 70,7, SciVideoBench 64,2 wobec 49,9, OmniReasoningBench 43,9 wobec 24,1, z jedyną porażką na FutureOmni przy 53,7 wobec 55,1 — i nic z tego nie zostało odtworzone poza własnym środowiskiem ewaluacyjnym autorów. Artykuł ujawnia to: „oficjalne wyniki, tam gdzie były dostępne, a w pozostałych przypadkach nasze własne oceny”. To zdanie ma duże znaczenie, a zerowa liczba pobrań we wszystkich dziewiętnastu repozytoriach WeMM-Video trzy dni po publikacji sugeruje, że nikt nie zaczął sprawdzać.

Decyzja — każda w jednej linii

Kup FLUX 3 Video, jeśli potrzebujesz materiału wideo i akceptujesz 17,40 USD za minutę w zestawieniu, w którym zajmuje 10. miejsce w text-to-video i 16. w image-to-video. Otrzymujesz udokumentowane API, opublikowaną cenę i niezależny wynik, a rezygnujesz z możliwości uruchomienia go samodzielnie.

Pobierz WeMM-Video-9B, jeśli potrzebujesz opisu posiadanego już materiału wideo i możesz udźwignąć checkpoint o rozmiarze 19,54 GiB oraz załatane środowisko uruchomieniowe. Otrzymujesz model opisujący 9B o mocnych wynikach audiowizualnych i licencji Apache-2.0, a rezygnujesz z niezależnej weryfikacji, kontraktu serwowania i jakiejkolwiek gwarancji co do tego, jaką część długiego klipu faktycznie przeanalizuje.

Nie powinieneś traktować $17.40 i darmowego pobrania jako tej samej pozycji. Jedno jest stawką. Drugie to wydanie badawcze, którego rzeczywisty koszt ujawnia się później – w godzinach integracji i w braku drugiej opinii.