
WeMM-Video-9B vs HiDream-O1-Video-1.0: Dwie wąskie talie
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 118 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
Poniższe porównanie nie dotyczy zatem możliwości. Chodzi o to, wokół jakiego ograniczenia można projektować, a odpowiedź okazuje się zależeć od tego, czy wolisz płacić za udokumentowany limit, czy hostować nieudokumentowany.
Co mówi artykuł i co akceptuje API
HiDream-O1-Video-1.0 ukazał się 28 sierpnia 2026 r., a 10 września trafił na listę rankingową image-to-video. Zapowiedź producenta jest szeroko zakrojona: wejście tekstowe, obrazowe i wideo, od pięciu do dwudziestu sekund materiału wyjściowego w 1080p, natywnie zsynchronizowane audio, czas trwania zaplanowany narracyjnie, ograniczenia fizyczne.
API HiHarness nie jest szerokie. Przyjmuje jeden obraz referencyjny — URL lub Base64, nie większy niż 20 MB i nie mniejszy niż 40 KB — oraz opcjonalny prompt tekstowy i wartość logiczną force_10s. Nie ma selektora rozdzielczości. Nie ma pola wideo referencyjnego. Nie ma kontroli dźwięku. Jeśli chcesz pięć sekund, dostajesz dziesięć; jeśli chcesz dwadzieścia, dostajesz dziesięć. Rozbieżność między publikacją a punktem końcowym to najbardziej konkretny fakt dotyczący tego modelu i ten, który najprawdopodobniej zmieni twoją architekturę.
• Wejście — HiDream-O1-Video-1.0: jeden obraz referencyjny plus opcjonalny prompt. WeMM-Video-9B: wideo, audio, obrazy i tekst, do czterech obrazów, dwóch filmów i dwóch klipów audio na żądanie.
• Dane wyjściowe — HiDream-O1-Video-1.0: wideo 1080p z zsynchronizowanym dźwiękiem, dziesięć sekund w praktyce. WeMM-Video-9B: tekst w języku angielskim lub chińskim.
• Ograniczenie — HiDream-O1-Video-1.0: interfejs API. WeMM-Video-9B: dostarczona recepta próbkowania, 16 klatek przy 2 fps.

Jeden rząd planszy, jedna pusta komórka
HiDream-O1-Video-1.0 ma dokładnie jeden niezależny pomiar i jest to taki, z którym warto polemizować.
• AA-Video-I2V v2.1 — 14. miejsce z wynikiem Elo 1101 ±14 na 6976 próbkach, wydanie z sierpnia 2026 r., 5,80 USD za minutę. To wąski przedział na dużej próbie, a model plasuje się między Wan 3.0 z wynikiem 1109 i Agnes-Video-2.5 z wynikiem 1105 — w zatłoczonym paśmie, w którym czternaście punktów to jeden przedział.
• Brak w AA-Video-T2V v2.1 i AA-Video-Editing v1.1. Brak funkcji text-to-video jest tym ciekawszym przypadkiem, ponieważ zapowiedź samego dostawcy zaczyna się od wejścia tekstowego. Model bez wiersza text-to-video i bez pola reference-video ma historię text-to-video istniejącą wyłącznie w prozie.
• WeMM-Video-9B — brak wiersza na którejkolwiek z trzech tablic, z przyczyny strukturalnej: wszystkie trzy rankingują wygenerowany materiał, a on nie generuje żadnego. Pusta komórka, a nie niska ocena.
Za 5,80 USD za minutę HiDream-O1-Video-1.0 to jedna z tańszych pozycji w rankingu image-to-video. Wśród sklasyfikowanych modeli tylko Pika H3 Flex za 2,10 USD, HeyGen Video 1 za 2,40 USD, Agnes-Video-2.5 za 2,40 USD, Vidu Q4 Preview za 5,04 USD i P-Video-2-Pro za 5,70 USD mają niższą cenę, a mimo to wyprzedza on kilka modeli wycenionych trzy–cztery razy wyżej.

Dziewiętnaście i pół gigabajta szczegółów
To, w czym WeMM-Video-9B jest hojny, to informacje, jakie podaje o sobie. Wpis Hugging Face wymienia 10 488 603 384 parametrów w 1 305 tensorach — 7,94 mld parametrów szkieletu językowego, w tym 1,02 mld parametrów embeddingu tokenów, niezwiązaną głowicę wyjściową z 1,02 mld parametrów, wieżę audio z 1,08 mld parametrów składającą się z 32 warstw w stylu Whisper o szerokości 1 280 za dwuwarstwowym Q-Formerem przy dziesięciu tokenach audio na sekundę oraz wieżę wizyjną z 0,46 mld parametrów składającą się z 27 bloków o wymiarze ukrytym 1 152, rozmiarze patchu 16 i scalaniu przestrzennym 2×2.
Ta precyzja jest formą uczciwości, której strona HiDream nie oferuje: Black Forest Labs i HiDream odmawiają publikowania liczby parametrów, a żaden z nich nie ma takiego obowiązku. Ale stwarza to też pułapkę, ponieważ szczegółowa architektura zachęca do założenia, że dostarczana konfiguracja jest z nią zgodna. A nie jest.
• Domyślne ustawienia procesora — 2 fps, minimum 4 klatki, maksimum 128 klatek, łącznie 100 663 296 pikseli.
• Udostępniono przepis vLLM — 2 kl./s, 16 klatek, 262 144 pikseli, próbkowane w okolicach środka klipu.
• Kontekst — 8192 tokeny przy każdym poleceniu serwowania, wobec 262 144 osadzeń pozycyjnych w architekturze.
Szesnaście klatek przy dwóch na sekundę daje osiem sekund pokrycia, a próbkowanie zaczyna się w środku. Sześćdziesięciosekundowy klip traci pierwsze i ostatnie dwadzieścia sześć sekund. Architektura pozwoliłaby na znacznie więcej; przepis na to nie pozwala, a to przepis jest tym, co trafia do wydania.

Dziesięć sekund wobec ośmiu
Zestaw oba limity obok siebie, a wyłoni się zarys decyzji. HiDream-O1-Video-1.0 daje ci dziesięć sekund gotowego materiału 1080p ze zsynchronizowanym dźwiękiem, niezależnie od tego, o co poprosisz. WeMM-Video-9B analizuje osiem sekund materiału, który już masz, niezależnie od tego, jak długi jest.
Obie te liczby są arbitralne. Dziesięć sekund HiDream to decyzja produktowa wyrażona w wartości logicznej; osiem w WeMM-Video-9B to wartość domyślna w pliku receptury. Żadna z nich nie jest prawem fizyki. Ale tylko jedna z nich wiąże się z dostawcą, który powie ci, co dzieje się na granicy — i nie jest to ta dystrybuowana jako checkpoint.
Jeśli wygenerujesz dziesięciosekundowy klip za pomocą HiDream-O1-Video-1.0, a następnie zapytasz WeMM-Video-9B, co się w nim wydarzyło, model opisujący pobiera osiem z tych dziesięciu sekund ze środka. Dwie sekundy — pierwsza i ostatnia — nigdy nie trafiają do modelu. To problem koordynacji, który rozwiązujesz zmianą konfiguracji, i dokładnie taki problem koordynacji tworzy ta para, a żaden z dostawców go nie dokumentuje.
Fuzja modeli i gdzie zasługuje na zdanie
Żaden z modeli nie jest hostowany na OrcaRouter. HiDream-O1-Video-1.0 jest dostępny za pośrednictwem własnej platformy HiDream oraz kilku platform firm trzecich; WeMM-Video-9B można uzyskać, pobierając go.
Powód, dla którego takie porównanie trafia do rozmowy o orkiestracji, jest taki, że obie połowy zawodzą inaczej. Część hostowana zawodzi głośno — limit zapytań, przekroczenie limitu czasu, kod błędu — i właśnie do tego służy automatyczne przełączanie awaryjne. Część hostowana we własnym zakresie zawodzi cicho: zwraca pewny opis ośmiu sekund materiału i nie mówi nic o dwudziestu sześciu sekundach, których nigdy nie widziała. Fuzja modeli jest tutaj ciekawszym narzędziem, ponieważ drugi model czytający ten sam klip przy innej polityce próbkowania nie zgodzi się na granicach, a ta niezgodność to jedyny sygnał, jaki dostajesz, że okno było zbyt małe.
W przypadku części hostowanej cena katalogowa dostawcy jest przenoszona przy marży 0%, co ma większe znaczenie niż zwykle przy 5,80 USD za minutę: zmiana ceny dostawcy w przypadku taniego modelu to większa zmiana procentowa niż w przypadku drogiego, a śledzenie publikowanej stawki zamiast kopii z pamięci podręcznej sprawia, że prognoza partii stu klipów pozostaje rzetelna.
W jakim ograniczeniu możesz żyć
Wybierz HiDream-O1-Video-1.0, jeśli zadaniem jest jeden obraz referencyjny i dziesięć sekund. Otrzymujesz udokumentowany endpoint, zsynchronizowane audio, stawkę 5,80 USD i wiersz w rankingu na 14. miejscu w kategorii obrazu do wideo. Rezygnujesz z tekstu do wideo, kontroli rozdzielczości i dowolnego czasu trwania innego niż dziesięć sekund.
Wybierz WeMM-Video-9B, jeśli opisywanie materiału filmowego jest zadaniem. Otrzymujesz 9B omnimodalny model opisujący z mocnymi deklarowanymi wynikami audiowizualnymi, licencją Apache-2.0 i liczbą parametrów, którą możesz zweryfikować. Rezygnujesz z umowy serwisowej, niezależnej weryfikacji i jakiejkolwiek gwarancji, że ośmiosekundowe okno jest wystarczająco szerokie dla klipów, które faktycznie masz.
Nie należy porównywać ich pod względem jakości. Żadnego z nich nie oceniano na tym samym instrumencie, a jednego z nich nie da się ocenić. Opłaca się natomiast porównanie dwóch wąskich tali — wartości logicznej i pliku przepisu — oraz to, wokół którego z nich można budować, nie oszukując się co do tego, co widzi.
