Karta tytułowa sekcji hero z napisem „WeMM-Video-9B vs Wan 3.0”, podtytułem „Jeden sprzedaje sekundy. Drugi je odczytuje.”, trzema plakietkami statystyk: 10,49B otwartych wag, domyślnie 8 s wyświetlania i limit klipu 30 s, oraz stopką mówiącą, że dane WeMM-Video-9B pochodzą z repozytorium Tencent i arXiv 2611.26409, natomiast dane Wan 3.0 pochodzą od Alibaba i Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0: Sprzedane sekundy, obejrzane sekundy

Autor

Alistair Wren

Data publikacji

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

Wan 3.0 sprzedaje sekundy wideo. WeMM-Video-9B odczytuje je z powrotem. To całe porównanie i właśnie dlatego starcie na specyfikacje, wymiar po wymiarze, między tymi dwoma byłoby niemal bez znaczenia: jeden to model generatywny, który zwraca plik MP4, drugi to omnimodalny model rozumienia, który zwraca zdanie. Nie są rywalami. To dwie połowy jednego pipeline'u — wytwórz klip, a potem go sprawdź — a ciekawe pytanie nie brzmi, który wygrywa, lecz gdzie każdy z nich przestaje być użyteczny.

Tylko jedna z nich jest nowiną. Tencent przesłał WeMM-Video-9B oraz osiemnaście powiązanych repozytoriów w pięciominutowym oknie rozpoczynającym się 17 listopada 2026 r. o 08:53:50 UTC, opublikował raport techniczny jako arXiv 2611.26409 19 listopada i nie ogłosił niczego z tego: żadnego wpisu na blogu, żadnej strony premiery, żadnego płatnego planu. W chwili pisania tego tekstu repozytorium 9B ma zero pobrań, kolekcja ma garść polubień, a żaden dostawca wnioskowania nie oferuje tego modelu. Wan 3.0 to całkowicie odwrotny przypadek — Alibaba udostępniła go w publicznej becie 6 sierpnia 2026 r. i oficjalnie uruchomiła 24 sierpnia, osiemdziesiąt osiem dni przed tym tekstem, a obecnie znajduje się on na szczycie dwóch niezależnych rankingów. Wszystko poniżej o Wan 3.0 dotyczy produktu uruchomionego, wycenionego i niezależnie ocenionego. Wszystko o WeMM-Video-9B pochodzi albo z jego własnego repozytorium, albo z PDF autorów, i to są jedyne dwa miejsca, w których istnieje jakakolwiek liczba na jego temat.

Co każdy z nich faktycznie zwraca

Warto zestawić ze sobą linie specyfikacji właśnie dlatego, że opisują różne zadania.

• Wynik — WeMM-Video-9B zwraca tekst w języku chińskim lub angielskim. Wan 3.0 zwraca wygenerowany klip o długości do 30 sekund z natywnym dźwiękiem.

• Wejście — model 9B przyjmuje klatki wideo z oryginalną ścieżką dźwiękową, nieme wideo, osobny dźwięk, obrazy i tekst, i potrafi rozumować nad nimi wszystkimi naraz. Wan 3.0 przyjmuje prompty tekstowe, obrazowe, wideo i audio, a dodatkowo, jako jedyny w swojej rodzinie, dokumenty: doc, xls, ppt, pdf, md, txt, o rozmiarze do 100 MB lub do 50 stron na plik, konwertowane bezpośrednio na wideo.

• Wagi — WeMM-Video-9B udostępnia wagi na licencji Apache 2.0 na Hugging Face w formacie BF16 oraz cztery skwantyzowane wersje (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 nie ma opublikowanych wag; to zamknięte API rozliczane za użycie.

• Cena — model 9B nie ma ceny za hostowanie, ponieważ nikt go nie hostuje; twoim kosztem jest GPU, zmodyfikowane środowisko uruchomieniowe i twój własny czas. Wan 3.0 rozlicza za sekundę wyniku: 0,3, 0,6 i 1,2 juana za sekundę przy 480p, 720p i 1080p — około 0,05, 0,10 i 0,20 USD — co Artificial Analysis normalizuje do 12,00 USD za minutę w swoich rankingach.

• Niezależne oceny — brak dla WeMM-Video-9B. Artificial Analysis nie wymienia żadnego modelu WeMM na żadnej liście rankingowej. Wan 3.0 zajmuje pierwsze miejsce na liście text-to-video Artificial Analysis z wynikiem Elo 1 176 (95% przedział od 1 163 do 1 189, 8 243 próbki), pierwsze na jej liście edycji wideo z wynikiem 1 197 (1 187 do 1 207, 9 919 próbek), a dwunaste w kategorii image-to-video z wynikiem 1 109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

Luka cenowa nie jest luką cenową.

Dwanaście dolarów za minutę to liczba, którą ludzie będą cytować, i jest to niewłaściwa liczba do porównywania z czymkolwiek dotyczącym 9B, ponieważ oba te rozliczenia mierzą różne wielkości. Wan 3.0 pobiera opłatę za wygenerowany czas trwania. WeMM-Video-9B nie ma żadnej opłaty jednostkowej — rozlicza się w sprzęcie, który już posiadasz, a uczciwym sposobem na wycenę jest ustalenie, jaką część karty zajmuje i ile klipów możesz przepuścić na godzinę.

Wielkość zajętości można zmierzyć na podstawie repozytorium. Checkpoint BF16 to 19,54 GiB plików wag i 10 488 603 384 parametrów w 1 305 tensorach — 10,49 mld, a nie dziewięć, ponieważ „9B” w nazwie odnosi się do szkieletu językowego Qwen3.5-9B, a nie do całego stosu. Wersja AWQ W4A16 zajmuje 12,86 GiB. To redukcja o 34%, a nie o 75%, którą sugeruje przepis czterobitowy, a przyczyna jest widoczna w manifestach eksportera: kompresowane są tylko gęste macierze feed-forward, podczas gdy wieża wizyjna, enkoder audio oparty na Whisper, embedding, głowica wyjściowa i wszystkie wagi atencji zachowują oryginalną precyzję. Około 5,7 mld parametrów pozostaje po dwa bajty każdy, co wyznacza dolną granicę, poniżej której nie zejdzie żaden przepis czterobitowy. Każdy, kto określa rozmiar wdrożenia na podstawie nazwy, będzie się mylił o mniej więcej 1,5 GiB i jeden poziom precyzji.

Więc porównanie kosztów, które naprawdę ma znaczenie, to nie dolary przeciw dolarom. To: jedno wywołanie API za 0,20 USD na sekundę gotowego materiału wideo kontra model zajmujący 13–20 GiB pamięci, załatany stos serwowania i dowolny koszt godziny GPU. Dla zespołu, który już uruchamia wnioskowanie, drugie może być tańsze. Dla zespołu, który chce mieć klip do piątku, pierwsze jest jedynym, jakie istnieje.

Jak 9B wypada w porównaniu z 30B

Jedynym miejscem, w którymWeMM-Video-9B ma twarde liczby, jest ewaluacja autorów, a główne twierdzenie w artykule dotyczy jego większego brata — że model 35B-A3B ustanawia nowy stan sztuki wśród modeli open source w zakresie omnimodalnego wideo i zbliża się do Gemini-3.0-Flash. Model 9B ma skromniejsze twierdzenie: przewyższa Qwen3-Omni-30B-A3B-Instruct, model około trzy razy większy od siebie. W trybie Thinking, w tabeli łącznej audio-wideo, rzeczywiście osiąga ten wynik.

• Video-MME z dźwiękiem — 85,1 dla modelu 9B, 77,3 dla Qwen3-Omni-30B-A3B-Instruct, 69,2 dla MiniCPM-o-4.5-9B.

• Video-MME-v2 z dźwiękiem — 51,6 wobec 36,3, różnica 15,3 punktu.

• Wiersze dotyczące rozumowania — SciVideoBench 64.2 wobec 49.9, MMOU 71.7 wobec 60.5, EvaOmni 50.7 wobec 26.1, OmniReasoningBench 43.9 wobec 24.1.

• Gdzie przegrywa — FutureOmni 53,7 wobec 55,1, a JointAVBench to remis przy 64,6.

Bardziej interesujące porównanie jest wewnętrzne i to takie, o którym nikt cytujący artykuł nie wspomina. Uruchom 9B przeciwko flagowemu 35B-A3B na tych samych 17 wierszach, a różnica jest niewielka: 85,1 wobec 86,4 na Video-MME z dźwiękiem, 51,6 wobec 54,9 na Video-MME-v2, 71,7 wobec 74,5 na MMOU. W jednym wierszu mniejszy model wygrywa bezapelacyjnie — SVHalluc 86,8 wobec 80,3. Model mający ułamek aktywnych parametrów flagowca mieści się w granicach 1,3 punktu na głównym benchmarku. To najsilniejszy argument w repozytorium konkretnie za 9B i jest to argument o koszcie wdrożenia, a nie o możliwościach.

Model 9B również nie jest jednolitym ulepszeniem względem backbone'u, który dziedziczy. Porównanie go ze zwykłym Qwen3.5-9B w tabeli cichych filmów pokazuje model dostrojony do tego, kiedy i gdzie coś się wydarzyło, za wymierną cenę w innych obszarach: F-16-NBA 88,7 wobec 75,8, TimeLens-QVHighlights 66,8 wobec 64,3, TOMATO 48,5 wobec 45,0 — ale MLVU 82,4 wobec 84,4, LVBench 68,2 wobec 70,0, VSI-Bench 54,5 wobec 58,3, MVBench 71,4 wobec 74,4. Jeśli Twoim zadaniem jest streszczanie długich filmów, mechanizm audio-wizualny kosztował Cię coś, co backbone robił już lepiej.

Domyślnie osiem sekund pokrycia

W tym miejscu oba modele można porównać bezpośrednio, ponieważ jest to ograniczenie czasu trwania — a liczby nie są zbliżone.

Wan 3.0 generuje do 30 sekund w jednym przebiegu — dwa razy więcej niż 15-sekundowy limit Wan 2.7 — a do tego oferuje narzędzie do rozszerzania wideo, umożliwiające łączenie dłuższych narracji. WeMM-Video-9B w dostarczonej wersji obsługuje osiem.

Luka nie tkwi w checkpointcie. Model 9B deklaruje w swojej konfiguracji tekstowej 262,144 osadzenia pozycyjne, co stanowi bardzo duży budżet. Tkwi ona w recepturach. Procesor domyślnie ustawia 2 fps, minimum czterech klatek, maksimum 128 klatek i łącznie 100,663,296 pikseli, a publikowane przez Tencent polecenie vLLM nadpisuje wszystkie cztery wartości na 2 fps, 16 klatek i 262,144 pikseli. Przy 2 fps szesnaście klatek to osiem sekund materiału pobranego ze środka klipu. Każde polecenie serwowania w repozytorium przekazuje także --max-model-len 8192 lub --context-length 8192, a nic w repozytorium nie wyjaśnia, jak osiągnąć większą zadeklarowaną wartość.

• Budżet klatek — domyślnie dostarczane 16 klatek przy 2 fps, czyli około 8 sekund, w porównaniu z 30-sekundową pojedynczą generacją Wan 3.0.

• Koszt audio — stos audio emituje 10 tokenów na sekundę, więc budżet 8192 tokenów to około trzynastu minut audio i nic więcej; klip ze ścieżką dźwiękową wydaje ten sam budżet na klatki i audio jednocześnie.

• Media na żądanie — cztery obrazy, dwa filmy i dwa elementy audio, zgodnie z limitami obowiązującymi w obu przepisach vLLM i SGLang.

Nikt spoza WeChat Vision nie opublikował, jakiego próbkowania użyto w przebiegach benchmarku. Jeśli odtwarzasz liczbę z powyższej tabeli, to pierwsza niewiadoma, którą trzeba ustalić, a dostarczane domyślne 16 klatek to złe miejsce na start. Ale sufit jest realny: w przypadku czegokolwiek dłuższego niż jedno ujęcie model 9B służy do wyrywkowych kontroli, a nie do recenzowania, chyba że podniesiesz limit klatek i zapłacisz za to kontekstem.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Liczba, której nikt jeszcze nie zmierzył

Między tym modelem a jakąkolwiek zdecydowaną rekomendacją stoją trzy fakty — i warto powiedzieć je wprost, zamiast je ukrywać.

Po pierwsze, każdy powyższy wynik jest raportowany przez dostawcę. Nie ma niezależnej oceny WeMM-Video-9B nigdzie — brak Elo w arenach, brak reprodukcji przez strony trzecie, brak wpisu w rankingu. Tabele pochodzą od tych samych autorów, którzy wytrenowali model, i opierają się na ponad 120 benchmarkach wybranych przez nich samych, a w kilku z tych benchmarków stosuje się różnych sędziów: ewaluacja w pracy opiera się na GPT-6.1-Sol, GPT-4o i Qwen3-235B-A22B w zależności od zadania. Porównania między modelami w pracy są zatem porównaniami liczb uzyskanych przy udziale różnych oceniających, co jest zastrzeżeniem, o którym praca wspomina, a które każdy cytujący tabelę zwykle pomija.

Druga kwestia to podział trybów, który sprawia, że dwa wiersze nie są porównywalne. Tabela dla wideo omni-modalnego uruchamia modele WeMM w trybie Thinking; tabela dla audio uruchamia je w trybie Instruct, zgodnie z oceną autorów, że standardowe benchmarki audio to bezpośrednie zadania percepcyjne. Jest to do obrony i oznacza też, że wiersza WeMM z jednej tabeli nie można zestawić z wierszem konkurencyjnego modelu w drugiej.

Trzecia kwestia to dystrybucja. Zero pobrań nie jest dowodem jakości w żadną stronę, ale oznacza, że nie ma zbioru raportów praktyków — żadnych trybów awarii, żadnego „halucynuje przy teledyskach”, żadnego wątku, w którym ludzie odkrywają limit klatek na własnej skórze. Wan 3.0 ma za sobą osiemdziesiąt osiem dni tego, a do tego premierowe integracje w ComfyUI, Leonardo.Ai i Envato. Na pytanie „co tak naprawdę idzie nie tak w produkcji” jeden z tych modeli ma odpowiedź, a drugi ma repozytorium.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Dzisiaj uruchamiam parę

Jeśli chcesz oba, są one instalowane w zupełnie różny sposób, a żaden z nich nie znajduje się na platformie routingu.

Wan 3.0 to wywołanie API rozliczane według zużycia. Jest dostępny przez własne konsole Alibaby oraz narzędzia kreatywne firm trzecich; rozlicza się za sekundę stawkami 0,3, 0,6 i 1,2 juana odpowiednio dla 480p, 720p i 1080p, a jedyne realne pytanie zakupowe brzmi, jakiej rozdzielczości potrzebuje Twój etap weryfikacji, ponieważ to jest mnożnik.

WeMM-Video-9B to zadanie self-hostingu. Potrzebujesz Pythona 3.12, GPU NVIDIA ze sterownikiem CUDA 12.9, FFmpeg oraz bibliotek współdzielonych TorchCodec, a następnie poprawki środowiska uruchomieniowego z repozytorium: załatanej vLLM 0.18.0 lub 0.31.0 dla BF16 albo załatanego SGLang 0.5.16 lub 0.5.19, przypiętych do dokładnej kombinacji PyTorch, Transformers i CUDA wskazanej w manifeście poprawki dla wersji Twojego silnika. Ładowanie wymaga dodatkowo trust_remote_code, ponieważ model dostarcza własny kod modelowania i procesora. Tencent zweryfikował, że załatana vLLM ładuje punkt kontrolny i przechodzi kontrole generowania tekstu, obrazów, dźwięku i wideo ze ścieżką dźwiękową na H20, co stanowi walidację ładowania i uruchomienia, a nie twierdzenie o dokładności. Ścieżka GGUF wymaga natywnego środowiska uruchomieniowego zbudowanego ze źródła.

OrcaRouter nie udostępnia WeMM-Video-9B, a jego katalog nie zawiera żadnego checkpointu WeMM, więc nie ma hostowanej ceny do podania ani endpointu, do którego można by wysłać wywołanie. To, co platforma jednak oferuje, to wizyjna połowa tego samego zadania — Qwen3-VL-8B-Thinking i Qwen3-VL-235B-A22B-Thinking oba przyjmują obrazy i klatki wideo — za jednym kluczem zgodnym z OpenAI, obok 200+ innych modeli, rozliczane według cennika dostawcy przekazywanego z 0% narzutu. Żaden z nich nic nie słyszy, więc żaden nie zastępuje części audiowizualnej. Jeśli plan polega na wypróbowaniu samodzielnie hostowanego modelu 9B bez kierowania na niego ścieżki produkcyjnej, skierowanie go za regułą przełączania awaryjnego to tani sposób, by sprawdzić, czy załatany runtime wytrzymuje przy Twojej współbieżności, zanim przeznaczysz na niego kartę.

Samo zestawienie jest przepływem pracy, a nie benchmarkiem. Wygeneruj za pomocą Wan 3.0, a następnie przekaż klip modelowi, który zwraca opis zamiast pikseli: czy scena odpowiada promptowi, czy mowa jest zrozumiała, czy dźwięk pasuje do akcji. Nic tutaj nie mierzy, czy WeMM-Video-9B dobrze radzi sobie z tym zadaniem konkretnie w porównaniu z własnymi wynikami Wan 3.0 — nikt tego nie uruchamiał. Ośmiosekundowy budżet klatek to ograniczenie, które należy sprawdzić najpierw, ponieważ jeśli Twoje klipy mają trzydzieści sekund, recenzent patrzy na jedną czwartą każdego z nich.

Co zmieniłoby odpowiedź

Trzy rzeczy, które można datować, uszeregowane według tego, jak bardzo zmieniłyby rekomendację.

Niezależny wynik dla WeMM-Video-9B. Pojedynczy wpis w Artificial Analysis lub jeden wynik z areny od podmiotu, który nie dzieli pracodawcy z autorami, przekształciłby powyższą tabelę z twierdzenia w pomiar. Do tego czasu uczciwa interpretacja jest taka, że checkpoint 10.49B z backbone'em 9B osiąga wyniki zbliżone do własnego flagowca 35B-A3B na własnych benchmarkach Tencenta i tylko tyle można powiedzieć.

Hostowany endpoint. Model wymaga zpatchowanego środowiska uruchomieniowego, niestandardowego kodu i 13–20 GiB pamięci rezydentnej; w dniu, w którym dostawca zaoferuje go za pośrednictwem API, porównanie cen w tym artykule przestanie być błędem kategorialnym i stanie się arytmetyką.

Przepis, który wykorzystuje zadeklarowany kontekst. Checkpoint już deklaruje 262 144 pozycje. Jeśli Tencent wyda profil serwowania, który podnosi limit klatek i faktycznie go wykorzystuje, ośmiosekundowa wartość domyślna staje się szczegółem konfiguracji, a nie pułapem — a model 9B przestaje być narzędziem do wyrywkowej kontroli krótkich ujęć.

Na razie podział jest czysty. Wybierz Wan 3.0, gdy potrzebujesz materiału wideo; jest już dostępny, ma ustaloną cenę, znajduje się na szczycie dwóch niezależnych rankingów i jest jedynym z tych dwóch, który możesz wywołać dziś po południu. Wybierz WeMM-Video-9B, gdy potrzebujesz modelu, który słyszy ścieżkę dźwiękową tak dobrze, jak widzi klatki, masz wolną kartę i jesteś gotów jako pierwszy przekonać się, czy ośmiosekundowy przepis to ustawienie domyślne, czy ograniczenie. Te dwa nie konkurują ze sobą o tę samą decyzję.

Porównane w tym artykule2

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie