Cartão de título principal com o texto 'WeMM-Video-2B vs Seedance 2.5 Flash', subtítulo 'o gate de QC que ninguém precifica', com dois cartões unidos: o da esquerda, intitulado Seedance 2.5 Flash, com o texto '0,07 dólares por segundo a 480p' e rotulado 'gera'; o da direita, intitulado WeMM-Video-2B, com o texto '6,12 GiB, Apache 2.0' e rotulado 'julga'.
Engineering & Research

WeMM-Video-2B vs Seedance 2.5 Flash: A etapa de QC que ninguém precifica

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Sete centavos compram um segundo de Seedance 2.5 Flash em 480p, ou quinze centavos em 720p, na tabela de preços que a ByteDance publicou por meio da BytePlus em 13 de novembro de 2026. Ninguém divulga quanto custa decidir se o clipe que retornou é utilizável. WeMM-Video-2B — o checkpoint omni-modal de 3,28 bilhões de parâmetros da Tencent, enviado em 17 de novembro de 2026 sem anúncio e, até 20 de novembro, com zero downloads — é o primeiro modelo com licença aberta desta família pequeno o suficiente para rodar como o portão, e não como o gerador. Juntos, eles descrevem um pipeline em que a parte cara tem preço, e a parte que decide se você pagou por ela duas vezes não tem.

Esse é todo o argumento, e não se trata de uma apresentação comercial de nenhum dos dois modelos. O Seedance 2.5 Flash é um gerador de vídeo com uma tabela de preços e nenhuma tabela de capacidades. O WeMM-Video-2B é um modelo de compreensão de vídeo com um repositório e nenhuma avaliação independente. Nenhum dos dois está em um endpoint hospedado para o qual possamos apontar você. O que segue é o que cada um realmente é, por que o enquadramento de preço por segundo que domina esta categoria é incompleto e como um portão no ciclo teria de ser antes de valer a pena integrá-lo.

O que sete centavos por segundo não cobre

Comece pela aritmética, porque é a única parte desta comparação que já está resolvida. O Seedance 2.5 Flash cobra US$ 0,07 por segundo em 480p e US$ 0,15 em 720p sem vídeo de entrada, contra US$ 0,103 e US$ 0,231 do Seedance 2.5 — cerca de dois terços do preço nos dois níveis, derivado de uma tarifa de token de US$ 7,00 por unidade contra US$ 10,70 do modelo pai. Um clipe de cinco segundos custa US$ 0,34 em 480p. Mil deles custam US$ 340.

Esses números estão corretos e também são a coisa menos interessante sobre o modelo, porque eles precificam uma geração, e não uma decisão. Todo estúdio que opera um nível de vídeo acaba descobrindo que a conta não é o número de clipes que gerou — é o número que gerou para conseguir um que enviaria. Se o Flash precisa de quatro tentativas para conseguir uma tomada utilizável, seu custo real é de 28 centavos por segundo aceito, e ele não supera seu próprio número de destaque em absolutamente nada. Se o modelo pai consegue em duas, o pai é mais barato por segundo aceito, apesar de custar 47% mais por tentativa. A tabela de preços não pode dizer qual dessas é verdadeira. Só uma medição pode.

Essa medição é exatamente para isso que serve um modelo de compreensão — e é aqui que a comparação deixa de ser um "vs" entre iguais e passa a ser a descrição de duas tarefas adjacentes.

Um gera, outro julga, e nenhum faz as duas coisas.

Generated two-column scoreboard titled 'WeMM-Video-2B vs Seedance 2.5 Flash - the scoreboard' with six labelled rows: what goes in, what comes out, resolution, duration, weights and independent evaluation. WeMM-Video-2B reads text out only, Apache 2.0 with four quantised builds, 10 frames per 5 seconds at 2 fps. Seedance 2.5 Flash reads 480p and 720p with no 1080p, a closed endpoint, 5 seconds in the worked example. A footer reads neither is independently evaluated.

O Seedance 2.5 Flash recebe um prompt, um primeiro quadro opcional e ativos de referência, e retorna vídeo. O WeMM-Video-2B recebe quadros de vídeo mais a trilha sonora original, e retorna texto. Não há sobreposição de capacidades nem forma de substituir um pelo outro. O identificador do modelo do gerador é dreamina-seedance-2-5-flash-261115, e o carimbo de data nele — 15 de novembro de 2026 — é a janela de API anunciada pela BytePlus, dois dias após o modelo surgir em um parceiro de distribuição.

• O que entra — um prompt e imagens de referência para o Flash; até quatro imagens, dois vídeos e dois itens de áudio por solicitação para o WeMM-Video-2B.

• O que é gerado — vídeo mp4 com áudio sincronizado para o Flash; uma resposta em texto para o WeMM-Video-2B, em chinês ou inglês.

• Resolução — 480p e 720p no Flash, sem nenhum nível 1080p; não se aplica ao WeMM-Video-2B, que não possui saída de vídeo.

• Duração — cinco segundos é o exemplo prático na tabela de preços; o WeMM-Video-2B amostra a 2 fps com mínimo de 4 quadros e máximo de 128 quadros, então um clipe de cinco segundos tem dez quadros por padrão.

• Pesos — Flash é um endpoint fechado, sem nada para baixar; WeMM-Video-2B é Apache 2.0 e pode ser baixado, mas as GPUs são por sua conta.

• Avaliação independente — nenhuma para nenhum dos dois. Nenhum ranking de terceiros que conseguimos encontrar em 20 de novembro inclui uma entrada do Seedance 2.5 Flash, e os resultados de destaque do artigo do WeMM-Video pertencem ao 35B-A3B e ao 9B, não ao 2B.

Leia essa lista duas vezes e a forma da coisa fica clara. Não é uma escolha entre dois modelos de vídeo. É uma escolha entre pagar pela geração e pagar pelo julgamento, e a maioria das equipes já está pagando pela primeira sem ter calculado o custo da segunda.

O que a T​encent realmente construiu

O 2B é o membro compacto de uma família de quatro tamanhos — 2B, 4B, 9B densos e um 35B-A3B de mistura de especialistas — lançada em conjunto como dezessete repositórios no Hugging Face entre 08:53 e 08:59 UTC em 17 de novembro, com o artigo no arXiv vindo depois, em 19 de novembro, e o README do repositório ainda sendo editado na manhã do dia 20. A licença é Apache 2.0 e a arquitetura é uma pilha de três torres sob um wrapper `WeMMVideoForConditionalGeneration`: um codificador visual de 24 blocos com 1.024 de dimensão oculta e patches de 16 pixels, um codificador de áudio Whisper de 32 camadas com 1.280 de largura e 128 bins mel, e um modelo de texto de 24 camadas com 2.048 de dimensão oculta, 8 cabeças de atenção e 2 cabeças chave-valor, em um vocabulário de 248.320 tokens com máximo de 262.144 posições.

Os detalhes que decidem se ele é utilizável como gate em vez de uma demo:

• Tamanho dos pesos — 6,12 GiB de safetensors BF16 em dois shards, 6.567.256.208 bytes no índice, o que equivale a aproximadamente 3,28 bilhões de parâmetros quando os codificadores são contados. O nome contabiliza apenas o modelo de linguagem.

Dois modos, um único checkpoint — `enable_thinking=False` retorna uma resposta direta e `enable_thinking=True` retorna um traço de raciocínio, selecionado por uma flag de template de chat em vez de baixar um segundo modelo.

• Serviço — vLLM 0.18.0 ou 0.31.0 com patches, SGLang 0.5.16 ou 0.5.19 com patches, imagens CUDA 12.9 e um caminho de runtime nativo para a build GGUF. A própria alegação de validação da T​encent é que o vLLM com patches “carregou o checkpoint em L20 e H20 e concluiu as verificações de geração para texto, imagem, áudio e vídeo com trilha sonora”.

• Quantização — FP8 Block128, AWQ W4A16, GGUF Q4_K_M e NVFP4 W4A16, cada um em seu próprio repositório. Um modelo 2B em uma build de 4 bits é pequeno o suficiente para caber na mesma máquina que o cliente que chama o gerador.

• Limites de entrada — quatro imagens, dois vídeos e dois itens de áudio por solicitação dentro de um contexto de 8.192 tokens, impostos pela receita de serviço, e não apenas sugeridos por ela.

O que falta importa tanto quanto. Não há nenhum número de precisão específico para o 2B em lugar algum do lançamento — as alegações da família sobre superar o Qwen3.5-Omni-Flash e o Seed2.0-Mini-0428 pertencem ao 35B-A3B, e a alegação do 9B de superar o Qwen3-Omni-30B-A3B-Instruct é do 9B. Se o modelo compacto mantém o raciocínio audiovisual que torna a família digna de ser discutida é, publicamente, algo não testado. Zero downloads e duas curtidas no repositório em 20 de novembro são um indicador razoável de quanto escrutínio externo ele teve.

A tabela de capacidades que a ByteDance não publicou

Screenshot of ByteDance's BytePlus ModelArk documentation for Seedance 2.5 Flash, showing the model identifier dreamina-seedance-2-5-flash-261115 and the API availability window of 14:00 UTC plus 8 on 15 November 2026, with no duration, reference-budget or audio row on the page.

O Flash tem o problema oposto. O seu preço está documentado ao cêntimo e a sua capacidade não está documentada de todo. A BytePlus publicou uma tabela de preços, um identificador de modelo e um limite máximo de resolução. Não publicou, em nenhuma página que conseguimos carregar em 20 de novembro, a duração máxima, o orçamento de referência, se o áudio é gerado na mesma passagem, se os modos de edição e extensão que definem o Seedance 2.5 se mantêm, ou se o formato de saída mov está disponível.

O modelo pai dá conta de tudo isso — de quatro a trinta segundos, cinquenta ativos de referência divididos em trinta imagens, dez vídeos e dez áudios, geração conjunta de áudio e vídeo, onze idiomas, mp4 e mov a 24 fps. Nada disso está especificado para o Flash. Isso não é motivo para presumir o pior; é motivo para não presumir nada. Um nível que mantém trinta segundos e cinquenta referências por dois terços do preço é um produto diferente de um que mantém 720p e nada mais, e a diferença é exatamente aquilo que um gate de QC teria de medir — exceto que o gate não consegue medir uma especificação que nunca foi registrada por escrito.

Essa é a limitação honesta de toda a ideia. Você pode construir o loop hoje. Ainda não é possível dizer contra o que o loop está testando, porque um dos lados entrega uma lista de preços e o outro entrega um documento.

Quanto custaria uma porta no laço

Suponha que você o construa. A chamada ao gerador vai para a BytePlus ou para um parceiro de distribuição usando a chave deles. O gate é uma instância WeMM-Video-2B que você mesmo hospeda, recebendo o clipe retornado e sua trilha sonora e respondendo a uma pergunta — isto corresponde ao briefing, e o áudio está sincronizado? A 2 fps e dez quadros para um clipe de cinco segundos, trata-se de uma pequena tarefa de inferência em uma única GPU, e as builds de 4 bits a tornam ainda menor.

A economia é desequilibrada de um modo que vale a pena declarar sem rodeios. Uma geração custa de sete a quinze centavos por segundo e não pode ser inspecionada antes de você pagar. Uma passagem pelo gate custa uma fração de centavo de tempo de GPU e pode ser executada quantas vezes você quiser. Se o gate rejeitar um em cada quatro clipes, você terá economizado três quartos de uma regeneração que, de outro modo, teria comprado às cegas — e terá feito isso sem um segundo contrato de fornecedor, porque o gate são pesos no seu próprio hardware.

O que você não obtém é um número. Ninguém publicou uma taxa de concordância entre um julgamento do WeMM-Video-2B e o de um editor humano e, até que alguém o faça, o gate é um filtro com uma taxa de falsos positivos desconhecida. Essa é uma razão real para executá-lo em modo sombra por uma semana antes de deixá-lo rejeitar qualquer coisa.

Onde a camada de roteamento justifica seu lugar

Screenshot of the OrcaRouter model page for Tencent Hy4 Flash, showing the identifier tencent/hy4-flash, a 1,048,576-token context window, 65,536 maximum output tokens, text and image input with text output, and per-million pricing of 0.0175 dollars in and 0.07025 dollars out.

Nenhum dos modelos está no nosso catálogo, e ambas as afirmações merecem ser feitas sem rodeios: não servimos o WeMM-Video-2B e não servimos o Seedance 2.5 Flash. Um pipeline construído em torno de qualquer um deles é um pipeline construído sobre a chave de outra pessoa.

A rota "o que fazemos" é o trabalho ao redor e, neste design específico, isso não é um prêmio de consolação. Tencent Hy4 Flashé o nível econômico do carro-chefe Hunyuan da T​encent — texto e imagem na entrada, texto na saída, contexto de um milhão de tokens, até 64.000 tokens de saída, a US$ 0,0175 por milhão de tokens de entrada e US$ 0,07025 por milhão de saída. Esse é o modelo que expande um briefing de uma linha em uma lista de planos, reescreve o prompt entre as tentativas e lê o motivo da rejeição do gate para decidir o que mudar. É um modelo de texto fazendo trabalho de texto e, com essas tarifas, o loop de engenharia de prompt em torno de um pipeline de vídeo custa menos do que o vídeo.

O ponto estrutural é o que se mantém independentemente do fornecedor que você escolher. O preço de tabela do provedor é repassado com 0% de markup, então, quando a ByteDance reduz uma faixa — como fez com esta, cortando-a para dois terços da faixa principal —, o corte entra em vigor do nosso lado no mesmo dia, e não no próximo ciclo de cobrança. Failover automático entre provedores significa que a metade de texto do loop não derruba o pipeline quando um endpoint se degrada. E ter mais de 200 modelos por trás de uma única chave compatível com OpenAI significa que a comparação que você inevitavelmente fará — este gate contra um modelo de entendimento maior, este expansor de prompt contra um mais barato — custa uma mudança de parâmetro, e não uma integração.

O que assistir, e em que ordem

Três coisas fariam isso passar de uma discussão para uma recomendação. Primeiro, a tabela de capacidades do Flash: duração, referências, áudio e se 1080p está permanentemente ausente ou apenas atrasado. Segundo, qualquer avaliação independente do 2B — um único número público de concordância com o julgamento humano transformaria o gate de um projeto em um componente. Terceiro, a primeira comparação de latência publicada para o Flash, porque "mais rápido" é toda a premissa do nome, e a saída de 24 fps em 720p por trinta segundos é muita inferência para acelerar.

Até lá, o resumo é dois preços e um número faltante. O Seedance 2.5 Flash é um nível de vídeo real, barato e de escopo restrito, a dois terços da tarifa do seu irmão. O WeMM-Video-2B é um modelo de compreensão completo, com licença aberta, que ninguém anunciou e quase ninguém baixou. Os sete centavos estão documentados. O custo de saber se valia a pena gastar os sete centavos não está — e é essa lacuna, não a tabela de preços, que precisa entrar no orçamento.