Um hero de comparação em dois painéis com o título WeMM-Video-35B-A3B vs Alibaba Wan 2.7 e o subtítulo 22,754 votos versus zero: o painel esquerdo lista 36.18B parâmetros, 67.39 GiB BF16, 0 downloads e nenhuma linha no ranking sob um selo de pesos abertos, e o painel direito lista Elo 1,074 de edição, 22,754 votos, $16.90 por minuto e 9º no ranking sob um selo de API tarifada.
Guides & Insights

WeMM-Video-35B-A3B vs Alibaba Wan 2.7: 22.754 votos vs zero

Autor

Alistair Wren

Data de publicação

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

Há exatamente um número nesta comparação que foi produzido por um terceiro, e ele pertence a A​libaba Wan 2.7. No ranking de edição de vídeo do Artificial Analysis, o modelo ocupa a nona posição, com Elo 1.074 e um intervalo de confiança de ±8, calculado a partir de 22.754 votos humanos pareados — o menor intervalo de todo esse ranking. WeMM-Video-35B-A3B não tem nada comparável. Seu repositório no Hugging Face foi criado em 17 de novembro de 2026 contendo um único arquivo .gitattributes; seus 67,39 GiB de tensores BF16 só chegaram às 03:57 UTC de 20 de novembro e, até o momento desta redação, a página registra zero downloads e três curtidas. Os dois modelos não são classificados um contra o outro em lugar algum, e nenhuma prosa cuidadosa, por mais elaborada que seja, pode fabricar essa classificação.

O que se pode fazer é separar os três tipos de alegação em jogo: o que 22.754 pessoas de fato avaliaram, o que o próprio artigo da Tencent afirma e o que nenhum dos lados demonstrou. A maior parte da cobertura de um novo checkpoint confunde a segunda com a primeira. Este texto as mantém separadas, porque a diferença entre um Elo medido e uma tabela de fornecedor é o que decide tudo.

O único número de terceiros aqui

A linha de edição do Wan 2.7 é excepcionalmente bem suportada. Vinte e dois mil votos não são uma amostra de classificação que se possa descartar como ruído; o intervalo de ±8 significa que a nona posição é estável em relação a tudo o que está abaixo dela, e o mês de lançamento associado à linha é abril de 2026, então os votos tiveram sete meses para se acumular.

A mesma família aparece mais duas vezes nos quadros, e as três linhas não concordam entre si, o que por si só é informativo:

• AA-Video-Editing v1.1 — 9º, Elo 1.074 ±8, 22.754 amostras, abril de 2026, US$ 16,90 por minuto.

• AA-Video-T2V v2.1 — listado como Wan2.7-260612, 20º, Elo 1.035 ±13, 6.965 amostras, junho de 2026, US$ 9,00 por minuto. Mesmo fornecedor, tarefa diferente, um terço da contagem de amostras e um preço 47% menor do que a tarifa de edição.

• AA-Video-I2V v2.1 — sem linha. O Wan 3.0 está nesse quadro em décimo segundo com 1.109; o Wan 2.7 não está. A suíte anuncia capacidade de imagem para vídeo, então esta é uma lacuna da arena, e não uma lacuna do produto, mas significa que o modelo nunca foi classificado na tarefa que a maioria das pessoas escolheria primeiro.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Lendo os três em conjunto, o resumo honesto é que o Wan 2.7 é um modelo de vídeo intermediário e comedido, com uma base de evidências genuinamente forte (edição), uma mais frágil (texto para vídeo) e uma célula em branco. Isso ainda é muitíssimo mais evidência externa do que o outro lado desta comparação tem.

O que a A​libaba está vendendo, e a que taxa

O Wan 2.7 é um produto de quatro modos: texto para vídeo, imagem para vídeo, referência para vídeo e edição de vídeo. Os controles documentados são condicionamento de primeiro e último quadro-chave, até cinco imagens de sujeito mais cinco clipes de referência, saída de 720p a 1080p, áudio nativo e clipes de dois a quinze segundos. A cobrança é por segundo à tarifa de tabela, o que faz de uma geração de quinze segundos em 1080p um custo que você pode calcular antes de clicar em iniciar, em vez de um saldo de créditos que você descobre depois.

O fato incômodo para quem está planejando o orçamento com base no Wan 2.7 hoje é que a Alibaba já o superou. O Wan 3.0 lidera o ranking de texto para vídeo com 1.176 e o de edição com 1.197, e faz isso a US$ 12,00 por minuto — mais barato que a tarifa de US$ 9,00 de texto para vídeo do Wan 2.7 somente quando se compara equivalente com equivalente, e mais barato que a tarifa de edição de US$ 16,90 de forma absoluta. O mês de lançamento em abril do Wan 2.7 e seus votos com sete meses de idade descrevem um modelo que agora é a geração anterior dentro da linha do próprio fornecedor. Isso importa para esta comparação porque muda o que você está de fato avaliando: não o melhor que a Alibaba pode fazer contra o melhor que a Tencent pode fazer, mas um serviço maduro, medido e de uma geração anterior contra um checkpoint cujos pesos têm apenas algumas horas.

O checkpoint que chegou esta manhã

O lançamento do WeMM-Video-35B-A3B é legível de um modo como a maioria dos lançamentos silenciosos não é, porque o Hugging Face registra o timestamp de toda a sequência. O repositório surgiu às 08:53:50 UTC de 17 de novembro com nada além de um stub de gitattributes. O relatório no arXiv, 2611.26409, foi submetido em 19 de novembro às 16:58 UTC e já foi revisado uma vez, às 06:15 UTC de 20 de novembro. O commit dos pesos BF16 tem data de 2026-11-20T03:57:36Z. O repositório no GitHub, Tencent/WeMM-Video, foi criado em 17 de novembro às 02:29 UTC, tem nove estrelas, zero forks e zero releases publicados, e ainda estava tendo seu README editado às 06:34 UTC desta manhã.

Então, o artigo precedeu os tensores em cerca de onze horas, e o cartão do modelo ainda está sendo reescrito enquanto isto é escrito. É essa ordem que conta a história. Não houve post de lançamento, página de preços, endpoint hospedado, comunicado à imprensa nem conta de divulgação — nada do que um fornecedor normalmente faz quando quer que um modelo seja notado.

O que o repositório realmente contém é específico:

• Tamanho — 36.177.564.536 parâmetros, BF16, distribuídos por dezessete shards safetensors, totalizando 67,39 GiB. O rótulo "35B-A3B" contabiliza algo diferente do tamanho do arquivo; a diferença é descrita mais adiante.

• O build FP8 realmente voltou. Quando o paper foi publicado, o repositório FP8 Block128 para o qual o card aponta respondeu 401 — a mesma resposta que o Hub dá para um nome que nunca existiu. Agora ele resolve: 36,09 GiB em um único arquivo safetensors, commitado às 05:53:01 UTC, duas horas após o upload do BF16, com 33,6B de parâmetros em E4M3 e 2,56B restantes em BF16. Independentemente do que estivesse acontecendo às 16:58 UTC de 19 de novembro, o lançamento não estava concluído.

• Mais três variantes quantizadas — AWQ W4A16 a 22,72 GiB em 52 fragmentos por camada, NVFP4 W4A16 a 24,11 GiB num único ficheiro, e um pacote GGUF Q4_K_M a 25,46 GiB dividido num ficheiro de linguagem de 22,61 GiB, num projetor de 0,84 GiB e num codificador de áudio de 1,99 GiB. Dois desses três descrevem-se como não validados nos seus próprios manifestos. O NVFP4 afirma apenas que os pesos foram relidos na CPU, o que é uma soma de verificação e não uma avaliação.

• Runtimes — nada aqui é executado em um mecanismo padrão. O repositório fornece sobreposições de código-fonte com manifestos SHA-256 para exatamente quatro versões upstream: vLLM 0.18.0 e 0.31.0, SGLang 0.5.16 e 0.5.19. Todo comando de serving publicado usa um contexto de 8.192 tokens, paralelismo de tensores entre duas GPUs e um pipeline de mídia limitado a 16 quadros e 262.144 pixels. Uma busca no rastreador de problemas do vLLM não encontra nenhuma solicitação upstream para esta arquitetura.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

O que a Tencent mediu, e contra quem

Toda métrica de qualidade associada ao WeMM-Video-35B-A3B vem da equipe que o treinou. O artigo diz exatamente isso — “relatamos resultados oficiais quando disponíveis e nossas próprias avaliações caso contrário” —, e o único número na ficha cujas condições são fornecidas por completo nem sequer é um resultado de vídeo: MMAR1000, somente áudio, decodificado a 16 kHz, decodificação greedy, dois H20s. O restante da ficha registra o carregamento do checkpoint. Em comparação com 22.754 votos, essa é uma categoria diferente de evidência e deve ser lida como tal.

A tabela principal é outro assunto, e é grande. Em 30 benchmarks de valor único, o checkpoint no modo de pensamento termina à frente do Qwen3.5-Omni-Flash em 28 e atrás em 2; à frente do Seed2.0-Mini-0428 em 26 e atrás em 4; e atrás do Gemini-3.0-Flash em 21 de 30, o que o próprio resumo da Tencent descreve como reduzir uma lacuna, e não fechá-la. As duas linhas que mais pesam para quem está configurando um descritor são as audiovisuais — 86,4 no Video-MME com áudio contra 79,3, e uma vantagem de dezoito pontos na divisão v2 mais difícil, com 54,9 contra 36,6 — porque um modelo que só lê quadros não consegue registrar nenhum dos dois números.

As duas perdas apontam na direção oposta e merecem ser repetidas: JointAVBench em 65,9, atrás do 69,0 do Qwen, e MUSIC-AVQA em 79,5, atrás do 82,1 do Qwen. Ambos são fortemente focados em áudio. Um checkpoint maior não vence em todos os lugares, e os lugares onde ele não vence são aqueles em que a pilha de áudio do Qwen teve mais tempo para amadurecer.

Nada disso foi reproduzido. Nem o Artificial Analysis nem o LMArena listam um modelo WeMM de qualquer tamanho, e as três curtidas no repositório não são uma revisão por pares. Se você está escolhendo entre esses dois modelos para realizar uma tarefa, está comparando 22.754 votos com uma tabela assinada pelos autores.

Ambos gravam vídeo, apenas um o retorna.

A diferença estrutural é fácil de enunciar e difícil de exagerar. O Wan 2.7 aceita texto, imagens, clipes de referência e vídeo, e retorna vídeo. O WeMM-Video-35B-A3B aceita texto, imagens, áudio e vídeo com sua trilha sonora, e retorna texto. O modo de edição do Wan 2.7 é o que mais se aproxima do outro lado — recebe filmagem e devolve filmagem —, mas a saída ainda são pixels, e não há configuração que faça com que ele descreva o que editou.

Os limites em cada lado delimitam o pipeline que você pode construir:

• O limite do Wan 2.7 é a duração. De dois a quinze segundos por geração, de 720p a 1080p, cobrado por segundo. Um clipe de quinze segundos na tarifa de edição custa cerca de $4.23 antes de qualquer nova tentativa.

• O limite do WeMM-Video-35B-A3B está no contexto e na amostragem. O processador usa, por padrão, dois quadros por segundo, no mínimo quatro quadros, no máximo dezesseis e um orçamento total de 262.144 pixels — cerca de oito segundos de cobertura na configuração de envio. Os comandos de serviço limitam o contexto a 8.192 tokens e permitem quatro imagens, dois vídeos e dois clipes de áudio por solicitação. A dez tokens de áudio por segundo, esse contexto equivale a cerca de treze minutos de áudio se você usá-lo apenas com som.

• A incompatibilidade.O Wan 2.7 pode produzir quinze segundos de filmagem; a receita do WeMM fornecida considera oito. Se o seu pipeline renderiza um clipe e depois pergunta a um modelo o que aconteceu nele, o descritor, conforme configurado, amostra cerca de metade da saída. Isso é uma configuração que você precisa alterar deliberadamente, e não um limite da arquitetura — o próprio padrão do processador permite 128 quadros.

Dois provedores, um modelo, uma chave

Nenhum desses modelos é servido pelo OrcaRouter. O catálogo não lista nenhum checkpoint do WeMM de qualquer tamanho, e não lista nenhum gerador de vídeo — dos 183 IDs de modelo disponíveis hoje, 51 aceitam vídeo como entrada e nenhum retorna vídeo. O Wan 2.7 é acessível pela API própria da Alibaba; o WeMM-Video-35B-A3B é acessível baixando 67 GiB e aplicando um patch no código-fonte.

O que a camada de roteamento oferece é uma forma de parar de pagar pela tarde ruim de um único provedor. O Qwen3.6-35B-A3B — o backbone quase denso sobre o qual a Tencent construiu este MoE, e o modelo que você escolheria se quisesse "assistir ao clipe e raciocinar sobre ele" sem o download de 67 GiB — aparece duas vezes no catálogo: uma a $0,248 por milhão de tokens de entrada e $1,485 por milhão de saída com um contexto de 262.144 tokens, e outra, por meio de um segundo provedor que serve os mesmos pesos, a $0,31 e $4,21. É o mesmo modelo a dois preços, e a DSL de roteamento permite expressar a preferência uma única vez — mais barato primeiro, failover em um 5xx ou timeout — em vez de embutir uma URL base no seu cliente e torcer.

O failover automático é a parte que importa especificamente para o trabalho com vídeo, porque as requisições de vídeo são longas. Uma faixa de áudio de 40 minutos a dez tokens por segundo consome a maior parte de um orçamento de 8.192 tokens, o que significa que uma única tarefa ocupa uma conexão por muito tempo, e um incidente do provedor no meio da requisição é caro, e não apenas irritante. Repassar o preço de tabela do provedor com 0% de markup importa para a outra metade desta comparação: quando a Alibaba corta o Wan 3.0 para US$ 12,00 ou um sucessor reduz ainda mais o preço, uma fatura de repasse mostra o corte na próxima fatura, e não quando um revendedor reajustar o preço.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Qual número você está realmente escolhendo?

Se o entregável for vídeo, o Wan 2.7 é o único dos dois que o produz, e a decisão se resume a saber se US$ 16,90 por minuto para edição ou US$ 9,00 por minuto para texto para vídeo é defensável diante de um ranking em que o líder atual cobra US$ 12,00 e o supera nas duas tarefas. O nono e o vigésimo lugares são posições respeitáveis no meio da tabela. Não são motivo para escolher a geração anterior.

Se o entregável for uma declaração sobre gravações que você já possui, o WeMM-Video-35B-A3B é o único dos dois que a produz, e a decisão se resume a se você consegue arcar com um motor de inferência com patch, um download de 67,39 GiB ou um de 36,09 GiB em FP8, duas GPUs de paralelismo de tensores e uma janela de amostragem de oito segundos — para obter um descritor de classe 36B cujos números audiovisuais são fortes e inteiramente próprios.

A armadilha é tratar “Elo 1.074 em 22.754 votos” e “86,4 no Video-MME com áudio” como comensuráveis. Uma é uma medição coletiva de um serviço que qualquer um pode chamar. A outra é uma tabela de fornecedor sobre um checkpoint que não continha pesos até esta manhã. Ambos merecem ser lidos. Só um deles é evidência.