Um hero vetorial plano sobre um fundo cinza-carvão, encabeçado por WeMM-Video-35B-A3B vs Runway Gen-4.5, com o subtítulo duas linhas ausentes: uma coluna vertical de barras de ranking em tom ardósia de largura variável, com pequenos marcadores quadrados ao lado delas, duas das posições deixadas como espaços vazios de contorno tracejado que deixam o fundo transparecer, e um divisor pontilhado.
Engineering & Research

WeMM-Video-35B-A3B vs Runway Gen-4.5: Duas Linhas Ausentes

Autor

jinhao.song

Data de publicação

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

No ranking de texto para vídeo do Artificial Analysis, consultado em 20 de novembro de 2026, há trinta e cinco linhas, e nem Runway Gen-4.5 nem WeMM-Video-35B-A3B é uma delas. As duas ausências não são a mesma ausência. O Gen-4.5 foi colocado no topo desse ranking em 1º de dezembro de 2025 — 1.247 de Elo, à frente do Veo 3 com 1.226, do Kling 2.5 com 1.225 e do Sora 2 Pro com 1.206 — em um post de lançamento que a Runway ainda publica. O WeMM-Video-35B-A3B nunca esteve em ranking algum: pesos Apache-2.0 commitados no Hugging Face às 03:57 UTC daquela mesma manhã, um relatório técnico submetido no dia anterior e nada da T​encent que se pareça com um anúncio.

Então, um lado tem uma coroa aposentada e nenhuma linha atual, e o outro não tem coroa, nem linha, nem qualquer tipo de número de terceiros. É um pareamento estranho para basear uma comparação, e a versão honesta disso é mais estreita do que um ranking. Quanto vale, de fato, uma entrada em um quadro depois que o campo já a superou? O que cada lado publica que um leitor pode verificar hoje? E qual dos dois devolve um arquivo que você pode colocar diante de um cliente?

Uma coroa não é uma fileira.

A alegação do lançamento é específica, tem fonte e ainda está no ar. A própria página de pesquisa da Runway para o Gen-4.5 afirma que o modelo ficou em primeiro lugar no benchmark de texto para vídeo da Artificial Analysis, com 1.247 de Elo, nomeando os três que ultrapassou. Trata-se de uma citação real de um terceiro, feita pelo fornecedor, num momento em que a comparação era recente. É também o último número com aparência independente que a Runway publicou para esse modelo.

Não é possível colocá-lo ao lado da tabela de hoje sem uma aritmética que ninguém publicou. A Artificial Analysis reancora suas escalas Elo entre versões do ranking: o ranking atual AA-Video-T2V V2.1 fixa Kling 3.0 1080p (Pro) em exatamente 1.000 como seu ponto de referência, classifica todo o resto em relação a ele e imprime um intervalo de 95% em cada linha. Na leitura de 20 de novembro de 2026, o líder é Wan 3.0 com 1.176 em 8.243 votos, e a âncora está na 23ª posição. Um valor de 1.247 de dezembro de 2025 foi medido em relação a uma âncora diferente, um conjunto de prompts diferente e um campo diferente; inseri-lo nesta tabela implicaria uma precisão que as duas leituras não compartilham.

O que pode ser verificado é a presença, e a presença tem forma. Em todos os três quadros de vídeo da arena na mesma leitura — texto para vídeo, imagem para vídeo e edição de vídeo —, a única linha que exibe um logotipo da Runway pertence ao Aleph 2.0, o modelo de edição em contexto da empresa, em 11º lugar no quadro de edição, com 1.007 Elo e 23.082 votos. O Gen-4.5 está no catálogo da Runway e pode ser chamado hoje à tarde; não está na listagem atual da arena. Um modelo sair de um ranking remove um artefato de marketing, não uma capacidade — e um modelo que nunca entrou em um ranking nunca teve o artefato a perder.

A tall headless screenshot of the Artificial Analysis AA-Video-T2V V2.1 leaderboard as read on 20 November 2026, listing thirty-five ranked text-to-video models with Elo scores, 95% intervals, sample counts and per-minute prices, from Wan 3.0 at 1,176 over 8,243 samples down to Boreal at 827, with Kling 3.0 1080p (Pro) fixed at 1,000 as the board anchor, Veo 3.1 at 963 and $24.00 a minute in 26th place, and no Runway row anywhere on the list.

O que o catálogo realmente diz

A documentação para desenvolvedores da Runway é mais reveladora do que sua página de pesquisa. O identificador gen4.5 está no Runway Dev desde 10 de fevereiro de 2026, gera de dois a dez segundos por solicitação a partir de texto ou de uma imagem estática, e cobra 12 créditos por segundo — US$ 0,12 na tarifa do portal de um centavo por crédito. Essa é uma tarifa fixa por segundo, o que transforma o orçamento de uma tomada em uma multiplicação em vez de uma simulação, e é a coisa mais útil da página.

A entrega é onde a escada se revela. A saída em ProRes e em sequência PNG acrescenta 5 créditos por segundo aos 12. Perfis de 10 bits e superiores, incluindo quadros OpenEXR half-float, acrescentam 20, subindo para 40 quando a saída ultrapassa aproximadamente quatro megapixels. HDR10, HLG, masters PQ de 12 bits e sequências PNG de 16 bits com exatidão bit a bit estão disponíveis para o gen4.5 desde 20 de agosto de 2026, com color grading para BT.2020 e metadados HDR10 medidos, em vez de mapeamento de tons posterior. Nada disso é a resolução de geração — é aquilo em que a renderização é empacotada na saída.

• Status — Gen-4.5: produto comercial desde 1 de dezembro de 2025, API desde 10 de fevereiro de 2026, sem linha atual na arena. WeMM-Video-35B-A3B: pesos no Hub, zero downloads, sem anúncio, nunca em um ranking.

• Direção — Gen-4.5: texto ou uma imagem na entrada, MP4, ProRes, sequência PNG ou EXR na saída. WeMM: quadros mais trilha sonora na entrada, texto na saída.

• Shape — Gen-4.5: dois a dez segundos, uma geração por requisição, cobrado por segundo de saída. WeMM: um contexto conjunto de 8.192 tokens, dezesseis quadros amostrados por clipe, cobrado em gigabytes de pesos residentes.

• Preço — Gen-4.5: 12 créditos, $0,12, por segundo gerado, mais 5 para ProRes ou PNG e 20 a 40 para cor mais profunda. WeMM: 67,39 GiB de BF16, ou 24,11 GiB em NVFP4, e as GPUs para armazená-lo.

O teto escrito em flags do shell

A divergência começa no ponto em que cada um trunca, mas termina em se você consegue encontrar o número. A Runway vem publicando seus limites há meses: dois a dez segundos, quatro níveis de saída, uma taxa por segundo. A Tencent publicou uma configuração e entregou comandos que a contradizem. A configuração diz 262.144 posições; todas as invocações dizem --max-model-len 8192, tanto no vLLM quanto no SGLang. Entre 8.192 e 262.144 não há meio-termo suportado. O número longo é folga, e as flags de serving são o produto.

Converta, e isso deixa de ser abstrato. Dez tokens de áudio por segundo — uma pilha no formato do Whisper, 32 camadas de encoder e 32 de decoder com largura 1.280, depois um Q-Former em nível de janela com largura 4.104 — coloca cerca de treze minutos de trilha sonora dentro de 8.192 tokens, e isso antes mesmo de contar um único quadro, a instrução ou a resposta.

O orçamento de imagens vem a seguir. Os padrões do processador são 2 fps e até 128 quadros; a receita de serviço substitui ambos por 16 quadros dentro de um orçamento de 262.144 pixels. Em um clipe de dez segundos, isso resulta em menos de dois quadros por segundo: uma transcrição fiel da sala e um esboço de como a sala se parecia. Não se declara em lugar algum quais quadros as próprias tabelas do relatório usaram, então a distância entre suas pontuações e sua configuração é um número que você não consegue calcular.

O que o checkpoint permite que você altere

Aqui, os dois divergem em natureza. As opções escalonadas de saída do Runway, sua taxa base de 12 créditos e sua janela de dois a dez segundos são decisões de produto; você compra o pacote ou não. A janela de 8.192 tokens do WeMM é uma flag de servidor, sua receita de 16 quadros é uma linha em um comando de shell, e sua quantização é uma escolha entre 67,39 GiB de BF16, 22,69 GiB de AWQ W4A16 e 24,11 GiB de NVFP4. As três são suas para alterar, no hardware que você possui, com a latência que você puder suportar.

A única coisa que o download não fornece é um engine suportado. A Tencent não integrou a arquitetura upstream; em vez disso, distribuiu o diff. A pasta patch carrega um overlay por versão suportada — vLLM 0.18.0, vLLM 0.31.0, SGLang 0.5.16, SGLang 0.5.19, e nenhuma outra — com um manifesto SHA-256 ao lado de cada uma, e a superfície de compatibilidade por baixo dela é estreita o suficiente para ser frágil: um toolchain CUDA 12.9, uma build do PyTorch, uma build do Transformers, Python 3.12, FFmpeg no PATH, e um primeiro lançamento do SGLang que compila kernels antes de responder a qualquer coisa. Traga uma versão que não esteja na lista e o porte é seu. A execução de referência da Tencent distribuiu BF16 por duas H20s; a build NVFP4 cabe em uma única placa de 48 GB com --max-num-seqs 1.

O peso é um artefato do trabalho. O Hugging Face conta 36.177.564.536 parâmetros nos shards BF16, dos quais os especialistas roteados ficam com a parcela esmagadora — 40 camadas vezes 256 especialistas com largura intermediária 512, seleção top-8, mais um especialista compartilhado de largura 512 pelo qual todo token passa — enquanto cerca de 1,0B são tocados por token. Quase 36B de capacidade mantidos em memória, 3B de aritmética gastos. Ler vídeo em vez de renderizá-lo significa pagar para armazenar conhecimento que a passagem direta raramente visita.

A headless screenshot of the Hugging Face file listing for Tencent/WeMM-Video-35BA3B showing the Image-Text-to-Text tag, English and Chinese language tags, the arxiv:2611.26409 and apache-2.0 badges, the wemm_qwen3_5_moe architecture, LICENSE and SHA256SUMS files, a repository history of four commits, and BF16 safetensors shards from model-00001-of-00017 at 4.33 GB onward, uploaded about four hours earlier.

As transcrições não têm predefinição de exportação

A diferença no entregável deveria decidir uma compra antes de qualquer benchmark. A Runway vende um arquivo final em um intermediário editável: ProRes para a correção de cor, PNG ou EXR para a composição, metadados HDR anexados, um editor em torno dele. O WeMM-Video-35B-A3B não vende nada desse tipo. O que sai é um parágrafo — um relato do que aconteceu, quem falou, o que foi dito — que vai para um índice, uma fila de moderação, um relatório de QA ou uma caixa de busca, não para uma timeline.

O relatório da Tencent afirma que esse parágrafo é o melhor disponível em pesos abertos. Contra o Qwen3.5-Omni-Flash, ele marca 86,4 contra 79,3 no Video-MME com áudio e 54,9 contra 36,6 no Video-MME v2 com áudio; contra seu próprio backbone, Qwen3.6-35B-A3B, vence 20 de 31 benchmarks de vídeo silencioso. Também perde — JointAVBench 65,9 contra 69,0, MUSIC-AVQA 79,5 contra 82,1, EgoSchema 74,2 contra 77,2. Todos os números são do treinador, o relatório admite isso, e ele alterna entre os modos Instruct e Thinking tabela por tabela conforme divulga. Nenhum terceiro reproduziu qualquer parte disso. O que tornaria a alegação verificável é um merge upstream no vLLM para acabar com os patches e uma primeira execução independente no Video-MME v2 com áudio.

O relatório também afirma que a família está "implantada em vários serviços de vídeo centrais dentro do WeChat", citando comércio por transmissão ao vivo, análise de dramas de curta duração e vídeo interativo. Essa é a alegação de adoção mais forte deste texto e a menos verificável: nenhum número de latência, throughput, simultaneidade ou memória aparece em qualquer lugar do comunicado. É uma frase que você pode citar e não pode testar.

A stacked flat vector evidence card on a charcoal background headed What each side has on the record: the bone-white Runway Gen-4.5 panel reads no row on any of the three AA video boards, 1,247 Elo at launch on 1 December 2025, 1,000 as the board anchor has since moved, and an API since 10 February 2026; the muted teal WeMM-Video-35B-A3B panel reads no entry on Artificial Analysis or LMArena, benchmarks reported by Tencent only, no third-party reproduction, and weights committed 20 November 2026. A grey footer reads 'Boards read 20 November 2026; the two absences are not the same absence.'

Onde uma transcrição se encaixa em um estúdio

Junte as duas coisas e o pipeline se escreve sozinho, mesmo que ninguém o tenha publicado: renderize a cena e depois faça algo ler o render de volta — o produto apareceu, o diálogo bateu com o roteiro, este clipe é seguro para publicar. A Runway não vende a segunda metade. Um checkpoint WeMM auto-hospedado poderia, ao preço de um download de 67 GiB e uma sobreposição de código-fonte.

Para a metade que você pode ter esta semana, o backbone é o ponto de entrada sensato. O Qwen3.6-35B-A3B é o modelo sobre o qual o WeMM-Video-35B-A3B foi construído, como o relatório afirma, e está no OrcaRouter a US$ 0,25 por milhão de tokens de entrada e US$ 1,48 por milhão de saída, em um contexto de 262.144 tokens com entrada de texto, imagem e vídeo. Ele não tem stack de áudio, então não consegue dizer quem falou. Ele consegue dizer se o quadro contém o que o prompt pediu, comparando com os mesmos clipes que você renderiza, hoje.

O OrcaRouter não oferece nem o Gen-4.5 nem o WeMM-Video-35B-A3B, e o corpo deste artigo seria uma mentira se dissesse o contrário. O que a plataforma oferece é o arcabouço para a comparação: uma única chave compatível com OpenAI, o preço de tabela do provedor repassado com 0% de margem, e failover automático quando um endpoint se degrada. Observe também que o Gen-4.5 cobra em créditos vinculados a uma assinatura, e não em tokens, o que não é uma unidade que um roteador consiga normalizar — o crédito é o medidor, e o medidor é da Runway.

Escolha pelo entregável, não pelo ranking.

Opte pelo Runway Gen-4.5 quando a saída tiver de ser entregue como arquivo: uma tomada de dois a dez segundos, entregue em ProRes, sequência PNG ou HDR com metadados anexados, dentro de um editor mantido por outra pessoa. Vá sabendo que o número em sua página de lançamento tem quase um ano e foi medido em um ranking que não o lista mais, que as escadas de cor de 20 a 40 créditos se acumulam rápido e que a tarifa é fixa porque o pacote é fixo.

Use o WeMM-Video-35B-A3B quando a saída for um relato das gravações em vez das gravações em si, quando o Apache 2.0 importar para a revisão jurídica e quando você preferir mover um teto com uma bandeira a abrir uma solicitação de recurso. Vá sabendo que os pesos têm apenas alguns dias, que todo número de qualidade atrelado a eles pertence à equipe que treinou o modelo, que três das quatro variantes quantizadas se autodescrevem como não validadas e que a instalação é uma sobreposição de patch sobre um motor de inferência que ainda não incorporou a arquitetura.

Duas linhas estão faltando no quadro por motivos opostos, e nenhuma das ausências é um veredito. Um modelo foi medido, foi coroado e, desde então, foi reancorado para fora da listagem; o outro nunca foi medido por ninguém que não o tenha treinado. Uma comparação baseada nisso tem de ser sobre o que cada lado permite que você faça e o que cada um devolve — porque o placar, desta vez, está genuinamente vazio dos dois lados.