
WeMM-Video-4B vs FLUX 3 Video: Entender o clipe ou criar um
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 182 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 356 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 147 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
A forma mais rápida de desperdiçar uma tarde é comparar WeMM-Video-4B com FLUX 3 Video em qualidade. Um deles tem um número e o outro não, e o número não é uma pontuação de qualidade — é um preço. O FLUX 3 Video, da Black Forest Labs, entrou em disponibilidade geral em 4 de agosto de 2026 com uma tarifa por minuto publicada e linhas nos dois rankings de vídeo do Artificial Analysis. O WeMM-Video-4B, do grupo WeChat Vision da Tencent, surgiu em 17 de novembro de 2026 como dez gigabytes e meio de pesos Apache-2.0, sem endpoint, sem preço e sem qualquer entrada em ranking. O que você está escolhendo é entre um gerador cobrado por uso e um descritor gratuito, e a comparação honesta é sobre qual dessas duas coisas falta ao seu pipeline.
O restante deste artigo mantém separados três tipos de fato: o que os repositórios e as duas placas declaram, o que os fornecedores alegam em seus próprios artigos e documentação, e o que ninguém de fora de qualquer um dos dois laboratórios verificou. Em 20 de novembro de 2026, essa terceira categoria corresponde à maior parte do material interessante.
Um está em dois conselhos, o outro em nenhum.
O Artificial Analysis pontua o FLUX 3 Video duas vezes, e as duas pontuações estão em escalas distintas, de modo que nenhuma se transfere para a outra.
• AA-Video-T2V v2.1 — FLUX 3 Video em 10º lugar, Elo 1.137 ±13 em 7.406 votos, listado a US$ 17,40 por minuto. O FLUX 3 Video Max, maior, fica em 7º lugar com 1.151 ±14 em 4.708 votos a US$ 8,70 por minuto, o que é o caso incomum de o modelo maior ser o mais barato do ranking.
• AA-Video-I2V v2.1 — FLUX 3 Video em 16º com 1.069 ±14 em 6.838 votos, mesmo $17,40. FLUX 3 Video Max está em 17º com 1.068 ±14 em 6.848 votos por $8,70.
• WeMM-Video-4B — nenhuma linha em nenhum dos dois quadros, e nenhuma linha no quadro de edição de vídeo. Não é uma medição ausente; não é inserível. Os quadros de vídeo da AA classificam vídeos gerados, e o WeMM-Video-4B não gera nenhum.
Leia os intervalos, não as posições. Sessenta e oito pontos separam as duas colocações do FLUX 3 Video nos rankings de texto para vídeo e de imagem para vídeo — o equivalente a cinco intervalos —, o que é o dado útil sobre um modelo avaliado em dois instrumentos que não se convertem entre si: é um gerador competente cuja posição depende da tarefa que lhe é proposta. Trata-se de uma medição independente real, ainda que modesta — e é mais do que o outro lado deste confronto tem.
O que US$ 17,40 por minuto compra
FLUX 3 Video é um gerador multimodal com uma lista de entradas mais ampla do que a mostrada em qualquer linha isolada de um quadro comparativo. Prompts de texto, uma imagem estática como primeiro quadro, vídeo para vídeo-para-vídeo e continuação, e keyframes para transições controladas. A duração chega a 20 segundos em uma única geração, com 5 a 20 segundos para texto-para-vídeo e imagem-para-vídeo e 5 a 15 para continuação. A resolução é vendida em faixas de pixels em vez de proporções de tela — HD com cerca de um megapixel por quadro, FHD com dois, QHD/2K com quatro, UHD/4K com oito. Áudio nativo com diálogos multilíngues, fala sincronizada, efeitos sonoros e ambiência é opcional e incluído no preço por segundo.
• Draft HD — $0,06 por segundo. Um clipe de teste de cinco segundos custa trinta centavos.
• HD / 720p — US$ 0,17 por segundo, ou cerca de US$ 0,85 por cinco segundos.
• FHD / 1080p — $0,29 por segundo. QHD/2K é $0,40 e UHD/4K é $0,80.
• Vídeo para vídeo e continuação — US$ 0,12 rascunho, US$ 0,41 a US$ 0,43 HD, US$ 0,53 a US$ 0,54 FHD, US$ 0,65 em 2K e US$ 0,95 em 4K.
Os US$ 17,40 por minuto da placa são um valor normalizado para 1080p, e é por isso que ele não se divide de forma exata nesse cartão. É uma unidade de comparação, não um recibo. Vários resumos de terceiros também informam que as faixas de 2K e 4K estão sendo implementadas aos poucos, em vez de estarem universalmente disponíveis, então trate o topo do cartão como uma questão de nível de conta.
O que o WeMM-Video-4B oferece de graça
O outro lado do confronto não custa nada por chamada e não pode ser comprado de jeito nenhum. O WeMM-Video-4B tem 5.611.746.312 parâmetros — 10,45 GiB em BF16 — em um repositório nomeado por seu backbone de linguagem Qwen3.5-4B, e não por seu tamanho real. O excedente é o ponto: 4,21 bilhões de parâmetros de modelo de linguagem, 0,33 bilhão de torre de visão e 1,07 bilhão de pilha de áudio no estilo Whisper, com um Q-Former emitindo 10 tokens de áudio por segundo a partir de áudio de 16 kHz em blocos de 30 segundos.
Ele recebe texto, imagens, vídeo e vídeo com sua trilha sonora original, e retorna texto. Na tabela audiovisual conjunta dos autores, supera o Qwen3-Omni-30B-A3B-Instruct no Video-MME com áudio, 83,9 a 77,3, e no Video-MME v2, 48,1 a 36,3. Em vídeo sem áudio, lidera o LVBench 65,3 a 50,2 e o LongVideoBench 74,8 a 63,5. Contra o Qwen3.5-Omni-Flash, perde nos benchmarks de áudio — MMAU 75,2 a 80,4, MMAR 67,3 a 74,0 — e fica atrás no OCRBench 85,7 a 89,1 e no GPQA 73,2 a 76,4.
Cada um deles é uma medição da própria Tencent. O artigo diz que relata resultados oficiais quando disponíveis e suas próprias avaliações caso contrário, e nenhum terceiro reproduziu qualquer linha. Contagens de quadros, orçamentos de pixels e comprimento de contexto para as execuções do benchmark não são declarados — o que importa porque a receita do vLLM distribuída limita o vídeo a 16 quadros e 262.144 pixels totais, em contraste com o padrão do processador de 128 quadros.

Dois relógios que nunca se encontram
Nenhum dos modelos pode substituir o outro, e as restrições que tornam isso verdade são ambas de orçamento, e não de capacidade.
• Orçamento de saída — O FLUX 3 Video produz até 20 segundos de filmagem por chamada em até 4K com áudio. O WeMM-Video-4B não produz nenhum quadro, então seu orçamento de saída é um orçamento de tokens: 8.192 tokens por solicitação na configuração de envio, com o áudio consumindo 10 tokens por segundo antes de os quadros serem contados.
• Orçamento de entrada — O WeMM-Video-4B aceita quatro imagens, dois vídeos e dois itens de áudio por solicitação, a 2 quadros por segundo, limitado a 16 quadros. O FLUX 3 Video aceita um prompt, um primeiro quadro, um vídeo de referência ou um conjunto de quadros-chave, e nenhuma entrada de áudio de qualquer tipo.
• Estrutura de custo — O FLUX 3 Video cobra por segundo de saída, então o custo escala com a ambição. O WeMM-Video-4B cobra por hora de GPU do seu próprio hardware, então o custo escala com o tamanho do lote e não se importa com a duração do clipe de origem, apenas com quantos quadros sobrevivem à amostragem.
• Licença — Apache 2.0 na coleção WeMM, com uma exceção não discriminada para componentes de terceiros; uma API comercial hospedada do lado da FLUX, sem pesos publicados.
Em termos simples: um é uma despesa por segundo com um placar, o outro é um custo de capital fixo com um papel. Uma equipe que precisa de uma tomada finalizada não pode usar o WeMM-Video-4B, e uma equipe que precisa de um índice pesquisável de dez mil clipes existentes não pode usar o FLUX 3 Video — não porque seja caro, mas porque não tem como responder a uma pergunta sobre filmagens que não produziu.
O áudio é onde a comparação se desvia.
O FLUX 3 Video gera áudio. O WeMM-Video-4B compreende áudio. São capacidades diferentes que soam semelhantes numa lista de funcionalidades, e a diferença decide o pipeline.
O áudio do FLUX é um resultado da geração: diálogo multilíngue, fala sincronizada, efeitos sonoros e ambiência, opcionais e incluídos no preço por segundo. O que a Black Forest Labs não publica é o número de faixas, então, se você precisar de diálogo, música e efeitos como stems separáveis, nem a tabela de preços nem a documentação informam se você os receberá. Preveja uma segunda passagem em uma DAW.
O áudio do WeMM é um caminho de entrada: uma torre de 1,07 bilhão de parâmetros que transforma uma trilha sonora em 10 tokens por segundo e os funde com tokens visuais em ordem cronológica, com timestamps textuais explícitos. É isso que os 83,9 no Video-MME com áudio medem e o que os 75,2 no MMAU medem — quão bem ele ouve, não quão bem ele fala.
Portanto, um fluxo de trabalho que escreve uma cena, renderiza-a com som e depois precisa saber se o diálogo realmente funcionou exige as duas metades, e nenhum dos modelos cobre a metade do outro. Esse é o único ponto nesta comparação em que os dois são genuinamente complementares, e não apenas diferentes.
A questão do roteamento, dita honestamente
O OrcaRouter não disponibiliza nenhum dos dois modelos. Não existe um endpoint do WeMM-Video-4B — o catálogo da plataforma não tem nenhum checkpoint WeMM — nem uma rota para o FLUX 3 Video. O FLUX 3 Video está disponível pela API própria da Black Forest Labs e por várias plataformas de terceiros; o WeMM-Video-4B está disponível para download, com um overlay corrigido do vLLM ou do SGLang, porque nenhum dos dois mecanismos oferece suporte à arquitetura upstream.
O que a plataforma cobre é a camada de texto que envolve qualquer um dos fluxos de trabalho, e nesta comparação o elemento útil é fusão de modelos, e não o roteamento simples. A decisão "este clipe vale a pena manter" é uma questão de julgamento, e uma chamada fundida que coloca um classificador barato e um raciocinador caro no mesmo prompt pode tomá-la a uma fração do custo de executar o caro em cada candidato. Isso roda com uma única chave compatível com OpenAI em mais de 200 modelos, aos preços de tabela dos provedores com 0% de markup, então quando um fornecedor corta um preço, o corte entra em vigor no mesmo dia, e não no próximo ciclo de faturamento. Para a metade exclusiva de visão do trabalho do WeMM especificamente, Qwen3-VL-235B-A22B-Thinking e Qwen3-VL-8B-Thinking aceitam imagens e quadros de vídeo e estão na plataforma hoje — o que é uma forma de contornar o modelo omni ausente, não um substituto para a torre de áudio dele.


O que realmente resolveria isso
Três desenvolvimentos tirariam esta comparação da base de informações fornecidas pelos fornecedores em que ela atualmente se encontra.
Primeiro, uma inscrição do WeMM-Video-4B em qualquer ranking independente. Não existe nenhuma, e o motivo é estrutural, não conspiratório: os rankings de vídeo da AA classificam conteúdo gerado, e um modelo de compreensão não pode ser inscrito. Uma arena omnimodal de compreensão de vídeo é o instrumento que falta, e, até que uma exista, todo número da WeMM é a palavra da Tencent.
Segundo, um lançamento de pesos do FLUX 3 Video. A Black Forest Labs tem reputação de lançamento aberto e este checkpoint não tem licença para download, então a comparação atualmente é entre um modelo aberto e um fechado, o que é uma diferença que nenhuma linha de benchmark captura.
Terceiro, um preço hospedado para a família WeMM. Se um host compatível começar a servir esses pesos pelo preço de tabela do provedor com 0% de markup repassado, o lado do custo deste artigo muda de forma dentro de uma semana. Isso é uma condição, não um fato atual, e nada aqui deve ser lido como uma alegação de que nós o hospedamos.
Qual você realmente precisa
Se o entregável for filmagem, o FLUX 3 Video é o único dos dois capaz de produzi-la, e a decisão se resume a se $0,17 por segundo para 720p é aceitável frente aos geradores alternativos no mesmo ranking — no qual, na 10ª posição em texto para vídeo, ele tem preço de meio de tabela.
Se o entregável for uma declaração sobre gravações que você já possui, o WeMM-Video-4B é o único dos dois capaz de produzi-la, e a decisão se resume a saber se você consegue arcar com um overlay de código-fonte para vLLM ou SGLang e um checkpoint de 10,45 GiB para obter um descritor da classe 4B com métricas excepcionalmente boas em vídeos longos.
A armadilha é tratar os US$ 17,40 e os US$ 0,00 como a mesma quantia. Um é uma tarifa por uso de um serviço; o outro é a ausência de um serviço. O WeMM-Video-4B é gratuito da mesma forma que uma versão de pesquisa é gratuita — você paga na integração, em pacotes GGUF não validados e na ausência da opinião de qualquer outra pessoa sobre se ele funciona.
Comparados neste artigo1
Detectado a partir deste artigo
