
WeMM-Video-4B vs HiDream-O1-Video-1.0: Duas Formas de Estreiteza
- 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 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
HiDream-O1-Video-1.0 e WeMM-Video-4B ambos se descrevem de forma mais ampla do que se comportam. O comunicado de lançamento do HiDream anuncia um modelo que recebe texto, imagens e vídeo e retorna de cinco a vinte segundos de filmagem em 1080p com áudio sincronizado; a API documentada aceita exatamente uma imagem de referência e um prompt opcional. O WeMM-Video-4B recebe texto, imagens, vídeo e áudio e retorna texto, o que é preciso — e o modelo não é disponibilizado em lugar nenhum, então o que ele aceita em teoria é o que você obtém apenas depois de modificar seu próprio mecanismo de inferência. Um é restringido pelo seu contrato de disponibilização, o outro por não ter contrato de disponibilização algum. Essa é toda a comparação, e tudo abaixo são detalhes decorrentes dela.
Nenhum dos modelos é algo que você possa chamar hoje no modo que seu artigo enfatiza. O quanto isso importa depende de qual metade da lacuna você consegue fechar sozinho, e isso é uma questão de licenças e GPUs, e não de qualidade.
A linha e a versão sobre a qual ela está.
HiDream-O1-Video-1.0 tem uma medição independente. Consultado em 20 de novembro de 2026, no ranking AA-Video-I2V v2.1, ele está em 14º lugar com Elo 1.101, com um intervalo de 95 por cento de ±14, que é uma faixa de 1.087 a 1.115, com 6.976 votos, registrado como lançamento de agosto de 2026, a US$ 5,80 por minuto de vídeo gerado.
Seis semanas antes, no quadro v1.0, o mesmo modelo estava em sexto lugar com 1.175 ±10 em 3.231 votos. Lido sem cuidado, isso é um colapso. Não é, e o motivo merece ser dito com clareza porque é o erro mais comum cometido com esses quadros: v1.0 e v2.1 são instrumentos diferentes, com escalas Elo diferentes, conjuntos de votos diferentes e uma taxonomia diferente. Uma pontuação não é transferível entre eles, então a distância entre 1.175 e 1.101 não é uma medida de quanto pior o modelo ficou. O que mudou é real — estar em 14º lugar é pior do que estar em 6º lugar sob as regras do quadro atual —, mas a aritmética que os conecta não existe.
WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is Tencent's own.
O que a API do HiDream realmente aceita
A superfície de serviço está documentada e é restrita, de formas que correspondem diretamente às alegações de lançamento.
• Entrada — exatamente uma imagem de referência, fornecida como uma URL pública ou Base64 entre 40 KB e 20 MB. O prompt é opcional e o padrão é vazio. O anúncio lista vídeo entre as entradas do modelo; o esquema da requisição não tem campo para isso.
• Resolução — sem seletor. O resultado preserva a proporção da imagem de referência. A alegação de 1080p no anúncio não é controlável a partir da solicitação.
• Duração — um booleano, force_10s, com padrão false. Se deixado como false, o modelo escolhe; se definido como true, você obtém dez segundos. A faixa anunciada de cinco a vinte segundos não tem campo numérico.
• Áudio — nenhum parâmetro de entrada de áudio ou de geração de áudio é exposto, apesar do áudio sincronizado nativo que o lançamento descreve.
• Contrato de resultado — assíncrono. Você envia a tarefa, recebe um task_id e faz polling. result.status = 1 significa que todas as subtarefas atingiram um estado terminal, não que a geração foi bem-sucedida; o sucesso é sub_task_results[].task_status = 1, com 3 para falha de geração e 4 para revisão de segurança.
O modelo que você pode chamar é um animador de imagens com dois modos de duração. O modelo descrito no lançamento é um gerador conjunto de texto-vídeo-áudio com duração planejada. Ambas as afirmações são documentadas pela mesma empresa, e a diferença é uma questão de roteiro, não uma contradição.
O que o WeMM-Video-4B pede que você construa
O outro lado não tem contrato para ser estreito, porque não há endpoint. O WeMM-Video-4B tem 5.611.746.312 parâmetros — 10,45 GiB de pesos BF16 — lançado sob a Apache 2.0 em uma família de quatro tamanhos que surgiram todos dentro de uma janela de dezenove minutos em 17 de novembro de 2026, com o relatório técnico, arXiv 2611.26409, vindo em seguida, em 19 de novembro.
Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and Tencent labels it exported_unvalidated.
O que você obtém com isso é um descritor com uma pilha de áudio excepcionalmente grande: 4,21 bilhões de parâmetros de um modelo de linguagem derivado do Qwen3.5-4B, 0,33 bilhão em torre de visão e 1,07 bilhão em um codificador-decodificador de áudio no estilo Whisper alimentando um Q-Former a 10 tokens por segundo. Quase um quinto do checkpoint são ouvidos, e é por isso que suas pontuações conjuntas de áudio e visual são as interessantes.
Os modos nos quais cada modelo é comparado
Um contraste justo, aqui, não é "qual é melhor", mas sim "qual modo é aquele que você consegue realmente alcançar", e as duas respostas acabam em lugares diferentes.
• HiDream-O1-Video-1.0 — modo acessível: imagem para vídeo, um quadro de referência, proporção fixa, dez segundos ou escolha do modelo, sem controle de áudio. Modo pontuado: imagem para vídeo. O painel e a API concordam.
• WeMM-Video-4B — modo acessível: vídeo com trilha sonora na entrada, texto na saída, com 16 quadros amostrados e 8.192 tokens conforme fornecido. Modo avaliado: o artigo relata o modo Thinking nas tabelas de vídeo, Instruct na tabela de áudio e Thinking novamente em imagem e texto, e não informa a contagem de quadros nem o comprimento de contexto utilizados.
• Ambos — informados pelo fornecedor quando há um número, e nenhum dos dois foi reproduzido por terceiros. A vantagem do HiDream é que uma configuração foi votada por pessoas que não trabalham para o HiDream.


A questão do áudio, que apenas um lado pode responder
O HiDream gera áudio e o WeMM-Video-4B o compreende. Numa lista de recursos, parecem a mesma capacidade, mas não são, e, para uma equipe que constrói um pipeline, a distinção decide qual deles é sequer relevante.
Do lado da geração, o lançamento da HiDream descreve um único processo que modela texto, vídeo e áudio em conjunto, em vez de adicionar som depois, de modo que movimento labial, ambiência e ação física compartilham uma linha do tempo. Se é possível controlar isso é uma questão separada: a requisição documentada não expõe nenhum parâmetro de áudio, e o anúncio não publica um número de faixas, portanto diálogo, música e efeitos como stems separáveis não estão verificados em ambos os pontos.
On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are Tencent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.
Então, o resumo honesto é que um modelo gera som que você ainda não consegue inspecionar, e o outro inspeciona som que você precisa fornecer. Nenhum dos dois é a ferramenta de áudio que um pipeline de produção deseja, até que o primeiro ganhe um parâmetro de áudio e o segundo ganhe um host.
Onde um roteador ajuda e onde não pode ajudar
O OrcaRouter não disponibiliza nenhum dos dois modelos. Não existe endpoint WeMM — o catálogo não contém nenhum checkpoint WeMM — nem rota HiDream; o HiDream-O1-Video-1.0 está acessível pela própria plataforma da HiDream e por várias plataformas de terceiros. Nada abaixo constitui uma afirmação de que hospedamos qualquer um dos dois.
O ponto em que um roteador se justifica nesta comparação é a própria migração, e a ferramenta para isso é a DSL de roteamento, não a lista de modelos. Ambos esses modelos ficam atrás de uma superfície de serving visivelmente provisória — um é uma prévia de entrada única com uma flag terminal de dois estados, o outro é um overlay de código-fonte fixado em releases upstream específicas — e uma stack que codifica qualquer um dos dois de forma rígida é uma stack que quebra com a nota de release de outra pessoa. Uma política de roteamento que nomeia um primário e um fallback, e que consegue comparar dois modelos dentro de uma única requisição em vez de duas integrações, transforma esse risco em configuração. Isso roda sobre um endpoint compatível com OpenAI em mais de duzentos modelos a preços de tabela do provedor repassados com 0% de markup, então uma mudança de preço do fornecedor se reflete no mesmo dia. Para a parte exclusivamente de visão da carga de trabalho WeMM, Qwen3-VL-235B-A22B-Thinking e Qwen3-VL-8B-Thinking estão ambos na plataforma agora — o que é uma forma de contornar o checkpoint omni ausente, não um substituto para sua torre de áudio.

Com que estreiteza você consegue viver
Se você precisa de filmagens neste trimestre e uma imagem de referência é suficiente, o HiDream-O1-Video-1.0 é o único dos dois com um endpoint chamável, e suas restrições estão documentadas bem o suficiente para integrar em uma tarde. Orce US$ 5,80 por minuto, planeje dez segundos ou a escolha do modelo, e leia o status da subtarefa em vez da flag de terminal.
Se você precisa saber o que há em filmagens que já possui — incluindo o que é dito por cima delas — o WeMM-Video-4B é o único dos dois que consegue responder, e o preço de entrada é um motor de inferência com patch, um checkpoint de 10,45 GiB e um orçamento de amostragem de 16 quadros que você deve ajustar antes de confiar em um resultado de vídeo longo.
O que nenhum dos dois oferece é aquilo que uma página de comparação costuma prometer: uma tarefa comum com base na qual classificá-los. Eles não são duas respostas para uma única pergunta. São dois modelos cujas superfícies públicas são ambas menores do que seus artigos, e o julgamento de engenharia útil é qual dessas lacunas você consegue fechar com seu próprio hardware.
Comparados neste artigo1
Detectado a partir deste artigo
