
WeMM-Video-9B vs Alibaba Wan 2.7: Uma fatura e um checkpoint
- 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 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Comece pela fatura. Alibaba Wan 2.7 tem uma tarifa por minuto em dois rankings de vídeo do Artificial Analysis e uma faixa de duração documentada, o que o torna um dos poucos modelos de vídeo cujo custo você consegue calcular antes de escrever uma linha de código. WeMM-Video-9B não tem preço algum. O grupo WeChat Vision, da Tencent, o publicou em 17 de novembro de 2026 como dezenove gigabytes e meio de pesos Apache-2.0 — cinco fragmentos BF16, um cartão de modelo e um preprint do arXiv de número 2611.26409 — e depois não disse nada. Nenhuma postagem de lançamento, nenhuma página de preços, nenhum endpoint hospedado, nenhuma submissão a ranking. Três dias depois, os repositórios ainda mostram zero downloads entre eles. Portanto, a comparação honesta não é Wan 2.7 contra WeMM-Video-9B em qualidade; é um serviço tarifado por uso contra um artefato sem preço, e os dois números que você gostaria de colocar lado a lado não existem, pelo mesmo motivo, em ambos os lados.
Tudo abaixo separa três coisas: o que a documentação do Wan 2.7 e os dois leaderboards afirmam, o que o repositório e o artigo do WeMM-Video-9B alegam e o que ninguém fora de nenhum dos dois laboratórios reproduziu. É nesse terceiro grupo que está a maior parte do material do WeMM-Video-9B, e fingir o contrário seria a maneira mais rápida de tornar este texto inútil.
O Wan 2.7 é cobrado em minutos.
A tabela de preços da Alibaba para o Wan 2.7 é incomumente legível para um modelo de vídeo. A suíte é um produto de quatro modos — texto para vídeo, imagem para vídeo, referência para vídeo e edição de vídeo — e o preço que aparece nas tabelas é um valor direto por minuto, em vez de um sistema de créditos que você precisa decifrar por engenharia reversa.
• AA-Video-Editing v1.1 — O Wan 2.7 está em 9º lugar no Elo 1.074 ±8 em 22.754 amostras, com mês de lançamento em abril de 2026 e US$ 16,90 por minuto. O intervalo é o mais estreito do quadro fora do top três, e é isso que vinte e dois mil votos compram.
• AA-Video-T2V v2.1 — a mesma família aparece como Wan2.7-260612 em 20º no Elo 1.035 ±13 sobre 6.965 amostras, junho de 2026, US$ 9,00 por minuto. Mesmo fornecedor, tarefa diferente, preço diferente e um Elo que não se converte na pontuação de edição.
• O Wan 2.7 não aparece de forma alguma no ranking de imagem para vídeo.O Wan 3.0 aparece — em 12º lugar, com 1,109 — e essa ausência merece uma leitura atenta. Não significa que o Wan 2.7 não consiga animar uma imagem estática; significa que a arena não o classificou ali. O conjunto Alibaba de fato anuncia controle de keyframe inicial e final, até cinco imagens de assunto e cinco clipes de referência, e saída de 720p a 1080p com áudio nativo. Capacidade que o ranking não pontua ainda é capacidade.
Uma observação contextual que importa para o orçamento: o Wan 2.7 é a geração anterior. O Wan 3.0 agora lidera tanto o ranking de texto para vídeo (1.176) quanto o ranking de edição (1.197), e é o mais barato dos dois em texto para vídeo, a US$ 12,00 por minuto, contra a tarifa de edição de US$ 9,00 do Wan 2.7. Se você está escolhendo um modelo Alibaba hoje em vez de comparar um, a decisão já avançou.
O que o checkpoint 9B realmente é
WeMM-Video-9B não é um gerador de vídeo, e essa única frase faz a maior parte do trabalho nesta comparação. É um modelo de compreensão de vídeo: você lhe entrega quadros mais a trilha sonora original, e ele devolve texto. Descrição, transcrição, raciocínio temporal, resposta a perguntas sobre filmagens que você já tem.
O repositório é incomumente específico sobre o que contém, o que é o único ponto em que um lançamento discreto supera um barulhento. O registro no Hugging Face lista 10.488.603.384 parâmetros em 1.305 tensores, BF16, 19,54 GiB divididos em cinco shards. A divisão é detalhada: um backbone de linguagem de 7,94B, incluindo um embedding de tokens de 1,02B, uma cabeça de saída desvinculada de 1,02B, uma torre de áudio no estilo Whisper de 1,08B com 32 camadas e largura de 1.280 atrás de um Q-Former de duas camadas, e uma torre de visão de 0,46B com 27 blocos, largura oculta de 1.152, tamanho de patch 16 e uma fusão espacial 2×2. A pilha de linguagem tem 32 camadas com dimensão oculta de 4.096, 16 cabeças de atenção contra 4 cabeças de chave-valor com dimensão de cabeça 256, com atenção linear híbrida — uma camada de atenção completa para cada três lineares — e 262.144 embeddings de posição.
O que isso lhe traz na prática é uma entrada ampla e uma saída restrita. Vídeo, áudio, imagens e texto entram. Sai texto, em inglês ou chinês. Não há síntese de quadros em nenhuma parte da arquitetura, e nenhuma quantidade de prompts produzirá uma.


Dois relógios que não se encontram
A comparação que realmente decide algo é em termos de tempo e dinheiro, e ambos os lados têm um limite.
• O limite do Wan 2.7 é a duração. De dois a quinze segundos por geração, 720p a 1080p, cobrado por segundo. Um clipe de quinze segundos em 1080p é uma quantidade conhecida antes de você apertar o botão.
• O teto do WeMM-Video-9B é o contexto. O processador usa 2 quadros por segundo por padrão, com um mínimo de 4 quadros, um máximo de 128 quadros e um orçamento total de 100,663,296 pixels. A receita vLLM distribuída substitui tudo isso por 2 fps e 16 quadros a 262,144 pixels — cerca de oito segundos de cobertura amostrada a partir do ponto médio do clipe. Todo comando de serving no repositório também passa um comprimento de contexto de 8,192 tokens e, a dez tokens de áudio por segundo, isso dá cerca de treze minutos de áudio se você gastar o orçamento apenas com som.
• A incompatibilidade. O Wan 2.7 produz quinze segundos de filmagem. O WeMM-Video-9B, como fornecido, analisa oito. Se o seu pipeline gera um clipe e depois pergunta a um modelo o que aconteceu nele, o descritor está amostrando metade da saída. Isso não é um defeito em nenhum dos produtos; é uma configuração que você precisa alterar deliberadamente, e o próprio exemplo do repositório não faz essa alteração por você.
O conselho do qual nenhum dos dois faz parte
Aqui está o problema estrutural deste confronto, dito de forma clara. Todo ranking de vídeo da Artificial Analysis classifica vídeos gerados. Texto para vídeo, imagem para vídeo, edição de vídeo — todas as três usam um modelo que gera pixels e o classificam por preferência humana em comparações pareadas. O WeMM-Video-9B gera tokens.
Não é que o WeMM-Video-9B tenha tido uma pontuação ruim. Ele não pode ser inscrito. O Wan 2.7 tem duas linhas, ambas com intervalos estreitos o suficiente para dar margem a discussão; o WeMM-Video-9B não tem nenhuma e não terá nenhuma até que alguém construa uma arena de compreensão de vídeo. O que significa que a única evidência de qualidade para o tema deste artigo é a tabela dos próprios autores.
Essa tabela não é pouca coisa. No modo de raciocínio em tarefas conjuntas de áudio e vídeo, o checkpoint de 9B supera o Qwen3-Omni-30B-A3B-Instruct em 35 das 37 métricas compartilhadas — Video-MME com áudio 85,1 contra 77,3, Daily-Omni 83,6 contra 70,7, SciVideoBench 64,2 contra 49,9, OmniReasoningBench 43,9 contra 24,1 — e perde em exatamente uma, FutureOmni, com 53,7 contra 55,1. Em vídeo silencioso, contra seu próprio backbone Qwen3.5-9B, ele ganha em F-16-NBA (88,7 vs 75,8) e TimeLens, e perde em MLVU, LVBench, VideoVista, VSI-Bench e MVBench. O artigo diz que reporta "resultados oficiais quando disponíveis e nossas próprias avaliações nos demais casos", o que é a divulgação correta e também o motivo pelo qual nada disso é independente.

Onde o OrcaRouter se encaixa
Nenhum dos dois modelos é servido pelo OrcaRouter, e este artigo não vai fingir o contrário. O Wan 2.7 pode ser acessado pela própria API da Alibaba e por várias plataformas de terceiros; o WeMM-Video-9B pode ser acessado ao baixá-lo.
O que pertence aqui é o lado do faturamento, porque o motivo pelo qual as equipes acabam comparando um gerador com um descritor é que ambos são conectados ao mesmo pipeline. O OrcaRouter repassa o preço de tabela do provedor com 0% de margem, o que significa que um corte de tarifa do fornecedor entra na sua fatura no dia em que entra na deles, em vez de sempre que um revendedor reajusta o preço. Se a tarifa de edição de US$ 16,90 do Wan 2.7 se tornar US$ 12,00 como aconteceu com o Wan 3.0, você verá isso na próxima fatura. Para uma carga de trabalho em que uma parte é cobrada por segundo e a outra parte é um checkpoint que você mesmo hospeda, ter a metade medida reportada a preço de custo é a diferença entre um orçamento que você consegue prever e um que não consegue.
Para qual deles reservar orçamento?
Se o entregável for filmagem, o Wan 2.7 é o único dos dois capaz de produzi-la, e a decisão se resume a saber se o valor de US$ 16,90 por minuto para edição ou de US$ 9,00 por minuto para texto para vídeo é competitivo em relação ao restante do ranking. Em 9º e 20º, respectivamente, ele fica no meio da tabela em ambos.
Se o entregável for uma declaração sobre material de vídeo que você já possui, o WeMM-Video-9B é o único dos dois que pode produzi-la, e a decisão se resume a se você consegue arcar com uma instalação patchada do vLLM ou do SGLang, um checkpoint de 19,54 GiB e uma janela de amostragem de oito segundos para obter um descritor de classe 9B com métricas audiovisuais genuinamente fortes.
A armadilha é ler $16.90 e $0.00 como a mesma quantidade. Um é uma tarifa medida para um serviço que você pode acionar hoje à tarde. O outro é a ausência de um serviço, e o preço dessa ausência é pago em trabalho de integração e no fato de que ninguém fora da Tencent lhe disse se os números se sustentam.
