Cartão de título com o texto 'WeMM-Video-9B vs Hailuo 2.3' e o subtítulo 'Seis segundos silenciosos', dois painéis divididos por um disco 'vs': o da esquerda encabeçado por WeMM-Video-9B, com um selo 'pesos abertos' e linhas que dizem '19.54 GiB BF16', 'lê 16 quadros a 2 fps', '8 segundos de cobertura', 'aceita entrada de áudio', 'sem custo por clipe'; o da direita encabeçado por Hailuo 2.3, com um selo 'API com cobrança por uso' e linhas que dizem '6 s em 1080p', '10 s em 768p', 'saída silenciosa', 'sem controle de quadro final', 'cerca de $0.48 por clipe'.
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Seis Segundos Silenciosos

Autor

jinhao.song

Data de publicação

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

Both of these models will let you down in exactly one place, and it is the same place. Hailuo 2.3 produces six seconds of 1080p video and no sound at all. WeMM-Video-9B reads sixteen sampled frames of video, which at the shipped sampling rate is about eight seconds of coverage, and returns text. Neither one is a general-purpose video system, and neither is on a leaderboard you can point at. M​iniMax shipped Hailuo 2.3 in April 2026 and has since moved on to a model that does appear on those boards; T​encent's WeChat Vision group put WeMM-Video-9B on Hugging Face on 17 November 2026 with no announcement, no endpoint and no price. That leaves two releases that are each, in their own way, a bounded tool — and the boundary is the interesting part.

A note on sourcing before anything else, because this piece leans on it. The Hailuo 2.3 numbers come from M​iniMax's own pricing and documentation plus third-party per-second trackers, since the model has no independent Elo. The WeMM-Video-9B numbers come from the repository manifests, the model card and arXiv 2611.26409. Nothing here has been reproduced outside the labs that published it, and where a figure is vendor-reported the text says so.

Os seis segundos não são um padrão.

O limite de duração do Hailuo 2.3 é uma propriedade treinada, não uma configuração. Seis segundos em 1080p. Dez segundos se você reduzir para 768p. Não há condicionamento de quadro final, então você não pode pedir para ele terminar em uma composição final específica como pode com um modelo de keyframe, e não há faixa de áudio nativa — a saída é silenciosa, e qualquer som que você queira precisa ser adicionado depois ou gerado separadamente.

O preço funciona por pontos pré-pagos, em vez de uma tarifa publicada por segundo, o que torna as comparações de custo mais difíceis do que deveriam ser. Seis segundos a 768p no nível padrão equivalem a um ponto; dez segundos a 768p ou seis segundos a 1080p equivalem a dois. A variante Fast fica em torno de 0,7 pontos para o caso curto e de 1,1 a 1,3 para o longo. Rastreadores de terceiros que converteram isso para dólares estimam cerca de US$ 0,08 por segundo, ou aproximadamente US$ 0,48 para um clipe de seis segundos.

• Duração — Hailuo 2.3: 6 s em 1080p, 10 s em 768p. WeMM-Video-9B: nenhuma duração de saída, porque não produz nenhum vídeo.

• Áudio — Hailuo 2.3: nenhum, a saída é silenciosa. WeMM-Video-9B: uma torre no estilo Whisper de 1.08B que transcreve e raciocina sobre a trilha sonora que você fornece.

• Controle — Hailuo 2.3: sem condicionamento de quadro final. WeMM-Video-9B: 4 a 128 quadros configuráveis, amostragem padrão de 2 fps.

Onde o Hailuo 2.3 é genuinamente bom é naquilo de que os seus usuários falam: movimento de câmera cinematográfico, movimento humano e microexpressões, e um visual estilizado, próximo de animação, que se sustenta melhor do que a maioria dos modelos em briefings não fotorrealistas. Essa é uma força real e não é mensurável num ranking, o que em parte explica por que o modelo nunca apareceu em um.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

O quadro não tem linha para nenhum dos dois.

Consultados em 20 de novembro de 2026, os três painéis de vídeo do Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1 e AA-Video-Editing v1.1 — não retornam nada para o Hailuo 2.3. Não é uma classificação baixa. Nenhuma entrada.

Essa ausência tem duas causas diferentes, e vale a pena separá-las. O WeMM-Video-9B é não classificável: os rankings pontuam o material gerado por preferência em pares, e um modelo que gera tokens não tem nada a enviar. O Hailuo 2.3 poderia, em princípio, ser classificado e não foi — saída em 1080p que um avaliador poderia assistir, nenhum envio, nenhuma linha de preço, nenhuma contagem de amostras.

Então, a única evidência de qualidade neste confronto está do lado que não tem produto. O artigo do WeMM-Video-9B relata, no modo de raciocínio (thinking mode) em benchmarks conjuntos de áudio e vídeo, vitórias sobre o Qwen3-Omni-30B-A3B-Instruct em 35 de 37 métricas compartilhadas — Video-MME com áudio 85,1 contra 77,3, Daily-Omni 83,6 contra 70,7, EvaOmni 50,7 contra 26,1 — e uma derrota, FutureOmni com 53,7 contra 55,1. Contra seu próprio backbone Qwen3.5-9B em vídeo sem áudio, ele ganha em F-16-NBA e TimeLens e perde em MLVU, LVBench, VideoVista e MVBench. Tudo isso é o harness dos próprios autores, divulgado como tal no artigo.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

A geração seguinte ao Hailuo 2.3

Hailuo 2.3 is not M​iniMax's current model, and pretending otherwise would be a disservice to anyone budgeting this quarter. The successor, M​iniMax H3, was released on 31 July 2026 and does appear on the boards.

• AA-Video-T2V v2.1 — M​iniMax H3 at 768p ranks 3rd on Elo 1,161 ±13 over 8,386 samples, listed July 2026 at $4.80 per minute.

• AA-Video-I2V v2.1 — 5º no Elo 1.134 ±14 em 6.594 amostras, mesma taxa.

• AA-Video-Editing v1.1 — 6º no Elo 1.126 ±10 em 9.688 amostras, US$ 9,60 por minuto.

Third on text-to-video and fifth on image-to-video at $4.80 a minute is a different conversation from Hailuo 2.3's unranked, point-priced, six-second offering. If you are choosing a M​iniMax model rather than comparing one, H3 has already won that argument inside the vendor's own lineup.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Por que os oito segundos importam mais do que parecem

A receita entregue do WeMM-Video-9B substitui seus próprios padrões generosos do processador — 2 fps, mínimo de 4 quadros, máximo de 128, um orçamento de 100.663.296 pixels — por 2 fps e 16 quadros em 262.144 pixels, amostrados em torno do ponto médio do clipe. Dezesseis quadros a duas por segundo equivalem a oito segundos de cobertura, e a cobertura começa no meio.

Coloque isso ao lado dos seis segundos do Hailuo 2.3 e algo esclarecedor acontece. O Hailuo 2.3 produz menos filmagem do que o WeMM-Video-9B consegue analisar, em certo sentido: um clipe de seis segundos do Hailuo cabe dentro da janela do descritor com folga. Mas o modo de dez segundos em 768p não cabe, e nem qualquer coisa que você geraria com um modelo diferente e depois entregaria ao WeMM-Video-9B para revisão. O lado de vídeo do pipeline chega ao limite em torno de oito segundos, enquanto o lado de áudio consegue comportar aproximadamente treze minutos a dez tokens por segundo, e todo comando de serving no repositório passa um comprimento de contexto de 8.192 tokens que faz dessa assimetria a restrição vinculante.

• Se você está gerando — Hailuo 2.3 oferece seis segundos, sem áudio, com forte movimento de câmera e detalhes humanos.

• Se você estiver analisando — O WeMM-Video-9B oferece oito segundos de quadros amostrados mais a faixa de áudio completa, com descrição em inglês ou chinês.

• A junção — uma geração silenciosa de seis segundos está dentro de ambas as janelas, que é a única configuração em que este emparelhamento é limpo.

Failover é a parte que não é teórica.

Neither model is served through OrcaRouter, and that is stated here rather than buried. Hailuo 2.3 is reachable through M​iniMax's own platform and several third-party platforms; WeMM-Video-9B is reachable by downloading 19.54 GiB of Apache-2.0 weights.

O que importa para um pipeline que mistura um gerador e um descritor é o que acontece quando uma das etapas falha. failover do OrcaRouter contorna um modelo que está com limite de taxa ou retornando erros sem que o chamador precise reescrever seu cliente, e a DSL de roteamento permite expressar isso como uma política em vez de um monte de lógica de repetição. Para uma carga de trabalho em que a etapa de descrição é um checkpoint local e a etapa de geração é uma API hospedada, a metade hospedada é a que cai — e ter failover para um modelo comparável em vez de o job falhar vale mais do que uma diferença marginal de preço.

Seis segundos são suficientes ou não.

Se o entregável são seis segundos de 1080p silencioso e cinematograficamente confiante, o Hailuo 2.3 faz isso, e a única questão real é se o preço em pontos supera as alternativas por segundo para o volume de que você precisa. Confira a faixa de dez segundos em 768p antes de padronizar na opção curta; o custo em pontos dobra, não a taxa por segundo.

If the deliverable is a written account of footage, WeMM-Video-9B does that with the strongest audio-visual numbers in the family and no independent confirmation of any of them. Budget for a patched vLLM or SGLang install and for the fact that you will be the first person outside T​encent to run it in anger.

O que nenhum dos dois é é uma plataforma de vídeo genérica. São duas ferramentas restritas, com um limite de oito segundos e outro de seis segundos, e escolher entre elas é uma questão de qual limite você pode se permitir atingir.