
WeMM-Video-9B vs HiDream-O1-Video-1.0: Dois Gargalos Estreitos
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 118 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
A comparação que se segue, portanto, não é sobre capacidade. Trata-se de saber em torno de qual restrição você pode projetar, e a resposta acaba dependendo de você preferir pagar por um teto documentado ou hospedar um que não é documentado.
O que o artigo diz e o que a API aceita
O HiDream-O1-Video-1.0 foi lançado em 28 de agosto de 2026 e chegou ao ranking de imagem para vídeo em 10 de setembro. O anúncio do fornecedor é abrangente: entrada de texto, imagem e vídeo, saída de cinco a vinte segundos em 1080p, áudio sincronizado nativamente, duração planejada narrativamente e restrições físicas.
A API HiHarness não é ampla. Ela recebe uma imagem de referência — uma URL ou Base64, não maior que 20 MB e não menor que 40 KB — além de um prompt de texto opcional e de um booleano force_10s. Não há seletor de resolução. Não há campo de vídeo de referência. Não há controle de áudio. Se você quer cinco segundos, você recebe dez; se quer vinte, recebe dez. A lacuna entre o artigo e o endpoint é o fato mais concreto sobre este modelo e o que tem maior probabilidade de mudar sua arquitetura.
• Entrada — HiDream-O1-Video-1.0: uma imagem de referência mais prompt opcional. WeMM-Video-9B: vídeo, áudio, imagens e texto, até quatro imagens, dois vídeos e dois clipes de áudio por solicitação.
• Saída — HiDream-O1-Video-1.0: vídeo 1080p com áudio sincronizado, dez segundos na prática. WeMM-Video-9B: texto em inglês ou chinês.
• Restrição — HiDream-O1-Video-1.0: a superfície da API. WeMM-Video-9B: a receita de amostragem fornecida, 16 quadros a 2 fps.

Uma linha do tabuleiro, uma célula vazia
O HiDream-O1-Video-1.0 tem exatamente uma medição independente, e é uma boa para se contestar.
• AA-Video-I2V v2.1 — 14º no Elo 1.101 ±14 em 6.976 amostras, lançamento de agosto de 2026, US$ 5,80 por minuto. É um intervalo estreito em uma amostra grande, e fica entre Wan 3.0 em 1.109 e Agnes-Video-2.5 em 1.105 — uma faixa lotada em que quatorze pontos equivalem a um intervalo.
• Ausente do AA-Video-T2V v2.1 e do AA-Video-Editing v1.1. A ausência de texto para vídeo é a mais interessante, porque o próprio anúncio do fornecedor começa com entrada de texto. Um modelo sem linha de texto para vídeo e sem campo de vídeo de referência tem uma história de texto para vídeo que existe apenas em prosa.
• WeMM-Video-9B — nenhuma linha em nenhum dos três rankings, pelo motivo estrutural: todos os três classificam vídeos gerados, e ele não gera nenhum. Uma célula vazia, não uma pontuação baixa.
A US$ 5,80 por minuto, o HiDream-O1-Video-1.0 é uma das opções mais baratas do ranking de imagem para vídeo. Apenas Pika H3 Flex, a US$ 2,10, HeyGen Video 1, a US$ 2,40, Agnes-Video-2.5, a US$ 2,40, Vidu Q4 Preview, a US$ 5,04, e P-Video-2-Pro, a US$ 5,70, ficam abaixo dele entre os classificados, e ele supera vários modelos com preços três a quatro vezes maiores.

Dezenove gigabytes e meio de detalhe
Onde o WeMM-Video-9B é generoso é naquilo que ele informa sobre si mesmo. O registro no Hugging Face lista 10.488.603.384 parâmetros em 1.305 tensores — um backbone de linguagem de 7,94B incluindo um embedding de tokens de 1,02B, uma cabeça de saída independente de 1,02B, uma torre de áudio de 1,08B com 32 camadas no estilo Whisper, com largura de 1.280, por trás de um Q-Former de duas camadas a dez tokens de áudio por segundo, e uma torre de visão de 0,46B com 27 blocos em oculto 1.152, com tamanho de patch 16 e uma mesclagem espacial 2×2.
Essa precisão é uma forma de honestidade que o lado da HiDream não oferece: Black Forest Labs e HiDream recusam-se ambas a publicar a contagem de parâmetros, e nenhuma tem a obrigação de o fazer. Mas isso também cria uma armadilha, porque uma arquitetura detalhada convida à suposição de que a configuração entregue corresponde a ela. Não corresponde.
• Padrões do processador — 2 fps, mínimo de 4 quadros, máximo de 128 quadros, 100.663.296 pixels totais.
• Receita vLLM entregue — 2 fps, 16 quadros, 262.144 pixels, amostrados em torno do ponto médio do clipe.
• Contexto — 8.192 tokens em cada comando de serving, contra 262.144 embeddings de posição na arquitetura.
Dezesseis quadros a duas por segundo são oito segundos de cobertura, e a amostragem começa no meio. Um clipe de sessenta segundos perde seus primeiros e últimos vinte e seis segundos. A arquitetura permitiria muito mais; a receita não, e é a receita que vai para produção.

Dez segundos contra oito
Coloque as duas tampas lado a lado e a forma da decisão aparece. O HiDream-O1-Video-1.0 oferece dez segundos de 1080p finalizado com áudio sincronizado, não importa o que você peça. O WeMM-Video-9B analisa oito segundos de filmagem que você já tem, não importa quanto tempo ela tenha.
Ambos os números são arbitrários. Os dez segundos do HiDream são uma decisão de produto incorporada em um booleano; os oito do WeMM-Video-9B são um padrão em um arquivo de receita. Nenhum dos dois é uma lei da física. Mas apenas um deles vem com um fornecedor que lhe dirá o que acontece no limite, e não é aquele distribuído como checkpoint.
Se você gerar um clipe de dez segundos com o HiDream-O1-Video-1.0 e depois perguntar ao WeMM-Video-9B o que aconteceu nele, o descritor amostra oito desses dez segundos a partir do meio. Dois segundos — o primeiro e o último — nunca chegam ao modelo. Esse é um problema de coordenação que você resolve com uma mudança de configuração, e é exatamente o tipo de problema de coordenação que este par cria e que nenhum dos fornecedores documenta.
Fusão de modelos, e onde ela justifica a frase
Nenhum dos modelos está hospedado no OrcaRouter. O HiDream-O1-Video-1.0 está acessível pela própria plataforma da HiDream e por várias plataformas de terceiros; o WeMM-Video-9B está acessível por meio de download.
O motivo de uma comparação como esta acabar numa conversa sobre orquestração é que as duas metades falham de formas diferentes. A metade hospedada falha de modo ruidoso — um limite de taxa, um timeout, um código de erro — e é para isso que serve o failover automático. A metade auto-hospedada falha em silêncio: retorna uma descrição confiante de oito segundos de filmagem e não diz nada sobre os vinte e seis segundos que nunca viu. A fusão de modelos é a ferramenta mais interessante aqui, porque um segundo modelo lendo o mesmo clipe sob uma política de amostragem diferente vai discordar nos limites, e a discordância é o único sinal que você recebe de que a janela era pequena demais.
Para a etapa hospedada, o preço de tabela do provedor é repassado com 0% de margem, o que importa mais do que o normal a US$ 5,80 por minuto: uma mudança de preço do fornecedor em um modelo barato é uma variação percentual maior do que em um modelo caro, e acompanhar a tarifa publicada em vez de uma cópia em cache mantém honesta uma previsão de lote de cem clipes.
Dentro de qual restrição você consegue viver
Escolha o HiDream-O1-Video-1.0 se o trabalho for uma imagem de referência e dez segundos. Você recebe um endpoint documentado, áudio sincronizado, uma tarifa de $5.80 e uma posição no ranking em 14º em imagem para vídeo. Você abre mão de texto para vídeo, controle de resolução e qualquer duração que não seja dez segundos.
Escolha o WeMM-Video-9B se descrever filmagens for a tarefa. Você recebe um descritor omni-modal de 9B com fortes números audiovisuais reportados, licença Apache-2.0 e uma contagem de parâmetros que você pode auditar. Você abre mão de um contrato de serviço, de verificação independente e de qualquer garantia de que a janela de oito segundos seja ampla o suficiente para os clipes que você realmente tem.
O que você não deve fazer é comparar os dois em termos de qualidade. Nenhum deles foi avaliado no mesmo instrumento, e um deles não pode ser. A comparação que compensa é entre duas cinturas estreitas — um booleano e um arquivo de receita — e em torno de qual deles você consegue construir sem mentir para si mesmo sobre o que ele vê.
