Cartão de título principal com o texto 'WeMM-Video-9B vs Wan 3.0', subtítulo 'Uma vende os segundos. A outra os lê de volta.', com três chips de estatísticas: 10,49B de pesos abertos, visualização de 8s por padrão e limite de clipe de 30s, e um rodapé dizendo que os números do WeMM-Video-9B vêm do repositório da Tencent e do arXiv 2611.26409, enquanto os números do Wan 3.0 vêm da Alibaba e da Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0: Segundos Vendidos, Segundos Assistidos

Autor

Alistair Wren

Data de publicação

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

Wan 3.0 vende segundos de vídeo. WeMM-Video-9B lê esses segundos de volta. É toda a comparação, e é por isso que uma disputa de especificações dimensão por dimensão entre esses dois seria quase sem sentido: um é um modelo de geração que devolve um MP4, o outro é um modelo de compreensão omnimodal que devolve uma frase. Eles não são rivais. São as duas metades de um mesmo pipeline — produzir um clipe e depois verificá-lo — e a pergunta interessante não é qual vence, mas onde cada um deixa de ser utilizável.

Apenas um deles é notícia. A Tencent enviou WeMM-Video-9B e dezoito repositórios irmãos em uma janela de cinco minutos a partir das 08:53:50 UTC de 17 de novembro de 2026, publicou o relatório técnico como arXiv 2611.26409 em 19 de novembro, e não anunciou nada disso: nenhum post de blog, nenhuma página de lançamento, nenhum nível pago. No momento em que escrevemos, o repositório 9B mostra zero downloads, a coleção mostra algumas curtidas, e nenhum provedor de inferência oferece o modelo. Wan 3.0 é o caso oposto por completo — a Alibaba o colocou em beta público em 6 de agosto de 2026 e o lançou oficialmente em 24 de agosto, oitenta e oito dias antes deste artigo, e atualmente ele está no topo de dois rankings independentes. Tudo abaixo sobre o Wan 3.0 é um produto lançado, com preço definido e avaliado de forma independente. Tudo sobre WeMM-Video-9B vem do próprio repositório ou do PDF dos autores, e esses são os dois únicos lugares onde qualquer número sobre ele existe.

O que cada um realmente retorna

Vale a pena colocar as linhas de especificação lado a lado justamente porque descrevem funções diferentes.

• Saída — WeMM-Video-9B retorna texto, em chinês ou inglês. Wan 3.0 retorna um clipe gerado de até 30 segundos com áudio nativo.

• Entrada — o 9B recebe quadros de vídeo com sua trilha sonora original, vídeo silencioso, áudio independente, imagens e texto, e consegue raciocinar sobre todos eles ao mesmo tempo. O Wan 3.0 aceita prompts de texto, imagem, vídeo e áudio e, de forma única em sua família, documentos: doc, xls, ppt, pdf, md, txt, de até 100 MB ou 50 páginas por arquivo, convertidos diretamente em um vídeo.

• Pesos — WeMM-Video-9B disponibiliza pesos Apache 2.0 no Hugging Face em BF16, além de quatro builds quantizadas (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). O Wan 3.0 não tem pesos publicados; é uma API fechada com cobrança por uso.

• Preço — o 9B não tem preço de hospedagem, porque nada o hospeda; seu custo é uma GPU, um runtime com patches e seu próprio tempo. O Wan 3.0 cobra por segundo de saída: 0,3, 0,6 e 1,2 yuan por segundo em 480p, 720p e 1080p — aproximadamente US$ 0,05, US$ 0,10 e US$ 0,20 — que a Artificial Analysis normaliza para US$ 12,00 por minuto em seus rankings.

• Pontuações independentes — nenhuma para WeMM-Video-9B. O Artificial Analysis não lista nenhum modelo WeMM em nenhum ranking. O Wan 3.0 é o primeiro no ranking de texto para vídeo do Artificial Analysis, com Elo 1.176 (intervalo de 95% de 1.163 a 1.189, 8.243 amostras), e o primeiro no seu ranking de edição de vídeo, com 1.197 (1.187 a 1.207, 9.919 amostras), e o décimo segundo em imagem para vídeo, com 1.109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

A diferença de preço não é uma diferença de preço

Doze dólares por minuto é o número que as pessoas vão citar, e é o número errado para comparar com qualquer coisa sobre o 9B, porque as duas contas medem quantidades diferentes. O Wan 3.0 cobra pela duração produzida. WeMM-Video-9B não tem nenhuma cobrança por unidade — ele cobra em hardware que você já tem, e a forma honesta de precificá-lo é calcular quanto de uma placa ele ocupa e quantos clipes você consegue processar por hora.

A ocupação pode ser medida a partir do repositório. O checkpoint BF16 tem 19,54 GiB de arquivos de pesos e 10.488.603.384 parâmetros distribuídos em 1.305 tensores — 10,49 bilhões, e não nove, porque o “9B” no nome se refere ao backbone de linguagem Qwen3.5-9B, e não ao stack inteiro. A versão AWQ W4A16 fica em 12,86 GiB. Isso representa um corte de 34%, e não os 75% que uma receita de quatro bits implicaria, e o motivo é visível nos manifestos do exportador: apenas as matrizes densas de feed-forward são comprimidas, enquanto a torre de visão, o codificador de áudio baseado no Whisper, o embedding, a cabeça de saída e todos os pesos de atenção mantêm sua precisão original. Cerca de 5,7 bilhões de parâmetros permanecem com dois bytes cada, o que define um piso abaixo do qual nenhuma receita de quatro bits consegue chegar. Quem dimensionar uma implantação com base no nome vai errar em cerca de 1,5 GiB e em um nível de precisão.

Portanto, a comparação de custos que realmente importa não é dólares contra dólares. É: uma chamada de API a US$ 0,20 por segundo de material finalizado, contra um modelo residente de 13 a 20 GiB, uma pilha de serviço com patches e o que quer que custe sua hora de GPU. Para uma equipe que já executa inferência, a segunda pode ser mais barata. Para uma equipe que quer um clipe até sexta-feira, a primeira é a única que existe.

Onde o 9B se posiciona em relação a um 30B

O único ponto em que WeMM-Video-9B tem números concretos é a avaliação dos autores, e a principal alegação do artigo é sobre seu irmão maior — que o modelo 35B-A3B estabelece um novo estado da arte de código aberto em vídeo omnimodal e se aproxima do Gemini-3.0-Flash. O 9B recebe uma alegação mais discreta: ele supera o Qwen3-Omni-30B-A3B-Instruct, um modelo cerca de três vezes maior. No modo Thinking, na tabela conjunta de áudio e vídeo, ele consegue.

• Video-MME com áudio — 85,1 para o 9B, 77,3 para Qwen3-Omni-30B-A3B-Instruct, 69,2 para MiniCPM-o-4.5-9B.

• Video-MME-v2 com áudio — 51,6 contra 36,3, uma diferença de 15,3 pontos.

• Linhas com ênfase em raciocínio — SciVideoBench 64,2 contra 49,9, MMOU 71,7 contra 60,5, EvaOmni 50,7 contra 26,1, OmniReasoningBench 43,9 contra 24,1.

• Onde perde — FutureOmni 53,7 contra 55,1, e JointAVBench está empatado em 64,6.

A comparação mais interessante é interna, e é aquela que ninguém que cita o artigo menciona. Coloque o 9B contra o carro-chefe 35B-A3B nas mesmas 17 linhas e a diferença é pequena: 85,1 contra 86,4 no Video-MME com áudio, 51,6 contra 54,9 no Video-MME-v2, 71,7 contra 74,5 no MMOU. Em uma linha, o modelo menor vence de forma absoluta — SVHalluc 86,8 contra 80,3. Um modelo que carrega uma fração dos parâmetros ativos do carro-chefe fica a 1,3 ponto do benchmark principal. Esse é o argumento mais forte no repositório a favor do 9B especificamente, e é um argumento sobre custo de implantação, não sobre capacidade.

O 9B também não é uma melhoria uniforme em relação ao backbone que herda. Compará-lo com o Qwen3.5-9B simples na tabela de vídeos silenciosos mostra um modelo ajustado para quando e onde algo aconteceu, a um custo mensurável noutros pontos: F-16-NBA 88,7 contra 75,8, TimeLens-QVHighlights 66,8 contra 64,3, TOMATO 48,5 contra 45,0 — mas MLVU 82,4 contra 84,4, LVBench 68,2 contra 70,0, VSI-Bench 54,5 contra 58,3, MVBench 71,4 contra 74,4. Se a sua tarefa é a sumarização de vídeos longos, o aparato audiovisual custou-lhe algo que o backbone já fazia melhor.

Oito segundos de cobertura, por padrão

É aqui que os dois modelos se tornam diretamente comparáveis, porque se trata de um limite de duração — e os números não são nada próximos.

O Wan 3.0 gera até 30 segundos em uma única execução, o dobro do limite de 15 segundos do Wan 2.7, com uma ferramenta de extensão de vídeo para encadear narrativas mais longas. WeMM-Video-9B, na versão de lançamento, examina oito.

A lacuna não está no checkpoint. O 9B declara 262.144 embeddings de posição em sua configuração de texto, o que é um orçamento muito grande. Está nas receitas. O processador usa como padrão 2 fps com um mínimo de quatro frames, um máximo de 128 frames e 100.663.296 pixels totais, e o comando vLLM que a Tencent publica substitui todos os quatro por 2 fps, 16 frames e 262.144 pixels. A 2 fps, dezesseis frames são oito segundos de cobertura retirados do meio de um clipe. Todo comando de serving no repositório também passa --max-model-len 8192 ou --context-length 8192, e nada no repositório explica como chegar ao número declarado maior.

• Orçamento de quadros — padrão entregue de 16 quadros a 2 fps, ou seja, cerca de 8 segundos, contra a geração única de 30 segundos do Wan 3.0.

• Custo de áudio — a pilha de áudio emite 10 tokens por segundo, então um orçamento de 8.192 tokens equivale a aproximadamente treze minutos de áudio e nada mais; um clipe com trilha sonora gasta esse mesmo orçamento em quadros e áudio juntos.

• Mídia por requisição — quatro imagens, dois vídeos e dois itens de áudio, conforme os limites definidos nas receitas do vLLM e do SGLang.

Ninguém fora da WeChat Vision publicou qual amostragem foi usada nas execuções do benchmark. Se você está reproduzindo um número da tabela acima, essa é a primeira incógnita a esclarecer, e o padrão de 16 quadros distribuído é o lugar errado para começar. Mas o teto é real: para qualquer coisa mais longa que uma tomada, o 9B é um verificador pontual, não um revisor, a menos que você aumente o limite de quadros e pague por isso em contexto.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

O número que ninguém mediu ainda

Três fatos separam este modelo de qualquer recomendação confiante, e vale a pena declará-los de forma direta em vez de escondê-los.

A primeira é que todas as pontuações acima são informadas pelo fornecedor. Não há nenhuma avaliação independente do WeMM-Video-9B em lugar algum — nenhum Elo de arena, nenhuma reprodução por terceiros, nenhuma entrada em ranking. As tabelas vêm dos mesmos autores que treinaram o modelo, em mais de 120 benchmarks de sua própria escolha, e vários desses benchmarks usam juízes diferentes: a avaliação do artigo recorre ao GPT-6.1-Sol, ao GPT-4o e ao Qwen3-235B-A22B dependendo da tarefa. As comparações entre modelos dentro do artigo são, portanto, comparações de números produzidos sob avaliadores diferentes, uma ressalva que o artigo declara e que qualquer pessoa que cite a tabela tende a omitir.

O segundo é uma divisão de modos que torna duas linhas não comparáveis. A tabela de vídeo omni-modal executa os modelos WeMM no modo Thinking; a tabela de áudio os executa no modo Instruct, com base no julgamento dos autores de que os benchmarks de áudio padrão são tarefas perceptuais diretas. Isso é defensável e também significa que uma linha do WeMM em uma tabela não pode ser comparada diretamente com uma linha rival na outra.

A terceira é a distribuição. Zero downloads não é evidência de qualidade nem de falta dela, mas significa que não existe um conjunto de relatos de profissionais — nenhum modo de falha, nenhum "ele alucina em videoclipes", nenhuma sequência de pessoas descobrindo o limite de quadros da maneira mais difícil. O Wan 3.0 já teve oitenta e oito dias disso, além de integrações de lançamento no ComfyUI, Leonardo.Ai e Envato. Quanto à pergunta "o que realmente dá errado em produção", um desses modelos tem uma resposta e o outro tem um repositório.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Rodando o par hoje

Se você quiser os dois, eles são instalados de maneiras completamente diferentes, e nenhum dos dois está em uma plataforma de roteamento.

O Wan 3.0 é uma chamada de API cobrada por uso. Ele pode ser acessado pelos consoles da própria Alibaba e por ferramentas criativas de terceiros, cobra por segundo a 0,3, 0,6 e 1,2 yuan para 480p, 720p e 1080p, e a única questão real de aquisição é qual resolução sua etapa de revisão precisa, porque é isso que define o multiplicador.

WeMM-Video-9B é uma tarefa auto-hospedada. É necessário Python 3.12, uma GPU NVIDIA com um driver CUDA 12.9, FFmpeg e as bibliotecas compartilhadas do TorchCodec, além do patch de runtime do repositório: vLLM 0.18.0 com patch, ou 0.31.0 para BF16, ou SGLang 0.5.16 ou 0.5.19 com patch, fixado à combinação exata de PyTorch, Transformers e CUDA que o manifesto do patch indica para a versão do seu motor. O carregamento também requer trust_remote_code, porque o modelo traz código personalizado de modelagem e de processador. A Tencent validou que o vLLM com patch carrega o checkpoint e conclui as verificações de geração de texto, imagem, áudio e vídeo com trilha sonora num H20, o que é uma validação de carregamento e execução, não uma alegação de precisão. A via GGUF requer o runtime nativo compilado a partir do código-fonte.

A OrcaRouter não disponibiliza WeMM-Video-9B, e seu catálogo não lista nenhum checkpoint WeMM, portanto não há preço de hospedagem a cotar nem endpoint para chamar. O que a plataforma oferece é a metade de visão da mesma tarefa — Qwen3-VL-8B-Thinking e Qwen3-VL-235B-A22B-Thinking ambos aceitam imagens e quadros de vídeo — por trás de uma única chave compatível com OpenAI, ao lado de mais de 200 outros modelos, cobrados pelo preço de tabela do provedor e repassados com 0% de markup. Nenhum deles ouve nada, então nenhum substitui a metade audiovisual. Se o plano é testar um 9B auto-hospedado sem colocar um caminho de produção nele, roteá-lo por trás de uma regra de failover é a forma barata de descobrir se o runtime corrigido aguenta a sua concorrência antes de você comprometer uma GPU com ele.

O pareamento em si é um fluxo de trabalho, não um benchmark. Gere com o Wan 3.0 e depois entregue o clipe a um modelo que retorna uma descrição em vez de pixels: a cena corresponde ao prompt, a fala é inteligível, o áudio sincroniza com a ação. Nada aqui mede se WeMM-Video-9B é bom nessa tarefa especificamente em comparação com as próprias saídas do Wan 3.0 — ninguém executou esse teste. O orçamento de oito segundos de quadros é a restrição a testar primeiro, porque, se seus clipes tiverem trinta segundos, o revisor estará olhando para um quarto de cada um.

O que mudaria a resposta

Três coisas datáveis, em ordem de quanto elas mudariam a recomendação.

Uma pontuação independente para WeMM-Video-9B. Uma única entrada no Artificial Analysis, ou um resultado de arena de uma parte que não tenha o mesmo empregador que os autores, converteria a tabela acima de uma alegação em uma medição. Até lá, a leitura honesta é que um checkpoint de 10,49B com um backbone de 9B obtém pontuação próxima à de seu próprio carro-chefe 35B-A3B nos benchmarks da própria Tencent, e é tudo o que se pode dizer.

Um endpoint hospedado. O modelo exige um runtime corrigido, código personalizado e uma pegada residente de 13 a 20 GiB; no dia em que um provedor o oferecer por trás de uma API, a comparação de preços deste artigo deixa de ser um erro de categoria e passa a ser aritmética.

Uma receita que utiliza o contexto declarado. O checkpoint já alega 262.144 posições. Se a Tencent lançar um perfil de serving que eleve o limite de frames e de fato o utilize, o padrão de oito segundos passa a ser um detalhe de configuração em vez de um teto — e o 9B deixa de ser um verificador pontual para tomadas curtas.

Por enquanto, a divisão é clara. Escolha o Wan 3.0 quando precisar de filmagens; ele já foi lançado, tem preço definido, está no topo de dois rankings independentes e é o único dos dois que você pode chamar hoje à tarde. Escolha o WeMM-Video-9B quando precisar de um modelo que ouve a trilha sonora tão bem quanto vê os quadros, tiver uma placa de sobra e estiver disposto a ser a primeira pessoa a descobrir se a receita de oito segundos é um padrão ou um limite. Os dois não competem pela mesma decisão.

Comparados neste artigo2

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente