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

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.

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.

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
