Главный сравнительный блок из двух панелей с заголовком WeMM-Video-35B-A3B vs Alibaba Wan 2.7 и подзаголовком «22 754 голоса против нуля»: левая панель содержит 36,18 млрд параметров, 67,39 ГиБ BF16, 0 загрузок и отсутствие строки в рейтинге под бейджем «открытые веса», а правая панель содержит Elo 1 074 в редактировании, 22 754 голоса, $16,90 в минуту и 9-е место в рейтинге под бейджем «API с оплатой по мере использования».
Guides & Insights

WeMM-Video-35B-A3B против Alibaba Wan 2.7: 22 754 голоса против нуля

Автор

Alistair Wren

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

Единственный здесь номер третьей стороны

Строка редактирования Wan 2.7 необычно хорошо поддерживается. Двадцать две тысячи голосов — это не та выборка для таблицы лидеров, которую можно отмахнуться как от шума; интервал ±8 означает, что девятое место устойчиво относительно всего, что ниже, а месяц выпуска, указанный в строке, — апрель 2026 года, так что у голосов было семь месяцев, чтобы накопиться.

Одно и то же семейство встречается на досках ещё дважды, и эти три ряда не согласуются друг с другом, что само по себе показательно:

• AA-Video-Editing v1.1 — 9-е место, Elo 1 074 ±8, 22 754 образца, апрель 2026 г., $16,90 за минуту.

• AA-Video-T2V v2.1 — указан как Wan2.7-260612, 20-е место, Elo 1 035 ±13, 6 965 образцов, июнь 2026 г., 9,00 долл. США в минуту. Тот же поставщик, другая задача, треть количества образцов и цена на 47% ниже, чем ставка за редактирование.

• AA-Video-I2V v2.1 — нет строки. Wan 3.0 присутствует в этой таблице на двенадцатом месте с 1,109; Wan 2.7 — нет. В наборе заявлена возможность преобразования изображения в видео, поэтому это пробел на арене, а не в продукте, но это означает, что модель никогда не получала рейтинга в задаче, к которой большинство людей обратилось бы в первую очередь.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Если прочитать все три вместе, честный вывод таков: Wan 2.7 — это сдержанная видеомодель среднего уровня, у которой есть одна по-настоящему сильная доказательная база (редактирование), одна более слабая (текст-в-видео) и одна пустая ячейка. И это всё равно несравнимо больше внешних доказательств, чем есть у другой стороны этого сравнения.

What A​libaba is selling, and at what rate

Wan 2.7 — продукт с четырьмя режимами: текст-в-видео, изображение-в-видео, референс-в-видео и редактирование видео. Задокументированные элементы управления — это задание первого и последнего ключевого кадра, до пяти изображений субъекта плюс пять референсных клипов, вывод в разрешении от 720p до 1080p, нативный звук и клипы длительностью от двух до пятнадцати секунд. Оплата идёт посекундно по действующему тарифу, поэтому стоимость пятнадцатисекундной генерации в 1080p можно рассчитать до нажатия кнопки запуска, а не узнавать о списанных средствах постфактум.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

Контрольная точка, появившаяся сегодня утром

Релиз WeMM-Video-35B-A3B прослеживается так, как не прослеживается большинство тихих релизов, потому что Hugging Face проставляет временные метки для всей последовательности. Репозиторий появился 17 ноября в 08:53:50 UTC, и в нём не было ничего, кроме заглушки gitattributes. Отчёт arXiv 2611.26409 был подан 19 ноября в 16:58 UTC и уже один раз пересмотрен — 20 ноября в 06:15 UTC. Коммит с весами BF16 датирован 2026-11-20T03:57:36Z. Репозиторий GitHub Tencent/WeMM-Video был создан 17 ноября в 02:29 UTC, насчитывает девять звёзд, ноль форков и ноль опубликованных релизов, а его README всё ещё редактировали сегодня утром в 06:34 UTC.

Итак, статья появилась примерно на одиннадцать часов раньше тензоров, а карточка модели всё ещё переписывается в момент написания этого текста. Вся суть именно в этой последовательности. Не было ни анонсирующего поста, ни страницы с ценами, ни размещённого эндпоинта, ни пресс-релиза и ни аккаунта для анонсов — ничего из того, что вендор обычно делает, когда хочет, чтобы модель заметили.

Что репозиторий действительно содержит, так это конкретные вещи:

• Размер — 36 177 564 536 параметров, BF16, распределённых по семнадцати шардам safetensors общим объёмом 67,39 GiB. Метка «35B-A3B» обозначает не то же самое, что размер файла; это расхождение описано ниже.

• Сборка FP8 всё-таки вернулась.Когда статья была опубликована, репозиторий FP8 Block128, на который ссылалась карточка, отвечал 401 — тот же ответ, который Hub выдаёт для имени, никогда не существовавшего. Сейчас он резолвится: 36.09 GiB в одном файле safetensors, закоммиченном в 05:53:01 UTC, через два часа после загрузки BF16, с 33.6B параметров в E4M3 и 2.56B, оставленными в BF16. Что бы ни происходило в 16:58 UTC 19 ноября, релиз не был завершён.

• Ещё три квантованных варианта — AWQ W4A16 на 22,72 GiB в 52 послойных шардах, NVFP4 W4A16 на 24,11 GiB в одном файле и набор GGUF Q4_K_M на 25,46 GiB, разделённый на языковой файл на 22,61 GiB, проектор на 0,84 GiB и аудиокодер на 1,99 GiB. Два из этих трёх называют себя непровалидированными в собственных манифестах. Вариант NVFP4 утверждает лишь, что веса были повторно прочитаны на CPU, а это контрольная сумма, а не оценка.

• Среды выполнения — здесь ничего не запускается на стандартном движке. Репозиторий поставляет исходные оверлеи с манифестами SHA-256 ровно для четырёх вышестоящих релизов: vLLM 0.18.0 и 0.31.0, SGLang 0.5.16 и 0.5.19. Каждая опубликованная команда обслуживания передаёт контекст в 8 192 токена, тензорный параллелизм на двух GPU и медиаконвейер, ограниченный 16 кадрами и 262 144 пикселями. Поиск в трекере задач vLLM не находит вышестоящего запроса для этой архитектуры.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

Каждый показатель качества, привязанный к WeMM-Video-35B-A3B, исходит от команды, которая обучала модель. В статье это прямо сказано — «мы приводим официальные результаты, где они доступны, а в остальных случаях — наши собственные оценки» — и единственное число в карточке, условия получения которого указаны полностью, вообще не является видео-результатом: MMAR1000, только аудио, декодирование на 16 кГц, жадное декодирование, два H20. Остальная часть карточки фиксирует загрузку контрольной точки. На фоне 22 754 голосов это другая категория доказательств, и читать её следует именно так.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

Два проигрыша указывают в противоположную сторону, и их стоит повторить: JointAVBench — 65,9 против 69,0 у Qwen, а MUSIC-AVQA — 79,5 против 82,1 у Qwen. Оба бенчмарка сильно ориентированы на аудио. Более крупный чекпоинт побеждает не везде, и там, где он не побеждает, аудио-стек Qwen имел больше времени на созревание.

Ничего из этого не было воспроизведено. Ни Artificial Analysis, ни LMArena не указывают модель WeMM какого-либо размера, а три лайка в репозитории — это не рецензирование. Если вы выбираете между этими двумя моделями для выполнения задачи, вы сравниваете 22 754 голоса с таблицей, подписанной авторами.

Оба принимают видео, только один возвращает его.

Структурное различие легко сформулировать, и его трудно переоценить. Wan 2.7 принимает текст, изображения, референсные клипы и видео и возвращает видео. WeMM-Video-35B-A3B принимает текст, изображения, аудио и видео вместе со звуковой дорожкой и возвращает текст. Режим редактирования Wan 2.7 ближе всего к другой стороне — он принимает видеоматериал и возвращает видеоматериал, — но на выходе всё ещё пиксели, и нет настройки, которая заставила бы его описывать то, что он отредактировал.

Ограничения с каждой стороны задают границы конвейера, который вы можете построить:

• Ограничение Wan 2.7 — длительность. От двух до пятнадцати секунд на генерацию, от 720p до 1080p, оплата по секундам. Пятнадцатисекундный клип по тарифу редактирования стоит около $4,23 до любых повторных попыток.

• Ограничение WeMM-Video-35B-A3B — это контекст и сэмплирование. Процессор по умолчанию использует два кадра в секунду, минимум — четыре кадра, максимум — шестнадцать и общий бюджет в 262 144 пикселя, что при поставляемой конфигурации даёт примерно восемь секунд покрытия. Команды обслуживания ограничивают контекст 8 192 токенами и разрешают четыре изображения, два видео и два аудиоклипа на запрос. При десяти аудиотокенах в секунду этого контекста хватит примерно на тринадцать минут аудио, если расходовать его только на звук.

• Несоответствие. Wan 2.7 способна генерировать пятнадцать секунд видео, а поставляемый рецепт WeMM смотрит только на восемь. Если ваш пайплайн рендерит клип, а затем спрашивает у модели, что в нём произошло, описатель в текущей конфигурации выбирает примерно половину выходных данных. Это конфигурация, которую нужно менять осознанно, а не ограничение архитектуры — собственное значение процессора по умолчанию допускает 128 кадров.

Два провайдера, одна модель, один ключ

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Какое число ты на самом деле выбираешь?

Если результат — видеоматериал, то Wan 2.7 — единственный из двух, кто его создаёт, и решение сводится к тому, оправданы ли $16.90 за минуту монтажа или $9.00 за минуту преобразования текста в видео перед советом директоров, где текущий лидер берёт $12.00 и превосходит его в обеих задачах. Девятое и двадцатое места — достойные позиции в середине поля. Но это не причина выбирать предыдущее поколение.

Если результат должен представлять собой утверждение о уже имеющемся у вас видеоматериале, то WeMM-Video-35B-A3B — единственная из двух моделей, которая его выдаёт, и решение сводится к тому, сможете ли вы потянуть пропатченный движок инференса, загрузку на 67,39 GiB или FP8-вариант на 36,09 GiB, две GPU с тензорным параллелизмом и восьмисекундное окно сэмплирования, — чтобы получить модель-описатель класса 36B, чьи аудиовизуальные показатели сильны и полностью собственные.

Ловушка — считать «Elo 1 074 по 22 754 голосам» и «86,4 на Video-MME с аудио» соизмеримыми. Одно — это краудсорсинговое измерение сервиса, к которому может обратиться кто угодно. Другое — таблица от вендора о чекпоинте, в котором до сегодняшнего утра не было весов. И то и другое стоит прочитать. Но только одно из них — доказательство.