Титульная карточка с надписью «WeMM-Video-4B vs FLUX 3 Video» и подзаголовком «Распознай клип или создай свой», две панели, разделённые диском «vs», слева значок «открытые веса» и указано $0,00 в минуту, 5,61 млрд параметров и контекст 8 192 токена, справа значок «по тарифу» и указано $17,40 в минуту, до 20 секунд и 10-е место в AA-Video-T2V v2.1, внизу подпись «Данные Artificial Analysis по состоянию на 20 ноября 2026 г.»
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video: распознать клип или создать свой

Автор

jinhao.song

Дата публикации

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

Самый быстрый способ впустую потратить полдня — это сравнить WeMM-Video-4B с FLUX 3 Video по качеству. У одного из них есть число, а у другого нет, и это число — не оценка качества, а цена. FLUX 3 Video от Black Forest Labs стал общедоступным 4 августа 2026 года с опубликованной ценой за минуту и строками в обеих видеотаблицах Artificial Analysis. WeMM-Video-4B от группы WeChat Vision компании Tencent появился 17 ноября 2026 года в виде десяти с половиной гигабайт весов Apache-2.0 — без эндпоинта, без цены и вообще без записи в таблице лидеров. Вы выбираете между платным генератором с тарификацией и бесплатным описателем, и честное сравнение состоит в том, чего именно не хватает вашему конвейеру.

Остальная часть статьи разграничивает три вида фактов: то, что утверждают репозитории и два совета, то, что поставщики заявляют в собственных статьях и документации, и то, что никто за пределами обеих лабораторий не проверял. По состоянию на 20 ноября 2026 года на эту третью категорию приходится большая часть интересного материала.

Один входит в два совета, а другой — ни в один.

Artificial Analysis оценивает FLUX 3 Video дважды, причём эти две оценки относятся к разным шкалам, поэтому ни одна из них не переносится на другую.

• AA-Video-T2V v2.1 — FLUX 3 Video занимает 10-е место, Elo 1,137 ±13 по 7,406 голосам, указана цена $17.40 за минуту. Более крупная FLUX 3 Video Max занимает 7-е место с показателем 1,151 ±14 по 4,708 голосам по $8.70 за минуту — необычный случай, когда более крупная модель оказывается дешевле в рейтинге.

• AA-Video-I2V v2.1 — FLUX 3 Video на 16-м месте с результатом 1 069 ±14 по итогам 6 838 голосов, при той же цене $17,40. FLUX 3 Video Max — на 17-м месте с результатом 1 068 ±14 по итогам 6 848 голосов при цене $8,70.

• WeMM-Video-4B — ни в одной из таблиц нет строки, и нет строки в таблице видеомонтажа. Это не пропущенное измерение; её нельзя внести. Видеотаблицы AA ранжируют сгенерированные видеоматериалы, а WeMM-Video-4B не генерирует ни одного.

Читайте интервалы, а не ранги. Шестьдесят восемь баллов разделяют два места FLUX 3 Video в таблицах текст-в-видео и изображение-в-видео — это пять интервалов, — и в этом заключается полезный факт о модели, оценённой по двум инструментам, которые не переводятся друг в друга: перед нами компетентный генератор, чья позиция зависит от того, какую задачу ему поставить. Это пусть скромное, но реальное независимое измерение — и это больше того, что есть у другой стороны этого противостояния.

Что можно купить за $17.40 в минуту

FLUX 3 Video — мультимодальный генератор с более широким списком входных данных, чем показывает любая отдельная строка таблицы. Текстовые промпты, неподвижное изображение в качестве первого кадра, видео для video-to-video и продолжения, а также ключевые кадры для управляемых переходов. Длительность — до 20 секунд за одну генерацию, при этом 5–20 секунд для text-to-video и image-to-video и 5–15 для продолжения. Разрешение продаётся диапазонами пикселей, а не соотношениями сторон — HD около одного мегапикселя на кадр, FHD — два, QHD/2K — четыре, UHD/4K — восемь. Нативное аудио с многоязычными диалогами, синхронизированной речью, звуковыми эффектами и атмосферой опционально и включено в цену за секунду.

• Draft HD — 0,06 доллара за секунду. Пятисекундный тестовый клип стоит тридцать центов.

• HD / 720p — $0,17 за секунду или около $0,85 за пять секунд.

• FHD / 1080p — $0,29 за секунду. QHD/2K — $0,40, UHD/4K — $0,80.

• Видео-в-видео и продолжение — $0.12 за черновик, $0.41–$0.43 за HD, $0.53–$0.54 за FHD, $0.65 за 2K и $0.95 за 4K.

Тариф совета в $17.40 за минуту — это нормализованный показатель для 1080p, поэтому он не укладывается ровно в эту карточку. Это единица сравнения, а не чек. В нескольких сторонних сводках также сообщается, что диапазоны 2K и 4K внедряются постепенно, а не являются общедоступными, поэтому верхнюю часть карточки следует рассматривать как вопрос уровня аккаунта.

Что WeMM-Video-4B даёт вам бесплатно

Другая сторона этого сравнения ничего не стоит за вызов, и её вообще нельзя купить. WeMM-Video-4B — это 5,611,746,312 параметров — 10.45 ГиБ в BF16 — в репозитории, названном по её языковому бэкбону Qwen3.5-4B, а не по фактическому размеру. Весь смысл именно в избытке: 4.21 млрд параметров языковой модели, 0.33 млрд — визуальной башни и 1.07 млрд — аудиостека в стиле Whisper с Q-Former, выдающим 10 аудиотокенов в секунду из 16-кГц аудио фрагментами по 30 секунд.

Модель принимает текст, изображения, видео и видео с оригинальной звуковой дорожкой, а возвращает текст. В совместной аудиовизуальной таблице авторов она превосходит Qwen3-Omni-30B-A3B-Instruct на Video-MME со звуком — 83,9 против 77,3 — и на Video-MME v2 — 48,1 против 36,3. На немом видео она лидирует в LVBench — 65,3 против 50,2 — и в LongVideoBench — 74,8 против 63,5. В сравнении с Qwen3.5-Omni-Flash она проигрывает по аудиобенчмаркам — MMAU 75,2 против 80,4, MMAR 67,3 против 74,0 — и уступает по OCRBench 85,7 против 89,1 и GPQA 73,2 против 76,4.

Каждый из этих показателей — собственное измерение Tencent. В статье говорится, что она приводит официальные результаты там, где они доступны, а в остальных случаях — собственные оценки, и ни одна третья сторона не воспроизвела ни одну строку. Количество кадров, бюджеты пикселей и длина контекста для прогонов бенчмарка не указаны — а это важно, поскольку поставляемый рецепт vLLM ограничивает видео 16 кадрами и 262 144 суммарными пикселями при значении по умолчанию для процессора в 128 кадров.

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

Двое часов, которые никогда не встречаются

Ни одна из моделей не может заменить другую, и оба ограничения, которые делают это верным, — это бюджеты, а не возможности.

• Бюджет вывода — FLUX 3 Video создаёт до 20 секунд видеоматериала за вызов с разрешением до 4K и со звуком. WeMM-Video-4B вообще не создаёт кадров, поэтому её бюджет вывода — это бюджет токенов: 8,192 токена на запрос в текущей конфигурации, причём аудио потребляет 10 токенов в секунду до подсчёта кадров.

• Лимит входных данных — WeMM-Video-4B принимает четыре изображения, два видео и два аудиоэлемента на запрос, при 2 кадрах в секунду с ограничением в 16 кадров. FLUX 3 Video принимает промпт, один первый кадр, одно референсное видео или набор ключевых кадров и никаких аудиовходов любого рода.

• Характер затрат — FLUX 3 Video тарифицирует за каждую секунду выходного видео, поэтому затраты растут вместе с амбициями. WeMM-Video-4B тарифицирует по GPU-часу вашего собственного оборудования, поэтому затраты зависят от размера батча и не зависят от длительности исходного клипа — только от того, сколько кадров сохраняется после сэмплирования.

• Лицензия — Apache 2.0 для коллекции WeMM, с недетализированным исключением для сторонних компонентов; коммерческий API с хостингом на стороне FLUX, без опубликованных весов.

Проще говоря: один — это расход за каждую секунду со счётчиком, другой — фиксированные капитальные затраты с бумагой. Команда, которой нужен готовый кадр, не может использовать WeMM-Video-4B, а команда, которой нужен доступный для поиска индекс десяти тысяч существующих клипов, не может использовать FLUX 3 Video — не потому, что он дорогой, а потому, что он не умеет отвечать на вопрос о материале, который не создавал.

Звук — это та область, где сравнение даёт осечку.

FLUX 3 Video генерирует аудио. WeMM-Video-4B понимает аудио. Это разные возможности, которые звучат похоже в списке функций, и эта разница определяет выбор пайплайна.

Аудио FLUX — это результат генерации: многоязычные диалоги, синхронизированная речь, звуковые эффекты и эмбиент, опционально и включено в цену за секунду. Чего Black Forest Labs не публикует — это количество дорожек, поэтому если вам нужны диалоги, музыка и эффекты в виде отдельных стемов, ни тарифная сетка, ни документация не говорят, получите ли вы их. Заложите в бюджет второй проход в DAW.

Аудио WeMM — это входной путь: башня с 1,07 млрд параметров, которая превращает звуковую дорожку в 10 токенов в секунду и объединяет их с визуальными токенами в хронологическом порядке, с явными текстовыми временными метками. Именно это измеряют 83,9 на Video-MME с аудио и 75,2 на MMAU — насколько хорошо она слышит, а не насколько хорошо говорит.

Итак, рабочий процесс, который пишет сцену, рендерит её со звуком, а затем должен понять, действительно ли сработал диалог, требует обе половины, и ни одна модель не покрывает половину другой. Это единственное место в этом противостоянии, где две модели по-настоящему дополняют друг друга, а не просто различаются.

Вопрос маршрутизации, честно сформулированный

OrcaRouter не обслуживает ни одну из этих моделей. Эндпоинта WeMM-Video-4B не существует — в каталоге платформы вообще нет чекпоинта WeMM — и маршрута FLUX 3 Video тоже нет. FLUX 3 Video доступна через собственный API Black Forest Labs и несколько сторонних платформ; WeMM-Video-4B можно скачать вместе с пропатченным оверлеем для vLLM или SGLang, поскольку ни один из этих движков не поддерживает эту архитектуру в upstream.

Что платформа действительно охватывает — так это текстовый слой, окружающий любой из этих рабочих процессов, и в этом сравнении полезной частью является слияние моделей, а не просто маршрутизация. Решение «стоит ли сохранять этот клип» — это вопрос суждения, и объединённый вызов, который ставит дешёвый классификатор и дорогую модель-рассуждатель на один и тот же промпт, может вынести его за долю стоимости запуска дорогой модели на каждом кандидате. Это работает на одном ключе, совместимом с OpenAI для более чем 200 моделей, по прайс-листовым ценам провайдеров с наценкой 0%, поэтому когда поставщик снижает цену, снижение действует в тот же день, а не в следующем расчётном периоде. Что касается конкретно vision-части работы WeMM, Qwen3-VL-235B-A22B-Thinking и Qwen3-VL-8B-Thinking обе принимают изображения и видеокадры и уже доступны на платформе сегодня — это обходной путь вокруг отсутствующей omni-модели, а не замена её аудиобашни.

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

Что бы это на самом деле решило?

Три события позволили бы вывести это сравнение из той основанной на данных поставщиков плоскости, на которой оно сейчас находится.

Во-первых, запись WeMM-Video-4B в любом независимом лидерборде. Её нет, и причина структурная, а не конспирологическая: видео-лидерборды AA ранжируют сгенерированные материалы, а модель понимания нельзя заявить. Омнимодальная арена понимания видео — недостающий инструмент, и пока её не существует, каждая цифра WeMM — это лишь слово T​encent.

Во-вторых, релиз весов FLUX 3 Video. Black Forest Labs известна своей репутацией открытых релизов, а у этого чекпоинта нет лицензии для скачивания, поэтому сейчас сравнение идёт между открытой и закрытой моделью — и эту разницу не отражает ни одна строка бенчмарка.

В-третьих, цена хостинга для семейства WeMM. Если совместимый хостинг-провайдер начнёт предоставлять эти веса по прайс-листовой цене провайдера с переданной нулевой наценкой, экономическая сторона этой статьи изменится в течение недели. Это условие, а не текущий факт, и ничто здесь не должно восприниматься как утверждение, что мы его хостим.

Какой из них вам на самом деле нужен

Если требуемый результат — видеоматериал, FLUX 3 Video — единственный из двух, кто может его создать, и решение сводится к тому, приемлема ли цена $0,17 за секунду для 720p по сравнению с альтернативными генераторами в том же рейтинге, — а при 10-м месте в категории text-to-video его цена находится в середине диапазона.

Если результат — это утверждение о видеоматериале, который у вас уже есть, то WeMM-Video-4B — единственный из двух, способный его сформировать, и решение сводится к тому, сможете ли вы задействовать оверлей исходников для vLLM или SGLang и чекпоинт на 10.45 GiB, чтобы получить описатель класса 4B с необычно хорошими показателями на длинных видео.

Ловушка — считать $17.40 и $0.00 одной и той же величиной. Первое — тарифицируемая ставка за услугу; второе — отсутствие услуги. WeMM-Video-4B бесплатен так же, как бесплатен исследовательский релиз: вы платите интеграцией, непроверенными GGUF-пакетами и отсутствием чьего-либо мнения о том, работает ли это.

Сравнение в этой статье1

Определено по этой статье