
WeMM-Video-4B против HiDream-O1-Video-1.0: два вида узкой специализации
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 182 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 356 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 147 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
HiDream-O1-Video-1.0 и WeMM-Video-4B обе заявляют о себе больше, чем демонстрируют на деле. В релизе HiDream к запуску рекламируется модель, которая принимает текст, изображения и видео и возвращает от пяти до двадцати секунд видеоматериала в 1080p с синхронизированным звуком; API, описанный в документации, принимает ровно одно опорное изображение и необязательный промпт. WeMM-Video-4B принимает текст, изображения, видео и аудио и возвращает текст — и это соответствует действительности; при этом модель нигде не обслуживается, так что то, что она принимает в теории, вы получите только после доработки собственного движка вывода. Одну сужает её контракт обслуживания, другую — полное отсутствие такого контракта. Вот и всё сравнение, а всё ниже — подробности, которые на нём держатся.
Ни одну из этих моделей нельзя вызвать сегодня в том режиме, который подчёркивается в её статье. Насколько это важно, зависит от того, какую половину разрыва вы можете закрыть сами, и это вопрос лицензий и GPU, а не качества.
Строка и версия, на которой она находится
Для HiDream-O1-Video-1.0 есть независимое измерение. По состоянию на 20 ноября 2026 года, в таблице лидеров AA-Video-I2V v2.1 она занимает 14-е место с рейтингом Elo 1 101 при 95-процентном интервале ±14, то есть в диапазоне от 1 087 до 1 115, по итогам 6 976 голосов; указана как релиз августа 2026 года, стоимость — $5.80 за минуту сгенерированного видео.
Шесть недель назад, на доске v1.0, та же модель была шестой с результатом 1 175 ±10 по итогам 3 231 голоса. При невнимательном чтении это выглядит как обвал. Но это не так, и причину стоит назвать прямо, потому что это самая распространённая ошибка при работе с этими досками: v1.0 и v2.1 — разные инструменты с разными шкалами Elo, разными пулами голосов и разной таксономией. Балл не переносится между ними, поэтому расстояние между 1 175 и 1 101 не является мерой того, насколько хуже стала модель. То, что действительно изменилось, реально — 14-е место хуже 6-го по правилам текущей доски — но арифметики, которая их связывает, не существует.
WeMM-Video-4B не представлена ни в одном лидерборде, и это отсутствие структурное, а не заявка, ожидающая рассмотрения. AI-видеолидерборды ранжируют сгенерированные видеоматериалы. Модель, которая распознаёт видео и пишет предложения, нельзя включить в голосование между двумя клипами. Пока не существует омнимодальной арены для понимания видео, все показатели WeMM-Video-4B — собственные показатели Tencent.
Что на самом деле принимает API HiDream
Поверхность сервинга документирована, и она узкая — в тех аспектах, которые напрямую соответствуют заявлениям о запуске.
• Ввод — ровно одно референсное изображение, переданное в виде публичного URL или Base64 размером от 40 КБ до 20 МБ. Промпт необязателен и по умолчанию пуст. В анонсе видео указано среди входных данных модели; в схеме запроса для него нет поля.
• Разрешение — без селектора. Результат сохраняет соотношение сторон референсного изображения. На заявленные в анонсе 1080p нельзя повлиять из запроса.
• Длительность — один логический параметр, force_10s, по умолчанию false. Если оставить false, выбор делает модель; если установить true, получите десять секунд. У заявленного диапазона от пяти до двадцати секунд нет числового поля.
• Аудио — не предоставляется ни параметр входного аудио, ни параметр генерации аудио, несмотря на нативное синхронизированное аудио, описанное в релизе.
• Контракт результата — асинхронный. Вы отправляете запрос, получаете task_id, после чего опрашиваете статус. result.status = 1 означает, что каждая подзадача достигла терминального состояния, а не то, что генерация успешно завершилась; успех — это sub_task_results[].task_status = 1, где 3 — сбой генерации, а 4 — проверка безопасности.
Итак, модель, которую можно вызвать, — это аниматор изображений с двумя режимами длительности. Модель, описанная в релизе, — это единый генератор текста, видео и аудио с планируемой длительностью. Оба утверждения задокументированы одной и той же компанией, и разница между ними — это дорожная карта, а не противоречие.
Что WeMM-Video-4B просит вас создать
У другой стороны нет обязательства быть узкой, потому что нет конечной точки. WeMM-Video-4B — это 5 611 746 312 параметров — 10,45 ГиБ весов BF16 — выпущенная под Apache 2.0 модель в семействе из четырёх размеров, все из которых появились в течение девятнадцатиминутного окна 17 ноября 2026 года, а технический отчёт arXiv 2611.26409 последовал 19 ноября.
Чтобы заставить её отвечать, требуется работа, которую пользователи HiDream никогда не видят. Ни vLLM, ни SGLang не поддерживают эту архитектуру в upstream; репозиторий поставляет патчи-наложения исходного кода для четырёх конкретных upstream-релизов — vLLM 0.18.0 и 0.31.0, SGLang 0.5.16 и 0.5.19 — каждый привязан к определённой комбинации PyTorch, Transformers и CUDA 12.9, а также требует Python 3.12, FFmpeg и инструментальную цепочку C++ плюс Ninja для компиляции ядер SGLang при первом использовании. Пакет GGUF собран для нативного рантайма, который вы компилируете из репозитория, а не для llama.cpp, и Tencent помечает его как exported_unvalidated.
Что вы получаете за это — дескрайбер с необычайно большим аудиостеком: 4,21 млрд параметров языковой модели на основе Qwen3.5-4B, 0,33 млрд — визуальная башня и 1,07 млрд — аудиоэнкодер-декодер в стиле Whisper, подающий данные в Q-Former со скоростью 10 токенов в секунду. Почти пятая часть чекпоинта — это уши, поэтому именно его совместные аудиовизуальные оценки и представляют интерес.
Режимы, в которых сравнивается каждая модель
Здесь уместно противопоставлять не «что лучше», а «какой режим вам реально доступен», и эти два ответа приводят в разные места.
• HiDream-O1-Video-1.0 — доступный режим: изображение в видео, один опорный кадр, фиксированное соотношение сторон, десять секунд или на усмотрение модели, без управления звуком. Режим с оценкой: изображение в видео. Табло и API согласуются.
• WeMM-Video-4B — доступный режим: видео со звуковой дорожкой на входе, текст на выходе, при 16 выбранных кадрах и 8 192 токенах в исходной поставке. Режим оценки: в статье сообщается режим Thinking для видео-таблиц, Instruct для аудио-таблицы и снова Thinking для изображений и текста, при этом не указывается использованное количество кадров или длина контекста.
• Оба — по данным производителя, там, где число вообще есть, и ни одна третья сторона не воспроизвела ни то, ни другое. Преимущество HiDream в том, что за одну конфигурацию голосовали люди, которые не работают в HiDream.


Аудиовопрос, на который может ответить только одна сторона
HiDream генерирует аудио, а WeMM-Video-4B его понимает. В списке возможностей это звучит как одна и та же функция, но это не так, и для команды, строящей пайплайн, именно это различие определяет, какая из них вообще имеет значение.
Со стороны генерации релиз HiDream описывает единый процесс, который моделирует текст, видео и аудио вместе, а не добавляет звук постфактум, поэтому движение губ, окружающая обстановка и физические действия используют общую временную шкалу. Можно ли этим управлять — отдельный вопрос: в задокументированном запросе не предусмотрено аудиопараметра, а в анонсе не публикуется количество дорожек, поэтому то, что диалоги, музыка и эффекты являются отдельными стемами, не подтверждено по обоим пунктам.
Что касается понимания, WeMM-Video-4B набирает 83,9 на Video-MME с аудио против 77,3 у Qwen3-Omni-30B-A3B-Instruct и 69,2 у MiniCPM-o-4.5-9B, а также 82,5 на Daily-Omni против 70,7 и 80,2. Он проигрывает чисто аудиобенчмарки проприетарной flash-модели — MMAU 75,2 против 80,4, MMAR 67,3 против 74,0 — с одной победой на MMAU-Pro: 68,1 против 64,8. Это цифры Tencent из таблицы 2, полученные в режиме Thinking, и никто за пределами лаборатории их не повторил.
Так что честный вывод таков: одна модель создаёт звук, который пока нельзя проверить, а другая проверяет звук, который приходится предоставлять. Ни одна из них не является тем аудиоинструментом, который нужен производственному конвейеру, пока у первой не появится аудиопараметр, а у второй — хост.
Где роутер помогает, а где — нет
OrcaRouter не обслуживает ни одну из этих моделей. Эндпоинта WeMM нет — в каталоге отсутствует чекпоинт WeMM — и маршрута HiDream тоже нет; HiDream-O1-Video-1.0 доступна через собственную платформу HiDream и несколько сторонних платформ. Ничто ниже не является утверждением, что мы размещаем у себя какую-либо из них.
Место, где роутер оправдывает себя в этом противостоянии, — это сама миграция, и инструмент для этого — DSL маршрутизации, а не список моделей. Обе эти модели находятся за поверхностью обслуживания, которая явно носит временный характер: одна представляет собой превью с одним входом и двухсостоятельным флагом терминала, другая — наложение исходников, привязанное к конкретным вышестоящим релизам, — и стек, который жёстко зашивает любое из этого, — это стек, который ломается на чьём-то ещё примечании к релизу. Политика маршрутизации, которая называет основной и резервный вариант и которая может сравнивать две модели внутри одного запроса, а не двух интеграций, превращает этот риск в конфигурацию. Это работает через одну конечную точку, совместимую с OpenAI, по более чем двумстам моделям по прейскурантным ценам провайдера, передаваемым с наценкой 0%, так что изменение цены поставщика вступает в силу в тот же день. Для части рабочей нагрузки WeMM, связанной только со зрением, Qwen3-VL-235B-A22B-Thinking и Qwen3-VL-8B-Thinking теперь оба есть на платформе — что является обходным путём отсутствующего omni-чекпоинта, а не заменой его аудиобашни.

С какой узостью вы готовы мириться?
Если вам нужны видеоматериалы в этом квартале и достаточно одного референсного изображения, то HiDream-O1-Video-1.0 — единственный из двух с вызываемой конечной точкой, а его ограничения задокументированы достаточно подробно, чтобы интегрироваться с ним за один день. Заложите бюджет $5.80 в минуту, рассчитывайте на десять секунд или на выбор модели и смотрите на статус подзадачи, а не на терминальный флаг.
Если вам нужно знать, что содержится в уже имеющихся у вас видеоматериалах — включая то, что в них говорится, — WeMM-Video-4B — единственный из двух, способный ответить, а плата за вход — пропатченный движок инференса, контрольная точка на 10,45 ГиБ и бюджет выборки в 16 кадров, который следует настроить, прежде чем доверять результату по длинному видео.
Чего не даёт ни одна из них — так это того, что обычно обещает страница сравнения: общей задачи, по которой их можно было бы ранжировать. Это не два ответа на один вопрос. Это две модели, у которых публично доступная часть в обоих случаях меньше, чем в их статьях, и полезное инженерное суждение состоит в том, какой из этих разрывов вы сможете закрыть собственным железом.
Сравнение в этой статье1
Определено по этой статье
