Титульная карточка с надписью «WeMM-Video-9B vs Alibaba Wan 2.7» и подзаголовком «Счёт и контрольная точка», две панели, разделённые диском с «vs»: левая с меткой «только веса» и перечнем из 9B плотных параметров, 19.54 GiB BF16-шардов, Apache 2.0 и без цены; правая с меткой «тарифицируемый API» и перечнем Elo 1,074 в AA-Video-Editing v1.1 и $16.90 за минуту.
Guides & Insights

WeMM-Video-9B против Alibaba Wan 2.7: счёт и чекпоинт

Автор

jinhao.song

Дата публикации

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

Начните со счёта. Alibaba Wan 2.7 имеет поминутный тариф в двух видео-рейтингах Artificial Analysis и задокументированный диапазон длительности — а значит, это одна из немногих видеомоделей, стоимость которой можно рассчитать ещё до того, как вы напишете хотя бы строку кода. WeMM-Video-9B же вообще не имеет тарифа. Группа WeChat Vision компании Tencent опубликовала её 17 ноября 2026 года в виде девятнадцати с половиной гигабайт весов под лицензией Apache-2.0 — пять шардов BF16, карточка модели и препринт на arXiv под номером 2611.26409 — и после этого ничего не сказала. Ни анонса о запуске, ни страницы с ценами, ни размещённого эндпоинта, ни заявки на рейтинг. Три дня спустя оба репозитория в сумме по-прежнему показывают ноль загрузок. Так что честное сравнение — это не Wan 2.7 против WeMM-Video-9B по качеству; это сервис с поминутной тарификацией против артефакта без цены, и те два числа, которые хотелось бы поставить рядом, отсутствуют — причём по одной и той же причине с обеих сторон.

Всё нижеследующее разделяет три вещи: то, что утверждают документация Wan 2.7 и две таблицы лидеров, то, что заявляют репозиторий и статья WeMM-Video-9B, и то, что никто за пределами обеих лабораторий не воспроизвёл. Именно в третьей категории находится большая часть материалов WeMM-Video-9B, и делать вид, что это не так, — самый быстрый способ сделать этот материал бесполезным.

Wan 2.7 тарифицируется поминутно

Тарифная сетка Alibaba для Wan 2.7 на удивление понятна для видеомодели. Этот набор — продукт с четырьмя режимами: текст-в-видео, изображение-в-видео, референс-в-видео и видеомонтаж, — а цены, указанные в тарифах, представляют собой прямую ставку за минуту, а не кредитную систему, которую приходится реконструировать.

• AA-Video-Editing v1.1 — Wan 2.7 занимает 9-е место с Elo 1 074 ±8 по 22 754 образцам, месяц выпуска — апрель 2026 года, стоимость — $16,90 за минуту. Этот интервал — самый узкий в таблице за пределами топ-3, и именно это дают вам двадцать две тысячи голосов.

• AA-Video-T2V v2.1 — то же семейство фигурирует как Wan2.7-260612 на 20-м месте по Elo 1,035 ±13 на 6 965 образцах, июнь 2026 года, $9.00 за минуту. Тот же поставщик, другая задача, другая цена и Elo, который не преобразуется в оценку редактирования.

• Wan 2.7 вообще отсутствует в таблице «изображение в видео». Wan 3.0 в ней есть — 12-е место с 1,109 — и к этому отсутствию стоит присмотреться внимательно. Это не значит, что Wan 2.7 не умеет анимировать статичное изображение; это значит, что арена не поставила его туда в рейтинг. Набор Alibaba действительно заявляет управление первым и последним ключевыми кадрами, до пяти изображений субъекта и пяти референсных клипов, а также вывод от 720p до 1080p с нативной аудиодорожкой. Возможности, которые таблица не оценивает, всё равно остаются возможностями.

Одно контекстное замечание, важное для планирования бюджета: Wan 2.7 — это предыдущее поколение. Wan 3.0 теперь лидирует и в рейтинге text-to-video (1 176), и в рейтинге редактирования (1 197), а при работе с text-to-video он дешевле из двух — $12.00 за минуту против $9.00 за редактирование у Wan 2.7. Если сегодня вы выбираете модель Alibaba, а не сравниваете их, решение уже продвинулось дальше.

Что на самом деле представляет собой чекпоинт 9B

WeMM-Video-9B не является видеогенератором, и одно это предложение делает большую часть работы в этом сравнении. Это модель понимания видео: вы передаёте ей кадры вместе с оригинальной звуковой дорожкой, а она возвращает текст. Описание, транскрипция, временные рассуждения, ответы на вопросы по уже имеющимся у вас видеоматериалам.

Репозиторий необычайно конкретен в отношении того, что внутри него, и это тот случай, когда тихий релиз лучше громкого. В записи Hugging Face указано 10 488 603 384 параметра в 1 305 тензорах, BF16, 19,54 ГиБ, разделённых на пять шардов. Состав расписан по пунктам: языковая основа на 7,94 млрд, включая 1,02 млрд токенных эмбеддингов, несвязанная выходная голова на 1,02 млрд, аудиобашня в стиле Whisper на 1,08 млрд с 32 слоями шириной 1 280 за двухслойным Q-Former и башня зрения на 0,46 млрд из 27 блоков со скрытой шириной 1 152, размером патча 16 и пространственным объединением 2×2. Языковой стек состоит из 32 слоёв со скрытой размерностью 4 096, 16 голов внимания против 4 голов ключ-значение при размерности головы 256, с гибридным линейным вниманием — один слой полного внимания на каждые три линейных — и 262 144 позиционными эмбеддингами.

На практике это дает вам широкий вход и узкий выход. На вход поступают видео, аудио, изображения и текст. На выходе получается текст — на английском или китайском. В архитектуре нигде нет синтеза кадров, и никакие промпты не заставят его появиться.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

Двое часов, которые не встречаются

Сравнение, которое действительно что-то решает, касается времени и денег, и у обеих сторон есть предел.

• Ограничение Wan 2.7 касается длительности. От двух до пятнадцати секунд на одну генерацию, от 720p до 1080p, оплата посекундно. Пятнадцатисекундный клип в 1080p — известная величина ещё до того, как вы нажмёте «Старт».

• Ограничение WeMM-Video-9B — это контекст. Процессор по умолчанию использует 2 кадра в секунду при минимуме 4 кадра, максимуме 128 кадров и общем бюджете 100 663 296 пикселей. Поставляемый рецепт vLLM переопределяет всё это, снижая до 2 кадр/с и 16 кадров при 262 144 пикселях — примерно восемь секунд покрытия, выбранных из середины клипа. Кроме того, каждая команда обслуживания в репозитории передаёт длину контекста в 8 192 токена, а при десяти аудиотокенах в секунду это около тринадцати минут аудио, если потратить весь бюджет только на звук.

• Несоответствие. Wan 2.7 создаёт пятнадцать секунд видеоматериала. WeMM-Video-9B в поставляемой конфигурации просматривает восемь секунд. Если ваш конвейер генерирует клип, а затем спрашивает модель о том, что в нём произошло, модель-описатель анализирует лишь половину выходного материала. Это не недостаток ни одного из продуктов; это конфигурация, которую необходимо изменить намеренно, и собственный пример в репозитории не меняет её за вас.

Совет, в котором ни один из них не состоит

Структурная проблема этого противостояния, если сказать прямо, такова. Каждая видеотаблица Artificial Analysis ранжирует сгенерированные видеоматериалы. Текст-в-видео, изображение-в-видео, редактирование видео — все три берут модель, которая выводит пиксели, и ранжируют её по попарным человеческим предпочтениям. WeMM-Video-9B выводит токены.

Дело не в том, что WeMM-Video-9B показал плохой результат. Его просто нельзя включить в рейтинг. У Wan 2.7 есть две строки, и в обеих интервалы достаточно узкие, чтобы о них можно было спорить; у WeMM-Video-9B нет ни одной и не будет, пока кто-нибудь не построит арену для понимания видео. А значит, единственное свидетельство качества предмета этой статьи — собственная таблица авторов.

Эта таблица кое-что да значит. В режиме рассуждения на совместных аудиовизуальных задачах 9B-чекпоинт превосходит Qwen3-Omni-30B-A3B-Instruct по 35 из 37 общих показателей — Video-MME с аудио 85,1 против 77,3, Daily-Omni 83,6 против 70,7, SciVideoBench 64,2 против 49,9, OmniReasoningBench 43,9 против 24,1 — и проигрывает ровно по одному, FutureOmni: 53,7 против 55,1. На немом видео по сравнению с собственным бэкбоном Qwen3.5-9B он улучшает результат на F-16-NBA (88,7 против 75,8) и TimeLens, но проигрывает на MLVU, LVBench, VideoVista, VSI-Bench и MVBench. В статье говорится, что приводятся «официальные результаты, где они доступны, а в остальных случаях — наши собственные оценки», что является корректным раскрытием информации и одновременно причиной того, что ни один из этих результатов не является независимым.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

Где применяется OrcaRouter

Ни одна из этих моделей не обслуживается через OrcaRouter, и этот материал не собирается делать вид, что это не так. Wan 2.7 доступна через собственный API Alibaba и несколько сторонних платформ; WeMM-Video-9B можно получить, скачав её.

Что здесь действительно к месту, так это биллинговая часть, потому что команды в итоге сравнивают генератор с описателем именно из-за того, что оба подключаются к одному и тому же конвейеру. OrcaRouter передаёт цену из прайс-листа провайдера с наценкой 0%, а значит, снижение тарифа вендора попадает в ваш счёт в тот же день, когда оно попадает в их счёт, а не тогда, когда перепродавец заново пересматривает цены. Если ставка Wan 2.7 за редактирование в $16.90 станет $12.00, как это произошло с тарифом Wan 3.0, вы увидите это в следующем счёте. Для рабочей нагрузки, где одна часть тарифицируется посекундно, а другая представляет собой чекпоинт, который вы размещаете самостоятельно, то, что тарифицируемая половина учитывается по себестоимости, — это разница между бюджетом, который можно спрогнозировать, и бюджетом, который нельзя.

На какой из них заложить бюджет?

Если конечный результат — это видеоматериал, то Wan 2.7 — единственный из двух, кто способен его создать, и решение сводится к тому, конкурентоспособны ли $16,90 в минуту за монтаж или $9,00 в минуту за преобразование текста в видео на фоне остальных участников таблицы. С 9-м и 20-м местами соответственно он находится в середине поля по обоим показателям.

Если результат — это утверждение о видеоматериале, который у вас уже есть, то WeMM-Video-9B — единственный из двух, кто способен его выдать, и решение сводится к тому, сможете ли вы потянуть установку пропатченного vLLM или SGLang, контрольную точку объемом 19,54 GiB и восьмисекундное окно сэмплирования, чтобы получить описатель класса 9B с действительно сильными аудиовизуальными показателями.

Ловушка в том, чтобы прочитать $16.90 и $0.00 как одну и ту же величину. Одно — это тарифицируемая по факту использования ставка за сервис, который можно вызвать уже сегодня днём. Другое — это отсутствие сервиса, и цена этого отсутствия оплачивается интеграционной работой и тем, что никто за пределами Tencent не сказал вам, верны ли эти цифры.