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


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.

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.
