Титульная карточка с надписью «WeMM-Video-9B vs Hailuo 2.3» и подзаголовком «Шесть беззвучных секунд», две панели, разделённые диском «vs»: слева — панель с заголовком WeMM-Video-9B, значком «открытые веса» и строками «19.54 GiB BF16», «читает 16 кадров при 2 fps», «8 секунд покрытия», «принимает аудиовход», «без оплаты за клип»; справа — панель с заголовком Hailuo 2.3, значком «API с тарификацией» и строками «6 с при 1080p», «10 с при 768p», «беззвучный вывод», «нет управления конечным кадром», «около $0.48 за клип».
Guides & Insights

WeMM-Video-9B против Hailuo 2.3: шесть тихих секунд

Автор

jinhao.song

Дата публикации

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

Обе эти модели подведут вас ровно в одном месте, и это будет одно и то же место. Hailuo 2.3 генерирует шесть секунд видео в разрешении 1080p и вообще без звука. WeMM-Video-9B читает шестнадцать кадров, выбранных из видео, что при штатной частоте дискретизации соответствует примерно восьми секундам покрытия, и возвращает текст. Ни одна из них не является видеосистемой общего назначения, и ни одна не значится в таблице лидеров, на которую можно сослаться. M​iniMax выпустила Hailuo 2.3 в апреле 2026 года и с тех пор перешла к модели, которая действительно появляется в этих таблицах; группа WeChat Vision компании T​encent выложила WeMM-Video-9B на Hugging Face 17 ноября 2026 года без анонса, без эндпоинта и без цены. В итоге остаются два релиза, каждый из которых по-своему представляет собой ограниченный инструмент, — а самое интересное заключается именно в границе.

Замечание об источниках — прежде всего, потому что этот материал на них опирается. Цифры Hailuo 2.3 взяты из {{1}}собственного прайс-листа и документации M​iniMax, а также сторонних трекеров посекундной тарификации{{/1}}, поскольку у модели нет независимого Elo. Цифры WeMM-Video-9B взяты из {{2}}манифестов репозитория, карточки модели и arXiv 2611.26409{{/2}}. Ничто здесь не было воспроизведено за пределами лабораторий, опубликовавших это, а там, где показатель указан поставщиком, в тексте это отмечено.

Шесть секунд — это не значение по умолчанию.

Ограничение длительности Hailuo 2.3 — это обученное свойство, а не настройка. Шесть секунд при 1080p. Десять секунд, если снизить разрешение до 768p. Здесь нет управления конечным кадром, поэтому вы не можете потребовать, чтобы модель пришла к конкретной финальной композиции так, как это возможно с keyframe-моделью, и нативной звуковой дорожки нет вообще — на выходе получается беззвучный результат, а любой нужный звук придётся добавлять на последующих этапах или генерировать отдельно.

Ценообразование основано на предоплаченных баллах, а не на опубликованной ставке за секунду, что делает сравнение стоимости сложнее, чем должно быть. Шесть секунд при 768p на стандартном тарифе — это один балл; десять секунд при 768p или шесть секунд при 1080p — два. Вариант Fast оценивается примерно в 0,7 балла для короткого случая и в 1,1–1,3 для длинного. Сторонние трекеры, пересчитавшие это в доллары, указывают около $0.08 за секунду или примерно $0.48 за шестисекундный клип.

• Длительность — Hailuo 2.3: 6 с при 1080p, 10 с при 768p. WeMM-Video-9B: длительность выходного видео не указана, поскольку видео не создаётся.

• Аудио — Hailuo 2.3: отсутствует, вывод без звука. WeMM-Video-9B: модуль в стиле Whisper с 1,08 млрд параметров, который расшифровывает и анализирует предоставленную вами звуковую дорожку.

• Управление — Hailuo 2.3: без обусловливания по конечному кадру. WeMM-Video-9B: настраиваемое число кадров от 4 до 128, по умолчанию — выборка с частотой 2 кадра/с.

То, в чём Hailuo 2.3 действительно хорош, — это то, о чём говорят его пользователи: кинематографичные движения камеры, человеческая моторика и микромимика, а также стилизованная, близкая к анимации эстетика, которая выглядит убедительнее, чем у большинства моделей, в нефотореалистичных задачах. Это настоящее преимущество, и его нельзя измерить в таблице лидеров, отчасти поэтому модель никогда в ней не появлялась.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

На доске нет строки ни для одного из них.

По состоянию на 20 ноября 2026 года все три видеолидерборда Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1 и AA-Video-Editing v1.1 — не показывают ничего для Hailuo 2.3. Не низкое место. Просто отсутствие в списке.

У этого отсутствия две разные причины, и их стоит разделить. WeMM-Video-9B невозможно включить в рейтинг: таблицы оценивают сгенерированные видеоматериалы по попарным предпочтениям, а модели, которая выдаёт токены, нечего отправить на оценку. Hailuo 2.3 в принципе можно было бы ранжировать, но этого так и не сделали — выход в 1080p, который оценщик мог бы посмотреть, и при этом ни заявки, ни строки о цене, ни количества образцов.

Итак, единственное качественное свидетельство в этом противостоянии находится на стороне, где нет продукта. В статье о WeMM-Video-9B сообщается, что в режиме размышления на совместных аудиовизуальных бенчмарках модель одерживает победы над Qwen3-Omni-30B-A3B-Instruct по 35 из 37 общих показателей — Video-MME со звуком 85,1 против 77,3, Daily-Omni 83,6 против 70,7, EvaOmni 50,7 против 26,1 — и терпит одно поражение: FutureOmni 53,7 против 55,1. По сравнению с собственным бэкбоном Qwen3.5-9B на немом видео она выигрывает на F-16-NBA и TimeLens и проигрывает на MLVU, LVBench, VideoVista и MVBench. Всё это — собственный тестовый стенд авторов, что прямо указано в статье.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

Поколение после Hailuo 2.3

Hailuo 2.3 — не текущая модель M​iniMax, и делать вид, что это не так, было бы медвежьей услугой для всех, кто планирует бюджет на этот квартал. Преемник, M​iniMax H3, был выпущен 31 июля 2026 года и действительно фигурирует в рейтингах.

• AA-Video-T2V v2.1 — M​iniMax H3 при 768p занимает 3-е место с рейтингом Elo 1 161 ±13 на 8 386 образцах, в каталоге с июля 2026 года по цене $4,80 за минуту.

• AA-Video-I2V v2.1 — 5-е место с Elo 1 134 ±14 на 6 594 образцах, тот же показатель.

• AA-Video-Editing v1.1 — 6-е место при Elo 1 126 ±10 на 9 688 образцах, 9,60 доллара США в минуту.

Третье место по text-to-video и пятое по image-to-video при $4,80 в минуту — это совсем другой разговор, чем у Hailuo 2.3 с его внерейтинговым, оценённым в баллах шестисекундным предложением. Если вы выбираете модель MiniMax, а не сравниваете одну с другой, H3 уже выиграл этот спор внутри собственной линейки вендора.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Почему эти восемь секунд значат больше, чем кажется

Поставляемый рецепт WeMM-Video-9B переопределяет собственные щедрые настройки процессора по умолчанию — 2 кадра/с, минимум 4 кадра, максимум 128, бюджет в 100 663 296 пикселей — снижая их до 2 кадров/с и 16 кадров при 262 144 пикселях, с выборкой около середины клипа. Шестнадцать кадров при частоте два кадра в секунду — это восемь секунд покрытия, и покрытие начинается с середины.

Если поставить это рядом с шестью секундами Hailuo 2.3, кое-что проясняется. В одном смысле Hailuo 2.3 создаёт меньше видеоматериала, чем WeMM-Video-9B способен просмотреть: шестисекундный клип Hailuo помещается в окно описателя с большим запасом. Но десятисекундный режим 768p — нет, как и всё, что вы сгенерировали бы с помощью другой модели и затем передали WeMM-Video-9B на проверку. Видеосторона конвейера ограничена примерно восемью секундами, тогда как аудиосторона может вместить около тринадцати минут при десяти токенах в секунду, и каждая команда обслуживания в репозитории задаёт длину контекста в 8 192 токена, что делает эту асимметрию определяющим ограничением.

• Если вы генерируете — Hailuo 2.3 даёт вам шесть секунд, без звука, с сильным движением камеры и детальной проработкой людей.

• Если вы проводите обзор — WeMM-Video-9B предоставляет вам восемь секунд выборочных кадров и полную аудиодорожку с описанием на английском или китайском языке.

• Стык — шестисекундная тихая генерация находится внутри обоих окон; это единственная конфигурация, в которой данное сочетание является чистым.

Аварийное переключение — это та часть, которая не является теоретической.

Ни одна из моделей не обслуживается через OrcaRouter, и это указано здесь, а не спрятано. Hailuo 2.3 доступна через собственную платформу M​iniMax и несколько сторонних платформ; WeMM-Video-9B доступна путём загрузки 19,54 ГиБ весов под лицензией Apache-2.0.

Для конвейера, в котором сочетаются генератор и описатель, важно то, что происходит, когда одно из звеньев отказывает. Аварийное переключение OrcaRouter обходит модель, которая ограничена по частоте запросов или возвращает ошибки, так что вызывающей стороне не приходится переписывать свой клиент, а DSL маршрутизации позволяет выразить это как политику, а не как нагромождение логики повторных попыток. Для рабочей нагрузки, где этап описания — это локальный чекпойнт, а этап генерации — хостируемый API, именно хостируемая половина и падает — и возможность переключиться при сбое на сопоставимую модель вместо провала задачи стоит больше, чем незначительная разница в цене.

Шести секунд либо достаточно, либо нет.

Если результат — шесть секунд беззвучного, уверенно кинематографичного 1080p, Hailuo 2.3 справляется с этим, и единственный реальный вопрос — выгоднее ли цена в баллах посекундных альтернатив для нужного вам объёма. Проверьте тариф на десять секунд в 768p, прежде чем остановиться на коротком; стоимость в баллах удваивается, а не посекундная ставка.

Если результат — письменный отчёт по видеоматериалу, WeMM-Video-9B справляется с этим с лучшими аудиовизуальными показателями в семействе, и ни один из них не имеет независимого подтверждения. Закладывайте время на установку пропатченного vLLM или SGLang и на то, что вы будете первым человеком за пределами T​encent, кто запустит это в боевых условиях.

Ни то, ни другое не является универсальной видеоплатформой. Это два узкоспециализированных инструмента с преимуществом в восемь и шесть секунд, и выбор между ними — это вопрос о том, какое из этих преимуществ вы можете себе позволить использовать.