Титульная карточка с надписью «WeMM-Video-9B vs HiDream-O1-Video-1.0» и подзаголовком «Две узкие талии», две панели, разделённые диском с «vs»: слева заголовок WeMM-Video-9B со значком «открытые веса» и строками «нет Elo, нет таблицы лидеров», «читает видео, возвращает текст», «19,54 ГиБ BF16», «Apache 2.0», «не анонсировано»; справа заголовок HiDream-O1-Video-1.0 со значком «API с тарификацией» и строками «Elo 1 101, 14-е место», «6 976 голосов», «5,80 $ в минуту», «одно референсное изображение», «максимум 10 с».
Guides & Insights

WeMM-Video-9B vs HiDream-O1-Video-1.0: две узкие талии

Автор

jinhao.song

Дата публикации

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

Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — T​encent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.

Поэтому следующее сравнение — не о возможностях. Оно о том, какое ограничение можно обойти на уровне проектирования, и ответ, как выясняется, зависит от того, предпочтете ли вы платить за документированный потолок или хостить недокументированный.

Что говорится в документе и что принимает API

HiDream-O1-Video-1.0 вышел 28 августа 2026 года, а 10 сентября попал в таблицу лидеров «изображение — видео». Анонс производителя обещает многое: ввод текста, изображений и видео, от пяти до двадцати секунд выходного видео в 1080p, нативно синхронизированный звук, длительность, планируемую по сюжету, и учёт физических ограничений.

API HiHarness не отличается широтой. Он принимает одно референсное изображение — URL или Base64, размером не более 20 МБ и не менее 40 КБ — плюс необязательный текстовый промпт и булево значение force_10s. Выбора разрешения нет. Поля для референсного видео нет. Управления аудио нет. Если вам нужно пять секунд, вы получите десять; если вам нужно двадцать, вы получите десять. Разрыв между статьёй и эндпоинтом — самый конкретный факт об этой модели и тот, который с наибольшей вероятностью заставит изменить вашу архитектуру.

• Ввод — HiDream-O1-Video-1.0: одно референсное изображение плюс необязательный промпт. WeMM-Video-9B: видео, аудио, изображения и текст, до четырёх изображений, двух видео и двух аудиоклипов на запрос.

• Вывод — HiDream-O1-Video-1.0: видео 1080p с синхронизированным звуком, десять секунд на практике. WeMM-Video-9B: текст на английском или китайском.

• Ограничение — HiDream-O1-Video-1.0: API-интерфейс. WeMM-Video-9B: готовый рецепт сэмплирования, 16 кадров при 2 fps.

Two-column scoreboard headed 'WeMM-Video-9B vs HiDream-O1-Video-1.0 — the scoreboard', six shared dimensions in rows: Price ('$0.00, no endpoint' against '$5.80 per minute'), Board position ('none, unrankable' against 'Elo 1,101, I2V rank 14'), Input ('video, audio, images' against 'one reference image'), Output length ('text only' against '10 s in practice'), Audio ('reads the soundtrack' against 'synchronised in-pass'), Release ('17 Nov 2026' against '28 Aug 2026'), with a footer reading 'Artificial Analysis AA-Video-I2V v2.1 read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

Одна строка доски, одна пустая клетка

У HiDream-O1-Video-1.0 есть ровно одно независимое измерение, и это хорошее измерение, с которым можно поспорить.

• AA-Video-I2V v2.1 — 14-е место с Elo 1 101 ±14 на 6 976 образцах, выпуск в августе 2026 года, $5,80 за минуту. Это узкий интервал на большой выборке, и он находится между Wan 3.0 с 1 109 и Agnes-Video-2.5 с 1 105 — в плотной полосе, где четырнадцать пунктов — это один интервал.

• Отсутствует в AA-Video-T2V v2.1 и AA-Video-Editing v1.1. Отсутствие функции «текст-в-видео» — самое интересное, ведь в анонсе самого поставщика на первом месте стоит текстовый ввод. У модели без строки «текст-в-видео» и без поля референсного видео история «текст-в-видео» существует только в описании.

• WeMM-Video-9B — нет ни одной строки ни в одной из трёх таблиц, по структурной причине: все три ранжируют сгенерированные видеоматериалы, а он не генерирует ни одного. Пустая ячейка, а не низкая оценка.

При цене $5.80 за минуту HiDream-O1-Video-1.0 — один из самых доступных вариантов в категории «изображение в видео». Среди представленных в рейтинге моделей дешевле только Pika H3 Flex за $2.10, HeyGen Video 1 за $2.40, Agnes-Video-2.5 за $2.40, Vidu Q4 Preview за $5.04 и P-Video-2-Pro за $5.70, при этом она обходит несколько моделей, которые стоят в три-четыре раза дороже.

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 per-minute price, including HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 over 6,976 samples at $5.80 per minute, between Wan 3.0 at 1,109 and Agnes-Video-2.5 at 1,105.

Девятнадцать с половиной гигабайт детализации

WeMM-Video-9B щедр в том, что сообщает о себе. В карточке Hugging Face перечислены 10 488 603 384 параметра в 1 305 тензорах — языковой бэкбон на 7,94 млрд параметров, включая эмбеддинг токенов на 1,02 млрд, несвязанную выходную голову на 1,02 млрд, аудиобашню на 1,08 млрд из 32 слоёв в стиле Whisper шириной 1 280 за двухслойным Q-Former при десяти аудиотокенах в секунду, и визуальную башню на 0,46 млрд из 27 блоков со скрытой размерностью 1 152, размером патча 16 и пространственным объединением 2×2.

Эта точность — форма честности, которую сторона HiDream не предлагает: Black Forest Labs и HiDream обе отказываются публиковать число параметров, и ни одна из них не обязана этого делать. Но это также создаёт ловушку, потому что подробная архитектура располагает к предположению, что поставляемая конфигурация ей соответствует. А это не так.

• Параметры процессора по умолчанию — 2 кадра/с, минимум 4 кадра, максимум 128 кадров, 100 663 296 пикселей всего.

• Рецепт vLLM выпущен — 2 кадра/с, 16 кадров, 262 144 пикселя, выборка около середины клипа.

• Контекст — 8 192 токена на каждую команду обслуживания против 262 144 позиционных эмбеддингов в архитектуре.

Шестнадцать кадров при двух кадрах в секунду — это восемь секунд покрытия, и выборка начинается с середины. Из шестидесятисекундного клипа теряются первые и последние двадцать шесть секунд. Архитектура позволила бы гораздо больше; рецепт — нет, а в поставку идёт именно рецепт.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, English and Chinese languages, the arXiv identifier 2611.26409, an Apache 2.0 licence, a model card overview stating 19.54 GiB of BF16 weight files, and a file panel reading 10B params and BF16 tensor type.

Десять секунд против восьми

Поставьте две крышки рядом — и проявится форма решения. HiDream-O1-Video-1.0 выдаёт десять секунд готового видео в 1080p с синхронизированным звуком, что бы вы ни попросили. WeMM-Video-9B анализирует восемь секунд уже имеющегося у вас материала, независимо от его длины.

Оба числа произвольны. Десять секунд HiDream — это продуктовое решение, воплощённое в булевом значении; восемь секунд WeMM-Video-9B — это значение по умолчанию в файле рецепта. Ни то, ни другое не является законом физики. Но только одно из них поставляется вместе с вендором, который расскажет вам, что происходит на границе, и это не то, что распространяется в виде чекпоинта.

Если вы сгенерируете десятисекундный клип с помощью HiDream-O1-Video-1.0, а затем спросите WeMM-Video-9B, что в нём произошло, модуль описания берёт восемь из этих десяти секунд из середины. Две секунды — первая и последняя — так и не попадают в модель. Это проблема согласования, которую можно решить изменением конфигурации, и это именно та разновидность проблемы согласования, которую создаёт эта пара и которую не документирует ни один из производителей.

Слияние моделей, и где оно заслуживает упоминания

Ни одна из моделей не размещена на OrcaRouter. HiDream-O1-Video-1.0 доступна через собственную платформу HiDream и несколько сторонних платформ; WeMM-Video-9B можно получить, скачав её.

Причина, по которой подобное сравнение оказывается в разговоре об оркестрации, заключается в том, что две половины отказывают по-разному. Хостинговая половина отказывает громко — ограничение частоты запросов, тайм-аут, код ошибки — и именно для этого нужно автоматическое переключение на резерв. Половина на собственном хостинге отказывает тихо: она возвращает уверенное описание восьми секунд видеоматериала и ничего не говорит о двадцати шести секундах, которых так и не увидела. Слияние моделей — более интересный инструмент здесь, потому что вторая модель, читающая тот же фрагмент при другой политике сэмплирования, разойдётся с ней на границах, и это расхождение — единственный сигнал о том, что окно было слишком маленьким.

Для хостинговой части прейскурантная цена провайдера передаётсяс наценкой 0%, что важнее обычного при $5.80 за минуту: изменение цены поставщика на дешёвой модели даёт больший процентный скачок, чем на дорогой, а отслеживание опубликованного тарифа, а не кэшированной копии, сохраняет достоверность прогноза для партии из сотни клипов.

В каком ограничении ты можешь жить?

Выбирайте HiDream-O1-Video-1.0, если задача — одно референсное изображение и десять секунд. Вы получаете документированный эндпоинт, синхронизированное аудио, тариф $5.80 и строку на 14-м месте в таблице лидеров в категории image-to-video. Вы отказываетесь от text-to-video, контроля разрешения и любой длительности, кроме десяти секунд.

Выбирайте WeMM-Video-9B, если задача — описывать видеоматериал. Вы получаете 9B омнимодального описателя с сильными заявленными аудиовизуальными показателями, лицензией Apache-2.0 и количеством параметров, которое можно проверить. Вы отказываетесь от контракта на обслуживание, независимой проверки и каких-либо гарантий того, что восьмисекундного окна достаточно для имеющихся у вас клипов.

То, чего вам делать не следует, — это сравнивать эти два варианта по качеству. Ни один из них не оценивался на одном и том же инструменте, а один из них и не может быть так оценён. Полезное сравнение — это сравнение двух узких интерфейсов: булева значения и файла рецепта — и того, вокруг какого из них вы можете строить, не обманывая себя насчёт того, что он видит.