На главной титульной карточке написано «WeMM-Video-9B vs Wan 3.0», подзаголовок — «Один продаёт секунды. Другой зачитывает их обратно», три плашки со статистикой: открытые веса 10,49 млрд, просмотр 8 с по умолчанию и максимальная длина клипа 30 с, а в нижнем колонтитуле указано, что данные WeMM-Video-9B взяты из репозитория Tencent и arXiv 2611.26409, тогда как данные Wan 3.0 — из Alibaba и Artificial Analysis.
Guides & Insights

WeMM-Video-9B против Wan 3.0: проданные секунды, просмотренные секунды

Автор

Alistair Wren

Дата публикации

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

Wan 3.0 продаёт секунды видео. WeMM-Video-9B читает их обратно. Вот и всё сравнение, и именно поэтому спор о характеристиках между этими двумя, параметр за параметром, был бы почти бессмысленным: один — генеративная модель, возвращающая MP4, другой — омнимодальная модель понимания, возвращающая предложение. Они не соперники. Это две половины одного конвейера — создать клип, затем проверить его, — и интересный вопрос не в том, кто победит, а в том, где каждый из них перестаёт быть пригодным.

Только одна из них — новость. Tencent загрузил WeMM-Video-9B и восемнадцать родственных репозиториев в течение пятиминутного окна начиная с 08:53:50 UTC 17 ноября 2026 года, опубликовал технический отчёт как arXiv 2611.26409 19 ноября и ничего из этого не анонсировал: ни поста в блоге, ни страницы запуска, ни платного тарифа. На момент написания репозиторий 9B показывает ноль загрузок, коллекция — несколько лайков, и ни один провайдер инференса не предлагает эту модель. Wan 3.0 — полностью противоположный случай: Alibaba выпустила её в публичную бету 6 августа 2026 года и официально запустила 24 августа, за восемьдесят восемь дней до этой статьи, и сейчас она занимает верхнюю строчку в двух независимых лидербордах. Всё нижесказанное о Wan 3.0 относится к запущенному продукту с установленной ценой и независимой оценкой. Всё о WeMM-Video-9B исходит либо из его собственного репозитория, либо из PDF авторов, и это единственные два места, где существуют какие-либо числовые данные о нём.

Что на самом деле возвращает каждый из них

Строки спецификации стоит поставить рядом именно потому, что они описывают разные задачи.

• Результат — WeMM-Video-9B возвращает текст на китайском или английском. Wan 3.0 возвращает сгенерированный клип длительностью до 30 секунд с нативной аудиодорожкой.

• Input — модель на 9B принимает видеокадры с оригинальной звуковой дорожкой, немое видео, отдельное аудио, изображения и текст и может рассуждать обо всём этом одновременно. Wan 3.0 принимает текстовые, графические, видео- и аудиозапросы, а также — уникально для своего семейства — документы: doc, xls, ppt, pdf, md, txt, размером до 100 МБ или 50 страниц на файл, которые сразу преобразуются в видео.

• Веса — WeMM-Video-9B поставляется с весами под лицензией Apache 2.0 на Hugging Face в формате BF16, а также с четырьмя квантованными сборками (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). У Wan 3.0 нет опубликованных весов; это закрытый API с оплатой по факту использования.

• Цена — у 9B нет цены за хостинг, потому что его никто не хостит; ваши затраты — это GPU, пропатченная среда выполнения и ваше собственное время. Wan 3.0 тарифицируется по секундам выходного видео: 0,3, 0,6 и 1,2 юаня в секунду при 480p, 720p и 1080p — примерно $0,05, $0,10 и $0,20 — что Artificial Analysis нормализует до $12,00 в минуту в своих таблицах лидеров.

• Независимые оценки — отсутствуют у WeMM-Video-9B. Artificial Analysis не включает ни одну модель WeMM ни в один рейтинг. Wan 3.0 занимает первое место в рейтинге Artificial Analysis по преобразованию текста в видео с Elo 1 176 (95%-й интервал: 1 163–1 189, 8 243 образца), первое место в её рейтинге редактирования видео с 1 197 (1 187–1 207, 9 919 образцов) и двенадцатое место в рейтинге преобразования изображения в видео с 1 109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

Ценовой разрыв — это не ценовой разрыв

Двенадцать долларов в минуту — это цифра, которую будут называть, и это неправильная цифра для сравнения с чем-либо, связанным с 9B, потому что эти два счёта измеряют разные величины. Wan 3.0 берёт плату за созданную длительность. WeMM-Video-9B вообще не имеет платы за единицу — он берёт плату в виде оборудования, которое у вас уже есть, а честный способ оценить его стоимость — посчитать, какую долю карты он занимает и сколько клипов вы сможете прогнать за час.

Показатель занимаемого объёма измерим по репозиторию. Контрольная точка BF16 — это 19,54 ГиБ файлов весов и 10 488 603 384 параметра в 1 305 тензорах: 10,49 млрд, а не девять, потому что «9B» в названии относится к языковому бэкбону Qwen3.5-9B, а не ко всему стеку. Сборка AWQ W4A16 занимает 12,86 ГиБ. Это сокращение на 34%, а не на 75%, как подразумевает четырёхбитный рецепт, и причина видна в манифестах экспортёра: сжимаются только плотные матрицы прямой связи, тогда как vision tower, аудиокодер на основе Whisper, эмбеддинг, выходная голова и все веса внимания сохраняют исходную точность. Около 5,7 млрд параметров остаются по два байта каждый, что задаёт нижнюю границу, ниже которой не опустится ни один четырёхбитный рецепт. Тот, кто оценивает развёртывание по названию, ошибётся примерно на 1,5 ГиБ и на один уровень точности.

Итак, сравнение стоимости, которое действительно имеет значение, — это не доллары против долларов. Оно такое: один вызов API за $0,20 за секунду готового видеоматериала против резидентной модели объёмом 13–20 ГиБ, пропатченного стека обслуживания и ваших затрат на GPU-час, какими бы они ни были. Для команды, которая уже выполняет инференс, второй вариант может оказаться дешевле. Для команды, которой нужен клип к пятнице, первый — единственный, который существует.

Как 9B показывает себя на фоне 30B

Единственное место, где WeMM-Video-9Bрасполагает точными цифрами, — это оценка авторов, а главное утверждение в статье касается его более крупного собрата: модель 35B-A3B устанавливает новый передовой результат среди open-source моделей в области омнимодального видео и приближается к Gemini-3.0-Flash. У 9B утверждение скромнее: она превосходит Qwen3-Omni-30B-A3B-Instruct — модель примерно втрое большего размера. В режиме Thinking, в сводной аудиовизуальной таблице, она действительно превосходит.

• Video-MME с аудио — 85,1 для 9B, 77,3 для Qwen3-Omni-30B-A3B-Instruct, 69,2 для MiniCPM-o-4.5-9B.

• Video-MME-v2 с аудио — 51,6 против 36,3, разрыв в 15,3 пункта.

• Строки с акцентом на рассуждение — SciVideoBench 64.2 против 49.9, MMOU 71.7 против 60.5, EvaOmni 50.7 против 26.1, OmniReasoningBench 43.9 против 24.1.

• Где уступает — FutureOmni 53,7 против 55,1, а JointAVBench — ничья при 64,6.

Более интересное сравнение — внутреннее, и именно о нём не упоминает никто из тех, кто цитирует статью. Запустите 9B против флагманской 35B-A3B на тех же 17 строках — и разрыв окажется небольшим: 85,1 против 86,4 на Video-MME со звуком, 51,6 против 54,9 на Video-MME-v2, 71,7 против 74,5 на MMOU. В одной строке меньшая модель одерживает явную победу — SVHalluc 86,8 против 80,3. Модель, у которой лишь доля активных параметров флагмана, отстаёт всего на 1,3 балла на главном бенчмарке. Это самый сильный аргумент в репозитории именно в пользу 9B, и это аргумент о стоимости развёртывания, а не о возможностях.

9B также не является равномерным улучшением унаследованного им бэкбона. Сравнение с обычным Qwen3.5-9B в таблице для видео без звука показывает модель, настроенную на определение того, когда и где что-то произошло, но с измеримой ценой в других местах: F-16-NBA 88.7 против 75.8, TimeLens-QVHighlights 66.8 против 64.3, TOMATO 48.5 против 45.0 — но MLVU 82.4 против 84.4, LVBench 68.2 против 70.0, VSI-Bench 54.5 против 58.3, MVBench 71.4 против 74.4. Если ваша задача — суммаризация длинных видео, аудиовизуальный механизм стоил вам того, что бэкбон уже делал лучше.

По умолчанию — восемь секунд покрытия.

Именно здесь две модели становятся напрямую сопоставимыми, потому что это ограничение на длительность — и числа совсем не близки.

Wan 3.0 генерирует до 30 секунд за один запуск — вдвое больше 15-секундного лимита Wan 2.7 — с инструментом расширения видео для соединения более длинных повествований. WeMM-Video-9B, в исходной комплектации обрабатывает восемь.

Несоответствие не в чекпоинте. Оно в рецептах. Модель 9B объявляет 262,144 позиционных эмбеддинга в своём текстовом конфиге — это очень большой бюджет. Процессор по умолчанию использует 2 fps при минимуме в четыре кадра, максимуме в 128 кадров и 100,663,296 суммарных пикселей, а команда vLLM, которую публикует Tencent, переопределяет все четыре параметра на 2 fps, 16 кадров и 262,144 пикселя. При 2 fps шестнадцать кадров — это восемь секунд покрытия, взятые из середины клипа. Кроме того, каждая команда запуска сервиса в репозитории передаёт --max-model-len 8192 или --context-length 8192, и ничто в репозитории не объясняет, как достичь большего заявленного значения.

• Бюджет кадров — по умолчанию 16 кадров при 2 кадрах/с, то есть около 8 секунд, против 30-секундной одиночной генерации Wan 3.0.

• Затраты на аудио — аудиоподсистема выдаёт 10 токенов в секунду, поэтому бюджета в 8 192 токена хватает примерно на тринадцать минут аудио и ничего больше; клип со звуковой дорожкой расходует этот же бюджет на кадры и аудио вместе.

• Медиа на запрос — четыре изображения, два видео и два аудиофайла, согласно действующим лимитам в обоих рецептах vLLM и SGLang.

Никто за пределами WeChat Vision не публиковал, какое сэмплирование использовалось в прогонах бенчмарка. Если вы воспроизводите число из таблицы выше, это первая неясность, которую нужно зафиксировать, и поставляемое по умолчанию значение в 16 кадров — неправильная отправная точка. Но потолок реален: для всего, что длиннее одного дубля, 9B — это точечный проверяющий, а не полноценный ревьюер, если только вы не поднимете ограничение на количество кадров и не заплатите за это контекстом.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Число, которое ещё никто не измерил

Между этой моделью и любой уверенной рекомендацией стоят три факта, и их стоит изложить прямо, а не прятать.

Во-первых, все приведённые выше оценки предоставлены производителем. Независимой оценки WeMM-Video-9Bнигде нет — ни Elo на арене, ни воспроизведения третьими сторонами, ни записи в таблице лидеров. Таблицы получены теми же авторами, которые обучали модель, на более чем 120 бенчмарках, выбранных ими самими, причём в нескольких из этих бенчмарков используются разные судьи: оценка в статье опирается на GPT-6.1-Sol, GPT-4o и Qwen3-235B-A22B в зависимости от задачи. Поэтому межмодельные сравнения внутри статьи — это сравнения чисел, полученных разными оценщиками; это оговорка, которую статья содержит и которую, как правило, опускает любой, кто цитирует таблицу.

Второе — это разделение по режимам, из-за которого две строки становятся несопоставимыми. Таблица по омнимодальному видео приводит модели WeMM в режиме Thinking; таблица по аудио приводит их в режиме Instruct, исходя из суждения авторов о том, что стандартные аудиобенчмарки — это прямые перцептивные задачи. Это оправданно, и это также означает, что строку WeMM в одной таблице нельзя сопоставить со строкой конкурирующей модели в другой.

Третье — дистрибуция. Ноль загрузок сам по себе не доказывает качество ни в ту, ни в другую сторону, но он означает, что нет массива отчётов практиков — ни описаний режимов отказа, ни «оно галлюцинирует на музыкальных клипах», ни ветки, где люди на собственном опыте выясняют ограничение на количество кадров. У Wan 3.0 было восемьдесят восемь дней этого, плюс интеграции при запуске в ComfyUI, Leonardo.Ai и Envato. На вопрос «что на самом деле идёт не так в производстве» у одной из этих моделей есть ответ, а у другой — репозиторий.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Сегодня запускаю пару.

Если вы хотите и то, и другое, они устанавливаются совершенно разными способами, и ни один из них не находится на платформе маршрутизации.

Wan 3.0 — это тарифицируемый вызов API. Он доступен через собственные консоли Alibaba и через сторонние творческие инструменты, тарифицируется посекундно по ставке 0,3, 0,6 и 1,2 юаня для 480p, 720p и 1080p, и единственный реальный вопрос при закупке — какое разрешение нужно вашему этапу проверки, потому что именно оно определяет множитель.

WeMM-Video-9B — это задача для самостоятельного размещения. Требуются Python 3.12, GPU NVIDIA с драйвером CUDA 12.9, FFmpeg и общие библиотеки TorchCodec, а затем патч среды выполнения из репозитория: пропатченный vLLM 0.18.0 или 0.31.0 для BF16, либо пропатченный SGLang 0.5.16 или 0.5.19, зафиксированные на точной комбинации PyTorch, Transformers и CUDA, указанной в манифесте патча для версии вашего движка. Для загрузки дополнительно требуется trust_remote_code, поскольку модель поставляется с собственным кодом моделирования и процессора. Tencent подтвердила, что пропатченный vLLM загружает контрольную точку и проходит проверки генерации текста, изображений, аудио и видео со звуковой дорожкой на H20; это проверка загрузки и запуска, а не заявление о точности. Для маршрута GGUF требуется нативная среда выполнения, собранная из исходного кода.

OrcaRouter не обслуживает WeMM-Video-9B, и в его каталоге вообще нет ни одного чекпойнта WeMM, поэтому нет ни цены на хостинг, которую можно было бы назвать, ни эндпоинта, к которому можно было бы обратиться. А что платформа действительно предлагает, так это визуальную половину той же задачи — Qwen3-VL-8B-Thinking и Qwen3-VL-235B-A22B-Thinking обе принимают на вход изображения и видеокадры — через один ключ, совместимый с OpenAI, наряду с 200+ другими моделями, с оплатой по прайс-листу провайдера, передаваемому с наценкой 0%. Ни одна из них ничего не слышит, поэтому ни одна не заменяет аудиовизуальную половину. Если план — попробовать самостоятельно размещённую 9B-модель, не выводя её на продакшен-путь, то маршрутизация её через правило failover — дешёвый способ выяснить, выдерживает ли пропатченная среда выполнения вашу конкурентность, прежде чем закреплять за ней карту.

Само сочетание — это рабочий процесс, а не бенчмарк. Сгенерируйте с помощью Wan 3.0, затем передайте клип модели, которая возвращает описание вместо пикселей: соответствует ли сцена запросу, разборчива ли речь, попадает ли звук в действие. Здесь ничто не измеряет, насколько WeMM-Video-9B хорошо справляется с этой задачей именно в сравнении с собственными результатами Wan 3.0 — никто этого не проверял. Ограничение в восемь секунд кадров — это первое, что нужно протестировать, потому что если ваши клипы длятся тридцать секунд, проверяющий видит лишь четверть каждого из них.

Что изменило бы ответ?

Три вещи, которые можно датировать, в порядке их потенциального влияния на рекомендацию.

Независимая оценка для WeMM-Video-9B. Одна-единственная запись в Artificial Analysis или один результат на арене от стороны, не имеющей с авторами общего работодателя, превратили бы приведённую выше таблицу из утверждения в измерение. До тех пор честная интерпретация такова: чекпойнт с 10,49 млрд параметров и 9B-бэкбоном показывает результат, близкий к собственному флагману 35B-A3B на собственных бенчмарках Tencent, и это всё, что можно сказать.

Размещённый эндпоинт. Модели требуется пропатченная среда выполнения, кастомный код и резидентный объём от 13 до 20 ГиБ; в тот день, когда провайдер предложит её через API, сравнение цен в этой статье перестанет быть категориальной ошибкой и станет арифметикой.

Рецепт, который использует заявленный контекст. Чекпойнт уже заявляет 262 144 позиции. Если Tencent выпустит профиль сервинга, который поднимет лимит кадров и реально его задействует, восьмисекундное значение по умолчанию станет деталью конфигурации, а не потолком — и 9B перестанет быть инструментом выборочной проверки для коротких дублей.

Пока что разделение однозначно. Выбирайте Wan 3.0, когда нужен видеоматериал; он уже выпущен, имеет цену, лидирует в двух независимых рейтингах и единственный из этих двух, к которому можно обратиться сегодня днём. Выбирайте WeMM-Video-9B, когда нужна модель, которая слышит саундтрек так же хорошо, как видит кадры, у вас есть запасная видеокарта, и вы готовы первым узнать, является ли восьмисекундный рецепт значением по умолчанию или ограничением. Эти два варианта не конкурируют за одно и то же решение.

Сравнение в этой статье2

Определено по этой статье · Бенчмарки: Artificial Analysis · обновляется ежедневно