En tvåpanelsjämförelsehero med rubriken WeMM-Video-35B-A3B vs Alibaba Wan 2.7 och underrubriken 22 754 röster mot noll: den vänstra panelen listar 36,18B parametrar, 67,39 GiB BF16, 0 nedladdningar och ingen rad på resultattavlan under en open-weights-badge, och den högra panelen listar Elo 1 074 för redigering, 22 754 röster, $16.90 per minut och en 9:e plats på resultattavlan under en metered-API-badge.
Guides & Insights

WeMM-Video-35B-A3B mot Alibaba Wan 2.7: 22 754 röster mot noll

Författare

Alistair Wren

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

There is exactly one number in this comparison that a third party produced, and it belongs to A​libaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.

What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what T​encent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.

Det enda tredjepartsnumret här

Wan 2.7:s redigeringsrad är ovanligt väl understödd. Tjugotvåtusen röster är inte ett topplisteurval som man kan avfärda som brus; intervallet ±8 innebär att niondeplatsen är stabil gentemot allt som ligger under den, och utgivningsmånaden som anges för raden är april 2026, så rösterna har haft sju månader på sig att ackumuleras.

Samma familj förekommer ytterligare två gånger på tavlorna, och de tre raderna stämmer inte överens med varandra, vilket i sig är informativt:

• AA-Video-Editing v1.1 — 9:e, Elo 1 074 ±8, 22 754 prover, april 2026, $16,90 per minut.

• AA-Video-T2V v2.1 — listad som Wan2.7-260612, 20:e, Elo 1 035 ±13, 6 965 prover, juni 2026, 9,00 dollar per minut. Samma leverantör, annan uppgift, en tredjedel av provantalet och ett pris som är 47 % lägre än redigeringstaxan.

• AA-Video-I2V v2.1 — ingen rad. Wan 3.0 finns på den tavlan på tolfte plats med 1 109; Wan 2.7 gör det inte. Sviten annonserar bild-till-video-förmåga, så detta är en lucka i arenan snarare än en produktlucka, men det innebär att modellen aldrig har rankats på den uppgift som de flesta skulle välja först.

A screenshot of the Artificial Analysis AA-Video-Editing v1.1 leaderboard, showing Wan 3.0 first at 9,919 votes for $12.00 a minute and Wan 2.7 ninth with Elo 1,074 plus or minus 8 over 22,754 votes, April 2026, $16.90 per minute.

Läser man de tre tillsammans är den ärliga sammanfattningen att Wan 2.7 är en avvägd videomodell i mittfältet med en verkligt stark evidensbas (redigering), en tunnare (text-till-video) och en tom cell. Det är fortfarande avsevärt mycket mer extern evidens än vad den andra sidan i den här jämförelsen har.

What A​libaba is selling, and at what rate

Wan 2.7 är en produkt med fyra lägen: text-till-video, bild-till-video, referens-till-video och videoredigering. De dokumenterade styrfunktionerna är konditionering med första och sista nyckelbild, upp till fem motivbilder plus fem referensklipp, utdata från 720p till 1080p, inbyggt ljud och klipp på två till femton sekunder. Debiteringen sker per sekund enligt prislistan, vilket gör en femton sekunder lång 1080p-generering till en kostnad du kan beräkna innan du trycker på start i stället för ett kreditsaldo du upptäcker i efterhand.

The awkward fact for anyone budgeting on Wan 2.7 today is that A​libaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best A​libaba can do against the best T​encent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.

Checkpointen som landade i morse

Släppet av WeMM-Video-35B-A3B är läsbart på ett sätt som de flesta tysta släpp inte är, eftersom Hugging Face tidsstämplar hela sekvensen. Repot dök upp 08:53:50 UTC den 17 november med inget annat än en gitattributes-stub. arXiv-rapporten 2611.26409 skickades in den 19 november 16:58 UTC och har redan reviderats en gång, 06:15 UTC den 20 november. Commiten för BF16-vikterna är daterad 2026-11-20T03:57:36Z. GitHub-repot Tencent/WeMM-Video skapades den 17 november 02:29 UTC, har nio stjärnor, noll forks och noll publicerade släpp, och README-filen redigerades fortfarande 06:34 UTC i morse.

Så artikeln föregick tensorerna med ungefär elva timmar, och modellkortet skrivs fortfarande om i samma stund som detta skrivs. Den ordningen är själva berättelsen. Det har inte funnits något lanseringsinlägg, ingen prissättningssida, ingen hostad slutpunkt, inget pressmeddelande och inget konto för tillkännagivanden – inget som en leverantör normalt gör när den vill att en modell ska uppmärksammas.

Vad repositoriet faktiskt innehåller är specifikt:

• Storlek — 36 177 564 536 parametrar, BF16, utspridda över sjutton safetensors-shardar med totalt 67,39 GiB. Etiketten "35B-A3B" räknar något annat än filstorleken; skillnaden beskrivs längre ner.

• FP8-bygget kom faktiskt tillbaka. När artikeln publicerades svarade FP8 Block128-repositoriet som kortet länkar till med 401 — samma svar som Hub ger för ett namn som aldrig har funnits. Nu går det att nå: 36,09 GiB i en enda safetensors-fil, incheckad 05:53:01 UTC, två timmar efter BF16-uppladdningen, med 33,6B parametrar i E4M3 och 2,56B kvar i BF16. Vad som än hände 16:58 UTC den 19 november var releasen inte färdig.

• Ytterligare tre kvantiserade varianter – AWQ W4A16 på 22,72 GiB fördelat över 52 skiktvisa shards, NVFP4 W4A16 på 24,11 GiB i en enda fil, och ett GGUF Q4_K_M-paket på 25,46 GiB uppdelat i en språkfil på 22,61 GiB, en projektor på 0,84 GiB och en ljudkodare på 1,99 GiB. Två av dessa tre beskriver sig själva som ovaliderade i sina egna manifest. NVFP4-varianten hävdar bara att vikterna lästes om på CPU, vilket är en kontrollsumma och inte en utvärdering.

• Körmiljöer — ingenting här körs på en omodifierad motor. Förvaret levererar källkodsoverlägg med SHA-256-manifest för exakt fyra uppströmsversioner: vLLM 0.18.0 och 0.31.0, SGLang 0.5.16 och 0.5.19. Varje publicerat serveringskommando använder en kontext på 8 192 token, tensorparallelism över två GPU:er och en mediepipeline begränsad till 16 bildrutor och 262 144 pixlar. En sökning i vLLMs ärendespårare hittar ingen uppströmsförfrågan för den här arkitekturen.

A screenshot of the Hugging Face model card for Tencent/WeMM-Video-35B-A3B: image-text-to-text, Transformers and Safetensors, English and Chinese, Apache 2.0, with the overview describing a 35B-total, 3B-active mixture-of-experts checkpoint and 67.39 GiB of BF16 weights.

What T​encent measured, and against whom

Varje kvalitetsmått som är kopplat till WeMM-Video-35B-A3B kommer från teamet som tränade modellen. Artikeln säger just det – "vi rapporterar officiella resultat där sådana finns och våra egna utvärderingar i övrigt" – och det enda talet på kortet vars villkor anges fullständigt är inte ens ett videoresultat: MMAR1000, endast ljud, avkodat vid 16 kHz, girig avkodning, två H20s. Resten av kortet dokumenterar checkpoint-laddningen. Mot 22 754 röster är det en annan kategori av bevis och bör läsas som en sådan.

The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which T​encent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.

De två förlusterna pekar åt andra hållet och är värda att upprepa: JointAVBench på 65,9 bakom Qwens 69,0, och MUSIC-AVQA på 79,5 bakom Qwens 82,1. Båda är ljudtunga. En större checkpoint vinner inte överallt, och platserna där den inte vinner är de platser där Qwens ljudstack har haft längre tid att mogna.

Inget av det har reproducerats. Varken Artificial Analysis eller LMArena listar någon WeMM-modell av någon storlek, och de tre gillningarna på repositoriet är inte en peer review. Om du väljer mellan dessa två modeller för att utföra ett jobb, jämför du 22,754 röster mot en tabell som undertecknats av författarna.

Båda spelar in video, bara en returnerar den

Den strukturella skillnaden är lätt att beskriva och svår att överdriva. Wan 2.7 tar emot text, bilder, referensklipp och video och returnerar video. WeMM-Video-35B-A3B tar emot text, bilder, ljud och video med dess ljudspår och returnerar text. Wan 2.7:s redigeringsläge kommer närmast den andra sidan – det tar in filmmaterial och ger tillbaka filmmaterial – men utdata är fortfarande pixlar, och det finns ingen inställning som får det att beskriva vad det redigerade.

Gränserna på varje sida begränsar den pipeline du kan bygga:

• Wan 2.7:s gräns är varaktigheten. Två till femton sekunder per generering, 720p till 1080p, faktureras per sekund. Ett femton sekunder långt klipp till redigeringspriset kostar cirka 4,23 $ innan eventuella omförsök.

• WeMM-Video-35B-A3B:s gräns är kontext och sampling. Processorn använder som standard två bildrutor per sekund, minst fyra bildrutor, högst sexton och en total budget på 262 144 pixlar – ungefär åtta sekunders täckning med den medföljande inställningen. Serveringskommandona begränsar kontexten till 8 192 token och tillåter fyra bilder, två videor och två ljudklipp per begäran. Med tio ljudtoken per sekund motsvarar den kontexten ungefär tretton minuters ljud om du använder den enbart till ljud.

• Avvikelsen.Wan 2.7 kan producera femton sekunders filmmaterial; det medföljande WeMM-receptet tittar på åtta. Om din pipeline renderar ett klipp och sedan frågar en modell vad som hände i det, samplar beskrivaren i sitt konfigurerade skick ungefär hälften av utdata. Det är en konfiguration som du måste ändra medvetet, inte en begränsning i arkitekturen — processorns egen standard tillåter 128 bildrutor.

Två leverantörer, en modell, en nyckel

Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through A​libaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.

What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone T​encent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.

Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when A​libaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

A two-column evidence card headed WeMM-Video-35B-A3B vs Alibaba Wan 2.7: under 'Wan 2.7 - third party' it lists 22,754 pairwise human votes, Elo 1,074 plus or minus 8 and rank 9 on AA-Video-Editing v1.1; under 'WeMM-Video-35B-A3B - first party' it lists 28 of 30 shared figures won, 86.4 on Video-MME with audio and 0 external reproductions.

Vilket nummer du faktiskt väljer

Om det som ska levereras är filmmaterial är Wan 2.7 den enda av de två som producerar det, och beslutet kokar ner till huruvida $16,90 i minuten för redigering eller $9,00 i minuten för text-till-video är försvarbart gentemot en styrelse där den nuvarande ledaren tar $12,00 och slår den på båda uppgifterna. Nionde och tjugonde är respektabla mittfältspositioner. De är inte ett skäl att välja den föregående generationen.

Om leveransen är ett uttalande om filmmaterial du redan har, är WeMM-Video-35B-A3B den enda av de två som producerar det, och beslutet reduceras till om du kan hantera en patchad inferensmotor, en nedladdning på 67,39 GiB eller en FP8 på 36,09 GiB, två GPU:er för tensorparallellism och ett åttasekunders samplingsfönster — för att få en beskrivare i 36B-klass vars audiovisuella mått är starka och helt förstaparts.

Fällan är att behandla "Elo 1 074 över 22 754 röster" och "86,4 på Video-MME med ljud" som jämförbara. Det ena är en publikmätning av en tjänst som vem som helst kan anropa. Det andra är en leverantörstabell över en checkpoint som inte innehöll några vikter förrän i morse. Båda är värda att läsa. Bara en av dem är evidens.