Titelkort som lyder WeMM-Video-4B vs FastFrames Video Generation med underrubriken En tyst skarv, två paneler åtskilda av en vs-skiva, den vänstra listar 5,61B, video och ljud som indata, text som utdata, varav 1,07B är öron, maximalt 16 bildrutor och Apache 2.0, den högra listar 1,3B och 14B, text som indata, video som utdata, 81 bildrutor vid 832 gånger 480, 36 ms per bildruta på en B200 och Apple AMLR, och en sidfot med texten WeMM-siffror enligt leverantören; FastFrames-siffror enligt författarna.
Engineering & Research

WeMM-Video-4B vs FastFrames videogenerering: En tyst söm

Författare

jinhao.song

Publiceringsdatum

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

FastFrames Video Generation anlände den 16 november 2026 och WeMM-Video-4B den 17 november, båda som nedladdningar av vikter med en bifogad artikel och ingen med ett lanseringsinlägg värt namnet. Det sammanträffandet är den enda anledningen till att läsa dem mot varandra, eftersom de inte gör samma sak: FastFrames förvandlar en mening till 81 bildrutor av tyst video, och WeMM-Video-4B förvandlar video till en beskrivning, inklusive en beskrivning av vad som sägs i den. Den intressanta frågan är inte vilken som är bättre. Det är vad som händer när man sätter den ena bakom den andra – och svaret är att sömmen mellan dem är tyst, vilket i tysthet inaktiverar den dyraste delen av WeMM-checkpointen.

Allt nedan är antingen mätbart i de två kodarkiven eller rapporterat av författarna till de två artiklarna. Ingen av modellerna har körts av någon som inte skrev dess utvärderingsavsnitt, och ingen av dem har ett pris för hostad tjänst, en arena-rad eller en tredjepartsreproduktion. När en siffra kommer från en leverantörstabell är den märkt som sådan.

Vad FastFrames lägger på disk

FastFrames är en autoregressiv videodiffusionsmodell som destillerats från Wan2.1, publicerad av Apple och Cornell som arXiv 2611.23226 den 17 november, med vikter som släpps en dag tidigare. Den finns i två storlekar – FastFrames-S med 1,3 miljarder parametrar och FastFrames-L med 14 miljarder – och tesen är latens snarare än trohet. På en enda B200 producerar den lilla modellen en bildruta på 36 millisekunder, vilket är snabbare än klippet spelas upp: en generering på 5,06 sekunder tar ungefär 2,9 sekunder. Den stora modellen klarar 45 millisekunder per bildruta utspritt över åtta B200:or och försämras till 158 millisekunder på en enda GPU, vilket är långsammare än realtid. Apple rapporterar också 25 till 50 procents prestandaförsämring på H100:or i stället för B200:or.

Utdataformatet är fast och snävt. 832×480, 16 bildrutor per sekund, 81 bildrutor per generation – en hårsmån över fem sekunder – enbart styrt av en textprompt. Det finns ingen bildkonditionering, ingen indata för nyckelbildrutor, inget fortsättningsläge och ingen kamerakontroll i den släppta konfigurationen. Det finns inte heller något ljud: ingen ljudavkodare, ingen ljudlatent, inget ljudspår. Författarna rapporterar VBench-totaler på 84,23 för den lilla modellen och 84,44 för den stora vid 480p på matchade prompts och seeds, vilket är en respektabel poäng för en modell vars säljargument är att den är snabb, och det är den enda kvalitetssiffran i släppet.

Vart 1,07 miljarder parametrar tar vägen

WeMM-Video-4B är mellanbarnet i en familj med fyra storlekar från Tencents WeChat Vision-grupp – 2B, 4B, 9B täta och en 35B-A3B blandning av experter – alla uppladdade inom ett nittonminutersfönster den 17 november, med den tekniska rapporten arXiv 2611.26409 som följde den 19 november. Namnet är en underdrift: safetensors-metadatan anger 5,611,746,312 parametrar, eller 10.45 GiB i BF16, eftersom "4B" syftar på Qwen3.5-4B:s språkliga basmodell snarare än checkpointen.

Att läsa tensorindexet förklarar varför. Av 1 268 tensorer bär språkmodellen 4,21 miljarder parametrar, visionstornet 0,33 miljarder och ljudstacken 1,07 miljarder. Nästan en femtedel av denna checkpoint är en encoder-decoder i Whisper-stil – 32 encoder- och 32 decoderlager med bredd 1 280, med en Q-Former på fönsternivå som komprimerar 0,1-sekundersfönster till 10 ljudtoken per sekund, matad vid 16 kHz i 30-sekundersblock. Den stacken initieras från Qwen2.5-Omni.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-4B showing an Image-Text-to-Text pipeline tag, Safetensors and custom-code tags, an Apache 2.0 licence, a BF16 block reading 10.45 GiB of weight files, a size panel reading 6B params and 10.5 GB, and a Quantizations section listing four sibling repositories.

• FastFrames Videogenerering — text in, bildrutor ut, inget ljud någonstans i pipelinen.

• WeMM-Video-4B — bildrutor och ljud in, text ut, där ljudet hanteras av ett dedikerat 1.07B-torn i stället för att härledas från pixlar.

• Överlappning — ingen på modellnivå. Båda är Apache- eller Apple-licensierade viktpaket utan någon slutpunkt bakom dem, och båda förutsätter att du äger acceleratorn.

Det enda klippet som FastFrames skapar är ljudlöst.

Drar man det till sin spets blir kompositionsproblemet konkret. Om du kopplar WeMM-Video-4B bakom FastFrames Video Generation – rendera en tagning och beskriv den sedan så att du kan indexera, filtrera eller kvalitetssäkra den – saknar varje klipp du ger beskrivaren ljudspår. Ljudtornet med 1,07 miljarder parametrar har inget att lyssna på. Q-Former avger ingenting, och fusionssteget reduceras till visionsvägen.

Det är inte en defekt i någon av modellerna; det är ett faktum om pipelinen, och det har en mätbar konsekvens, eftersom WeMM-artikeln rapporterar benchmarkresultat för tyst video separat. Enbart på bildsidan får WeMM-Video-4B 75,7 på Video-MME, 65,3 på LVBench, 74,8 på LongVideoBench och 74,2 på EgoSchema. Dess sammanvägda ljud- och bildsiffror – 83,9 på Video-MME med ljud, 82,5 på Daily-Omni – är de som motiverar filstorleken, och det är exakt de som en pipeline matad med FastFrames inte kan nå.

Så den ärliga beskrivningen av den här kombinationen är att FastFrames utnyttjar ungefär 80 procent av WeMM-checkpointen. Om ditt mål är en bildtextningsloop över genererat filmmaterial skulle en modell med enbart syn på halva storleken göra samma arbete; om ditt mål är att förstå filmmaterial som har ljud i sig kan FastFrames inte tillhandahålla indata. De två verktygen möts vid en punkt där ett av dem är halvt overksamt.

Screenshot of the Tencent/WeMM-Video GitHub repository showing six stars and zero forks, a README describing an omni-modal video understanding family from WeChat Vision, and a file tree containing patch, native, examples, licenses and a THIRD_PARTY_NOTICES file.

Två hastighetstal, inga gemensamma enheter

Båda utgåvorna inleds med ett latenspåstående, och påståendena är inte jämförbara, vilket är det vanligaste sättet som den här jämförelsen förvanskas på internet.

FastFrames 36 millisekunder gäller per bildruta i utdata på en B200, mätt mot uppspelning. WeMM-Video-4B producerar inte bildrutor; dess kostnad är kostnaden för att avkoda text inom en begränsad mediabudget. Den budgeten är snävare än vad processorns standardvärden antyder. vLLM-receptet i repositoriet anger max_frames 16 mot ett processorstandardvärde på 128, fps 2, och ett totalt pixeltak på 262 144, med en kontextlängd på 8 192 token. Ljud förbrukar 10 token för varje sekund innan en enda bildruta räknas.

Det praktiska sättet att läsa det: ett 20-sekundersklipp och ett 5-sekundersklipp når båda beskrivaren som sexton bildrutor, och ett klipp med ljudspår lägger sitt kontextfönster på två strömmar samtidigt. FastFrames ger dig rörelse vid 16 bildrutor per sekund i utdata; WeMM-Video-4B ser ett bildspel och sluter sig till rörelsen. Ingen av siffrorna säger något om den andra, och en sida som sätter "36 ms" bredvid "8K context" jämför en budget för rendering med en budget för läsning.

Two-column scoreboard headed 'WeMM-Video-4B vs FastFrames Video Generation', the left column listing direction, 5.61B total parameters, a 1.07B audio stack, an 8,192-token and 16-frame budget, Apache 2.0 and no independent benchmark, the right listing text in and video out, 1.3B small and 14B large, no audio, 81 frames at 832 by 480, Apple AMLR and no independent benchmark, with a footer reading 'WeMM figures vendor-reported; FastFrames figures per the authors and not independently reproduced.'

Licenser avgör mer än poäng här

För en jämförelse som är så tunn på oberoende bevis väger licensraden tyngre för beslutet än något riktmärke i endera artikeln, och de två ligger i varsin ände av spektrumet.

• FastFrames Video Generation — Apples AMLR-villkor för vikterna, med LingBot-World v2-demokomponenterna under CC BY-NC-SA 4.0. "NC" är den begränsning som spelar roll: öppna vikter, inte öppna för kommersiell användning.

• WeMM-Video-4B — Apache 2.0 för hela samlingen, med en T​encent-licensfil som anger att tredjepartskomponenter "fortfarande omfattas av sina respektive ursprungliga villkor". Undantaget specificeras inte post för post, vilket är en verklig lucka snarare än en formalitet med tanke på att ljudstacken härstammar från Q​wen2.5-Omni och basmodellen från Q​wen3.5, båda Apache 2.0.

• Båda — fullständiga checkpoints från träningsfasen och en utvärderingspipeline i repositoriet, vilket är ovanligt reproducerbart för släpp av det här slaget och är det bästa tillgängliga substitutet för den oberoende utvärdering som ingen av dem har.

Koppla en beskrivare bakom en renderare

Om du ändå bygger loopen är den tekniska frågan var textmodellen ska ligga, eftersom det finns tre textövergångar och bara en av dem är valfri.

• Promptutökning — en tagninganteckning blir en FastFrames-prompt. Nödvändigt, eftersom en destillerad diffusionsmodell på 1,3B inte har utrymme att tolka en vag instruktion.

• Beskrivning — det renderade klippet skickas till WeMM-Video-4B och kommer tillbaka som prosa, vilket är steget som gör materialet sökbart.

• Urval — prosan avgör om klippet behålls, vilket är steget som måste vara billigt, eftersom du betalar för det på varje kandidat i stället för varje överlevare.

De två yttre hoppen är vanliga textkompletteringar, och de är den del av den här stacken som OrcaRouter faktiskt täcker: en OpenAI-kompatibel nyckel för över 200 modeller, leverantörernas listpriser förs vidare med 0 % påslag så att en leverantörs prisändring slår igenom samma dag, och automatisk failover så att en hastighetsbegränsning mitt i en batch på tusen klipp blir ett nytt försök i stället för ett hål. Varken FastFrames Video Generation eller WeMM-Video-4B finns på plattformen – båda är viktnedladdningar, och inget routningslager förvandlar en checkpoint till en slutpunkt. Det routern tar bort är integrationsarbetet kring de två modellerna som du själv hostar.

Vad är fortfarande obekräftat

• Oberoende kvalitet — ingen post i Artificial Analysis, ingen arena-post, ingen tredjepartsreproduktion för någon av modellerna. VBench 84.44 och Video-MME 83.9 är rapporterade av författarna och kördes inte av någon annan.

• Utvärderingsvillkor — WeMM-artikeln anger inte antalet bildrutor, pixelbudgeten eller kontextlängden som används för dess videobenchmarker, och det medföljande receptet använder 16 bildrutor där processorn som standard använder 128. Den skillnaden är tillräckligt stor för att spela roll för raderna med lång video.

• Pris — ingen av dem har ett. Ingen hostad endpoint, ingen per-sekund-taxa, ingen partnerlista. Kostnaden är den GPU du äger, plus det patchade vLLM- eller SGLang-overlayet som WeMM-repositoriet kräver, eftersom ingen av motorerna stöder arkitekturen uppströms.

• Kommersiell användbarhet på Apple-sidan — AMLR plus en icke-kommersiell demolicens innebär att det är renderaren, inte beskrivaren, som är den del av denna pipeline som en juridisk granskning kommer att stoppa.

Frågan som väljer en

Fråga vad din artefakt är. Om det är en fil kan bara FastFrames producera den, och du planerar runt 480p, fem sekunder, tystnad och en icke-kommersiell licens. Om det är ett påstående om material du redan har – vad som händer, vem som talar, vad som hörs – kan bara WeMM-Video-4B producera det, och du planerar runt sexton samplade bildrutor och åttatusen tokens.

Om det är båda bygger du ett system med två modeller vars skarv är tyst, och den billigaste korrekta versionen av det systemet använder inte en 5.61B omni-checkpoint för att beskriva tyst utdata. Använd en visionsmodell för de renderade klippen och behåll WeMM-Video-4B för källmaterial som har ljud. Det är en mindre elegant arkitektur än en enda modell för allt, och det är den som siffrorna stöder.

Det som inget av släppen ännu erbjuder är det som skulle avgöra saken: en körning av någon som inte skrev artikeln. Två labb släppte seriöst videarbete samma vecka utan tillkännagivande, vilket är ett mer intressant faktum om november 2026 än någon enskild benchmarkcell.