Titelkort med texten "WeMM-Video-4B vs FLUX 3 Video" och underrubriken "Läs klippet eller skapa ett", två paneler åtskilda av en vs-disk, den vänstra märkt "open weights" och listar $0.00 per minut, 5,61B parametrar och en kontext på 8 192 tokens, den högra märkt "metered" och listar $17.40 per minut, upp till 20 sekunder och 10:e på AA-Video-T2V v2.1, med en sidfot som lyder "Artificial Analysis-siffror avlästa den 20 november 2026."
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video: Läs klippet eller skapa ett eget

Författare

jinhao.song

Publiceringsdatum

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

Det snabbaste sättet att slösa bort en eftermiddag är att jämföra WeMM-Video-4B med FLUX 3 Video när det gäller kvalitet. En av dem har ett nummer och den andra har det inte, och numret är inte ett kvalitetsbetyg – det är ett pris. FLUX 3 Video, från Black Forest Labs, blev allmänt tillgänglig den 4 augusti 2026 med ett publicerat pris per minut och rader på båda Artificial Analysis videotavlor. WeMM-Video-4B, från Tencents WeChat Vision-grupp, dök upp den 17 november 2026 som tio och en halv gigabyte Apache-2.0-vikter utan slutpunkt, utan pris och utan någon post på resultattavlan alls. Det du väljer mellan är en debiterad generator och en gratis beskrivare, och den ärliga jämförelsen handlar om vilken av dessa två saker som saknas i din pipeline.

Resten av den här artikeln håller tre slags fakta åtskilda: vad repositorierna och de två nämnderna uppger, vad leverantörerna hävdar i sina egna skrifter och sin dokumentation, och vad ingen utanför något av laboratorierna har verifierat. Per den 20 november 2026 utgör den tredje kategorin större delen av det intressanta materialet.

Den ena sitter i två styrelser, den andra i ingen.

Artificial Analysis poängsätter FLUX 3 Video två gånger, och de två poängen ligger på separata skalor, så ingen av dem kan överföras till den andra.

• AA-Video-T2V v2.1 — FLUX 3 Video på 10:e plats, Elo 1 137 ±13 över 7 406 röster, listad till 17,40 USD per minut. Det större FLUX 3 Video Max ligger på 7:e plats med 1 151 ±14 över 4 708 röster till 8,70 USD per minut, vilket är det ovanliga fallet att den större modellen är den billigare på listan.

• AA-Video-I2V v2.1 — FLUX 3 Video ligger på 16:e plats med 1 069 ±14 över 6 838 röster, samma 17,40 $. FLUX 3 Video Max ligger på 17:e plats med 1 068 ±14 över 6 848 röster till 8,70 $.

• WeMM-Video-4B — ingen rad på någon av tavlorna, och ingen rad på videoredigeringstavlan. Det är inte en saknad mätning; det går inte att föra in. AA:s videotavlor rankar genererat videomaterial, och WeMM-Video-4B genererar inget.

Läs intervallen snarare än rangordningarna. Sextioåtta poäng skiljer FLUX 3 Videos två placeringar mellan text-till-video- och bild-till-video-listorna – fem intervall – vilket är det användbara faktumet om en modell som poängsätts på två instrument som inte kan omvandlas till varandra: det är en kompetent generator vars position beror på vilken uppgift man ger den. Det är en verklig, om än blygsam, oberoende mätning – och det är mer än vad den andra sidan av den här matchen har.

Vad $17.40 i minuten köper

FLUX 3 Video är en multimodal generator med en bredare indatalista än någon enskild rad i översikten visar. Textpromptar, en stillbild som första bildruta, video för video-till-video och fortsättning samt nyckelbilder för kontrollerade övergångar. Varaktigheten är upp till 20 sekunder per generering, med 5 till 20 sekunder för text-till-video och bild-till-video och 5 till 15 för fortsättning. Upplösning säljs i pixelband snarare än bildförhållanden – HD vid ungefär en megapixel per bildruta, FHD vid två, QHD/2K vid fyra, UHD/4K vid åtta. Inbyggt ljud med flerspråkig dialog, synkroniserat tal, ljudeffekter och omgivningsljud är valfritt och ingår i priset per sekund.

• Draft HD — 0,06 USD per sekund. Ett testklipp på fem sekunder kostar trettio cent.

• HD / 720p — $0,17 per sekund, eller cirka $0,85 för fem sekunder.

• FHD / 1080p — 0,29 $ per sekund. QHD/2K kostar 0,40 $ och UHD/4K kostar 0,80 $.

• Video-till-video och fortsättning — $0,12 utkast, $0,41 till $0,43 HD, $0,53 till $0,54 FHD, $0,65 vid 2K och $0,95 vid 4K.

Styrelsens $17,40 per minut är ett normaliserat 1080p-värde, vilket är anledningen till att det inte går jämnt upp i det kortet. Det är en jämförelseenhet, inte ett kvitto. Flera tredjepartssammanfattningar rapporterar också att 2K- och 4K-nivåerna rullas ut snarare än är allmänt tillgängliga, så behandla kortets översta del som en fråga på kontonivå.

Vad WeMM-Video-4B ger dig gratis

Den andra sidan av duellen kostar ingenting per anrop och går inte att köpa alls. WeMM-Video-4B har 5 611 746 312 parametrar – 10,45 GiB i BF16 – i ett arkiv som är uppkallat efter sin Qwen3.5-4B-språkryggrad snarare än efter sin faktiska storlek. Överskottet är poängen: 4,21 miljarder parametrar för språkmodellen, 0,33 miljarder för visionstornet och 1,07 miljarder för en Whisper-liknande ljudstack med en Q-Former som avger 10 ljudtoken per sekund från 16 kHz-ljud i 30-sekundersblock.

Den tar text, bilder, video och video med originalets ljudspår och returnerar text. I författarnas gemensamma audio-visuella tabell slår den Qwen3-Omni-30B-A3B-Instruct på Video-MME med ljud, 83,9 mot 77,3, och på Video-MME v2, 48,1 mot 36,3. På tyst video leder den över LVBench med 65,3 mot 50,2 och LongVideoBench med 74,8 mot 63,5. Mot Qwen3.5-Omni-Flash förlorar den på ljudbenchmarkarna — MMAU 75,2 mot 80,4, MMAR 67,3 mot 74,0 — och ligger efter på OCRBench 85,7 mot 89,1 och GPQA 73,2 mot 76,4.

Var och en av dessa är Tencents egen mätning. Artikeln säger att den rapporterar officiella resultat där sådana finns och annars sina egna utvärderingar, och ingen tredje part har reproducerat någon rad. Antal bildrutor, pixelbudgetar och kontextlängd för benchmarkkörningarna anges inte – vilket spelar roll eftersom det medföljande vLLM-receptet begränsar video till 16 bildrutor och 262 144 totala pixlar mot en processorstandard på 128 bildrutor.

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

Två klockor som aldrig möts

Ingen av modellerna kan ersätta den andra, och de begränsningar som gör det sant är båda budgetar snarare än förmågor.

• Utdatabudget — FLUX 3 Video producerar upp till 20 sekunder videomaterial per anrop vid upp till 4K med ljud. WeMM-Video-4B producerar inga bildrutor alls, så dess utdatabudget är en tokenbudget: 8 192 token per begäran i befintligt skick, där ljud förbrukar 10 token per sekund innan bildrutor räknas.

• Indatabudget — WeMM-Video-4B tar emot fyra bilder, två videor och två ljudobjekt per begäran, med 2 bildrutor per sekund begränsat till 16 bildrutor. FLUX 3 Video tar emot en prompt, en första bildruta, en referensvideo eller en uppsättning nyckelbildrutor, och ingen ljudindata av något slag.

• Kostnadsprofil — FLUX 3 Video debiterar per sekund av utdata, så kostnaden skalar med ambitionen. WeMM-Video-4B debiterar per GPU-timme på din egen hårdvara, så kostnaden skalar med batchstorleken och bryr sig inte om hur lång källklippet är, bara hur många bildrutor som överlever sampleningen.

• Licens — Apache 2.0 för WeMM-samlingen, med ett ospecificerat undantag för tredjepartskomponenter; ett hostat kommersiellt API på FLUX-sidan utan publicerade vikter.

Enkelt uttryckt: den ena är en kostnad per sekund med en resultattavla, den andra en fast kapitalkostnad med ett papper. Ett team som behöver en färdig tagning kan inte använda WeMM-Video-4B, och ett team som behöver ett sökbart index över tiotusen befintliga klipp kan inte använda FLUX 3 Video – inte för att det är dyrt, utan för att det inte har något sätt att svara på en fråga om filmmaterial som det inte själv har skapat.

Ljudet är där jämförelsen böjer sig

FLUX 3 Video genererar ljud. WeMM-Video-4B förstår ljud. Det är olika förmågor som låter liknande i en funktionslista, och skillnaden avgör pipelinen.

FLUX:s ljud är en genererad utdata: flerspråkig dialog, synkroniserat tal, ljudeffekter och atmosfär, valfritt och inkluderat i priset per sekund. Det Black Forest Labs inte publicerar är antalet spår, så om du behöver dialog, musik och effekter som separerbara spår säger varken prislistan eller dokumentationen om du får dem. Räkna med en andra omgång i en DAW.

WeMM:s ljud är en indataväg: ett torn med 1,07 miljarder parametrar som omvandlar ett ljudspår till 10 tokens per sekund och sammanfogar dem med visuella tokens i kronologisk ordning, med explicita textuella tidsstämplar. Det är vad 83,9 på Video-MME med ljud mäter och vad 75,2 på MMAU mäter – hur väl den hör, inte hur väl den talar.

Så ett arbetsflöde som skriver en scen, renderar den med ljud och sedan behöver veta om dialogen faktiskt landade kräver båda halvorna, och ingen av modellerna täcker den andras halva. Det är det enda stället i den här jämförelsen där de två verkligen kompletterar varandra snarare än bara är olika.

Routningsfrågan, ärligt formulerad

OrcaRouter tillhandahåller ingen av modellerna. Det finns ingen WeMM-Video-4B-endpoint – plattformens katalog har ingen WeMM-checkpoint alls – och inte heller någon FLUX 3 Video-rutt. FLUX 3 Video är tillgänglig via Black Forest Labs eget API och flera tredjepartsplattformar; WeMM-Video-4B är tillgänglig som nedladdning, med ett patchat vLLM- eller SGLang-overlay, eftersom ingen av motorerna stöder arkitekturen uppströms.

Det plattformen faktiskt täcker är textlagret som omger vart och ett av arbetsflödena, och i den här jämförelsen är den användbara delen modellfusion snarare än enkel routning. Beslutet "är det här klippet värt att behålla" är en bedömningsfråga, och ett fusionerat anrop som sätter en billig klassificerare och en dyr resonemangsmodell på samma prompt kan fatta det beslutet till en bråkdel av kostnaden för att köra den dyra på varje kandidat. Det körs på en OpenAI-kompatibel nyckel över 200+ modeller, till leverantörernas listpriser med 0 % påslag, så när en leverantör sänker ett pris gäller sänkningen samma dag i stället för vid nästa faktureringscykel. För den enbart visionsbaserade halvan av WeMM-arbetet specifikt tar både Qwen3-VL-235B-A22B-Thinking och Qwen3-VL-8B-Thinking emot bilder och videorutor och finns på plattformen i dag – vilket är en väg runt den saknade omni-modellen, inte en ersättning för dess ljudtorn.

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 cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

Vad skulle faktiskt avgöra det?

Tre utvecklingar skulle flytta denna jämförelse bort från den leverantörsrapporterade grund som den för närvarande vilar på.

För det första: en WeMM-Video-4B-post på någon oberoende tavla. Det finns ingen, och skälet är strukturellt snarare än konspiratoriskt: AA:s videotavlor rankar genererat material, och en förståelsemodell kan inte delta. En omnimodal arena för videoförståelse är det saknade instrumentet, och tills en sådan finns är varje WeMM-siffra T​encents ord.

För det andra, ett viktsläpp för FLUX 3 Video. Black Forest Labs har rykte om sig att släppa öppet, och denna checkpoint har ingen licens för nedladdning, så jämförelsen står för närvarande mellan en öppen modell och en sluten, vilket är en skillnad som ingen benchmarkrad fångar.

För det tredje, ett hostat pris för WeMM-familjen. Om en kompatibel host börjar servera dessa vikter till leverantörens listpris med 0 % påslag som förs vidare, förändras kostnadssidan i den här artikeln inom en vecka. Det är ett villkor, inte ett aktuellt faktum, och inget här bör läsas som ett påstående att vi hostar den.

Vilken du faktiskt behöver

Om leveransen är rörligt material är FLUX 3 Video den enda av de två som kan producera det, och beslutet kokar ner till huruvida $0,17 per sekund för 720p är acceptabelt jämfört med de alternativa generatorerna på samma resultattavla – där den, på tionde plats inom text-till-video, ligger prismässigt i mitten av fältet.

Om det som ska levereras är ett påstående om videomaterial som du redan har, är WeMM-Video-4B den enda av de två som kan ta fram det, och beslutet kokar ner till om du kan hantera en källkodsoverlay för vLLM eller SGLang och en checkpoint på 10,45 GiB för att få en beskrivare i 4B-klassen med ovanligt bra resultat för långa videor.

Fällan är att behandla $17.40 och $0.00 som samma kvantitet. Den ena är en förbrukningsbaserad avgift för en tjänst; den andra är avsaknaden av en tjänst. WeMM-Video-4B är gratis på samma sätt som en forskningsrelease är gratis – du betalar i integration, i ovaliderade GGUF-paket och i avsaknaden av någon annans åsikt om huruvida den fungerar.

Jämförda i den här artikeln1

Identifierat från den här artikeln