
WeMM-Video-4B vs HiDream-O1-Video-1.0: Två typer av snävt
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 182 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 356 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 87 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 147 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
HiDream-O1-Video-1.0 och WeMM-Video-4Bbeskriver båda sig själva i vidare ordalag än de faktiskt fungerar. HiDreams lanseringsmeddelande utannonserar en modell som tar text, bilder och video och returnerar fem till tjugo sekunder 1080p-film med synkroniserat ljud; det dokumenterade API:et accepterar exakt en referensbild och en valfri prompt. WeMM-Video-4B tar text, bilder, video och ljud och returnerar text, vilket stämmer — och modellen serveras ingenstans, så det den accepterar i teorin är vad du får först efter att ha patchat din egen inferensmotor. Den ena begränsas av sitt serveringskontrakt, den andra av att inte ha något serveringskontrakt alls. Det är hela jämförelsen, och allt nedan är detaljer som hänger på den.
Ingen av modellerna är någon man kan anropa i dag i det läge som dess artikel betonar. Hur mycket det spelar roll beror på vilken halva av gapet du själv kan stänga, och det är en fråga om licenser och GPU:er snarare än om kvalitet.
Raden, och versionen som den ligger på
HiDream-O1-Video-1.0 har en oberoende mätning. Avläst den 20 november 2026, på brädan AA-Video-I2V v2.1, ligger den på 14:e plats med Elo 1 101 och ett 95-procentigt intervall på ±14, vilket ger ett spann från 1 087 till 1 115, över 6 976 röster, registrerad som en utgåva från augusti 2026, till $5,80 per minut genererad video.
Sex veckor tidigare, på v1.0tavlan, låg samma modell på sjätte plats med 1 175 ±10 efter 3 231 röster. Läser man det slarvigt är det en kollaps. Det är det inte, och anledningen är värd att sägas rakt ut, eftersom det är det vanligaste felet man gör med de här tavlorna: v1.0 och v2.1 är olika instrument med olika Elo-skalor, olika röstunderlag och en annan taxonomi. En poäng går inte att överföra mellan dem, så avståndet mellan 1 175 och 1 101 är inte ett mått på hur mycket sämre modellen blev. Det som faktiskt förändrades är verkligt – en 14:e plats är en sämre plats att vara på än en 6:e plats enligt den nuvarande tavlans regler – men aritmetiken som förbinder dem finns inte.
WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is Tencent's own.
Vad HiDreams API faktiskt accepterar
Serveringsytan är dokumenterad och den är snäv, på sätt som direkt motsvarar lanseringspåståendena.
• Indata — exakt en referensbild, angiven som en offentlig URL eller Base64 mellan 40 KB och 20 MB. Prompten är valfri och är tom som standard. Tillkännagivandet listar video bland modellens indata; förfrågningsschemat har inget fält för det.
• Upplösning — ingen väljare. Resultatet behåller referensbildens bildförhållande. Påståendet om 1080p i meddelandet går inte att styra från begäran.
• Varaktighet — en boolean, force_10s, som standard false. Lämnas det som false väljer modellen; sätts det till true får du tio sekunder. Det annonserade intervallet fem till tjugo sekunder har inget numeriskt fält.
• Ljud — ingen ljudingång eller parameter för ljudgenerering exponeras, trots det inbyggda synkroniserade ljudet som versionen beskriver.
• Resultatkontrakt — asynkront. Du skickar in, får ett task_id och pollar. result.status = 1 betyder att varje deluppgift nådde ett terminalt tillstånd, inte att genereringen lyckades; framgång är sub_task_results[].task_status = 1, med 3 för genereringsfel och 4 för säkerhetsgranskning.
Så modellen du kan anropa är en bildanimator med två varaktighetslägen. Modellen som beskrivs i releaseinformationen är en kombinerad text-, video- och ljudgenerator med planerad varaktighet. Båda påståendena dokumenteras av samma företag, och skillnaden är en färdplan snarare än en motsägelse.
Vad WeMM-Video-4B ber dig att bygga
Den andra sidan har inget åtagande att vara snäv, eftersom det inte finns någon ändpunkt. WeMM-Video-4B har 5 611 746 312 parametrar – 10,45 GiB BF16-vikter – och släpptes under Apache 2.0 i en familj med fyra storlekar som alla dök upp inom ett fönster på nitton minuter den 17 november 2026, med den tekniska rapporten, arXiv 2611.26409, som följde den 19 november.
Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and Tencent labels it exported_unvalidated.
Vad du får för det är en beskrivare med en ovanligt stor ljudstack: 4,21 miljarder parametrar i en språkmodell härledd från Qwen3.5-4B, 0,33 miljarder i ett visionstorn och 1,07 miljarder i en Whisper-liknande ljudkodare–avkodare som matar en Q-Former med 10 tokens per sekund. Nästan en femtedel av checkpointen är öron, vilket är anledningen till att dess gemensamma ljud- och bildpoäng är de intressanta.
Lägena som varje modell jämförs i
En rättvis jämförelse här är inte "vilket som är bättre" utan "vilket läge som är det du faktiskt kan nå", och de två svaren landar på olika ställen.
• HiDream-O1-Video-1.0 — tillgängligt läge: bild-till-video, en referensbild, fast bildförhållande, tio sekunder eller modellens val, ingen ljudkontroll. Poängsatt läge: bild-till-video. Resultattavlan och API:et stämmer överens.
• WeMM-Video-4B — nåbart läge: video med ljudspår in, text ut, vid 16 samplade bildrutor och 8 192 token i levererat skick. Poängsatt läge: artikeln rapporterar Thinking-läge i videotabellerna, Instruct i ljudtabellen och Thinking igen för bild och text, och den anger inte antalet bildrutor eller den kontextlängd som användes.
• Båda — leverantörsrapporterat där en siffra finns, och ingen tredje part har reproducerat någotdera. HiDreams fördel är att det har röstats om en konfiguration av personer som inte arbetar för HiDream.


Ljudfrågan, som bara en sida kan besvara
HiDream genererar ljud och WeMM-Video-4B förstår det. De låter som samma förmåga i en funktionslista, men det är de inte, och för ett team som bygger en pipeline avgör skillnaden vilken av dem som ens är relevant.
På generationssidan beskriver HiDreams lansering en enda process som modellerar text, video och ljud tillsammans i stället för att lägga till ljud i efterhand, så att läpprörelser, omgivningsljud och fysisk handling delar en tidslinje. Huruvida man kan styra detta är en separat fråga: den dokumenterade begäran innehåller ingen ljudparameter, och tillkännagivandet publicerar inget antal spår, så dialog, musik och effekter som separerbara spår är overifierade på båda punkterna.
On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are Tencent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.
Så den ärliga sammanfattningen är att den ena modellen skapar ljud som du ännu inte kan granska, och den andra granskar ljud som du måste tillhandahålla. Ingen av dem är det ljudverktyg som en produktionspipeline vill ha förrän den första får en ljudparameter och den andra får en värd.
Där en router hjälper till och där den inte gör det
OrcaRouter tillhandahåller ingen av modellerna. Det finns ingen WeMM-slutpunkt – katalogen innehåller ingen WeMM-checkpoint – och inte heller någon HiDream-rutt; HiDream-O1-Video-1.0 går att nå via HiDreams egen plattform och flera tredjepartsplattformar. Ingenting nedan är ett påstående att vi hostar någon av dem.
Det är i själva migreringen som en router gör nytta i den här jämförelsen, och verktyget för det är routnings-DSL:et snarare än modellistan. Båda dessa modeller ligger bakom ett servinggränssnitt som synbart är provisoriskt – den ena är en förhandsvisning med en enda indata och en terminalflagga med två lägen, den andra är ett källöverlägg fäst vid specifika uppströmsversioner – och en stack som hårdkodar någon av dem är en stack som går sönder när någon annan publicerar en releaseanteckning. En routningspolicy som pekar ut en primär och en reserv, och som kan jämföra två modeller inom en och samma förfrågan i stället för två integrationer, förvandlar den risken till konfiguration. Det körs via en OpenAI-kompatibel endpoint med fler än tvåhundra modeller till leverantörens listpriser som förs vidare med 0 % påslag, så en prisändring från leverantören slår igenom samma dag. För den enbart visionsbaserade delen av WeMM-arbetsbelastningen finns både Qwen3-VL-235B-A22B-Thinking och Qwen3-VL-8B-Thinking på plattformen nu – vilket är en väg runt den saknade omni-checkpointen, inte en ersättning för dess ljudtorn.

Vilken begränsning du kan leva med
Om du behöver filmmaterial det här kvartalet och en referensbild räcker, är HiDream-O1-Video-1.0 den enda av de två med en anropbar endpoint, och dess begränsningar är dokumenterade tillräckligt väl för att integrera mot på en eftermiddag. Budgetera 5,80 dollar i minuten, planera för tio sekunder eller modellens val, och läs deluppgiftens status i stället för den avslutande flaggan.
Om du behöver veta vad som finns i videomaterial du redan har – inklusive vad som sägs i det – är WeMM-Video-4B den enda av de två som kan svara, och inträdespriset är en patchad inferensmotor, en checkpoint på 10,45 GiB och en samplingsbudget på 16 bildrutor som du bör justera innan du litar på ett resultat för långa videor.
Det som ingen av dem ger dig är det som en jämförelsesida vanligtvis utlovar: en gemensam uppgift att rangordna dem efter. De är inte två svar på en och samma fråga. De är två modeller vars offentliga gränssnitt båda är mindre än deras forskningsartiklar, och den användbara ingenjörsmässiga bedömningen är vilka av dessa luckor du kan täppa till med din egen hårdvara.
Jämförda i den här artikeln1
Identifierat från den här artikeln
