Titelkort med texten "WeMM-Video-9B vs Alibaba Wan 2.7" och underrubriken "en faktura och en checkpoint", två paneler åtskilda av en vs-cirkel: den vänstra märkt "endast vikter" och listar 9B täta parametrar, 19,54 GiB BF16-shards, Apache 2.0 och inget pris, den högra märkt "mätarstyrt API" och listar Elo 1 074 på AA-Video-Editing v1.1 och $16,90 per minut.
Guides & Insights

WeMM-Video-9B vs Alibaba Wan 2.7: En faktura och en checkpoint

Författare

jinhao.song

Publiceringsdatum

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

Börja med fakturan. Alibaba Wan 2.7har ett pris per minut på två av Artificial Analysis videotavlor och ett dokumenterat varighetsintervall, vilket gör den till en av få videomodeller som du kan beräkna kostnaden för innan du skriver en rad kod. WeMM-Video-9Bhar ingen taxa alls. Tencents WeChat Vision-grupp publicerade den 17 november 2026 som nitton och ett halvt gigabyte Apache-2.0-vikter – fem BF16-shardar, ett modellkort och en arXiv-förprint numrerad 2611.26409 – och sade sedan ingenting. Inget lanseringsinlägg, ingen prissida, ingen hostad endpoint, ingen inlämning till tavlan. Tre dagar senare visar repona fortfarande noll nedladdningar sammanlagt. Så den ärliga jämförelsen är inte Wan 2.7 mot WeMM-Video-9B i kvalitet; det är en mätartaxerad tjänst mot en oprissatt artefakt, och de två siffror du skulle vilja ställa sida vid sida finns inte av samma anledning på båda sidor.

Allt nedan skiljer på tre saker: vad Wan 2.7-dokumentationen och de två topplistorna anger, vad WeMM-Video-9B-repositoriet och artikeln hävdar, och vad ingen utanför något av laboratorierna har reproducerat. Den tredje kategorin är där merparten av WeMM-Video-9B-materialet finns, och att låtsas något annat vore det snabbaste sättet att göra den här texten värdelös.

Wan 2.7 debiteras per minut

Alibabas prislista för Wan 2.7 är ovanligt lättläst för att vara en videomodell. Sviten är en produkt med fyra lägen – text-till-video, bild-till-video, referens-till-video och videoredigering – och prissättningen som visas på tavlorna är ett rakt per-minut-belopp snarare än ett kreditsystem som man måste baklängeskonstruera.

• AA-Video-Editing v1.1 — Wan 2.7 ligger på 9:e plats med Elo 1 074 ±8 över 22 754 prover, en utgivningsmånad på april 2026 och 16,90 dollar per minut. Intervallet är det tightaste på tavlan utanför topp tre, vilket är vad tjugotvåtusen röster ger dig.

• AA-Video-T2V v2.1 — samma familj förekommer som Wan2.7-260612 på 20:e plats med Elo 1 035 ±13 över 6 965 prover, juni 2026, 9,00 USD per minut. Samma leverantör, annan uppgift, ett annat pris och ett Elo som inte omvandlas till redigeringspoängen.

• Wan 2.7 finns inte alls med på bild-till-video-tavlan. Wan 3.0 finns däremot med – på tolfte plats med 1 109 – och den utevaron är värd att tolka noggrant. Det betyder inte att Wan 2.7 inte kan animera en stillbild; det betyder att arenan inte har rankat den där. Alibabas svit marknadsför visserligen styrning av första och sista nyckelbild, upp till fem motivbilder och fem referensklipp, samt utdata på 720p till 1080p med inbyggt ljud. Kapacitet som tavlan inte poängsätter är fortfarande kapacitet.

En kontextuell kommentar som spelar roll för budgeteringen: Wan 2.7 är föregående generation. Wan 3.0 leder nu både text-till-video-listan (1 176) och redigeringslistan (1 197), och det är det billigare av de två för text-till-video med 12,00 USD per minut jämfört med Wan 2.7:s redigeringspris på 9,00 USD. Om du i dag väljer en Alibaba-modell i stället för att jämföra en har beslutet redan gått vidare.

Vad 9B-checkpointen faktiskt är

WeMM-Video-9B är inte en videogenerator, och den där enda meningen gör det mesta av arbetet i den här jämförelsen. Det är en videoförståelsemodell: du ger den bildrutor plus originalljudspåret, och den returnerar text. Beskrivning, transkription, tidsmässigt resonemang, frågebesvarande över videomaterial du redan har.

Repositoriet är ovanligt specifikt om vad som finns i det, vilket är det enda stället där ett tyst släpp slår ett högljutt. Hugging Face-posten listar 10 488 603 384 parametrar över 1 305 tensorer, BF16, 19,54 GiB fördelade på fem shards. Uppdelningen specificeras post för post: en språkbackbone på 7,94B inklusive en tokeninbäddning på 1,02B, ett obundet output-huvud på 1,02B, ett Whisper-liknande ljudtorn på 1,08B med 32 lager vid bredd 1 280 bakom en tvålagers Q-Former, och ett visionstorn på 0,46B med 27 block vid dold bredd 1 152 med patchstorlek 16 och en 2×2 spatial sammanslagning. Språkstacken har 32 lager vid dold dimension 4 096, 16 attention-huvuden mot 4 key-value-huvuden vid huvuddimension 256, med hybrid linjär attention – ett full-attention-lager per tre linjära – och 262 144 positionsinbäddningar.

Det du får i praktiken är en bred indata och en smal utdata. Video, ljud, bilder och text går in. Text kommer ut, på engelska eller kinesiska. Det finns ingen bildrutesyntes någonstans i arkitekturen, och oavsett hur mycket man än promptar går det inte att få fram en.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

Två klockor som inte möts

Jämförelsen som faktiskt avgör något handlar om tid och pengar, och båda sidor har ett tak.

• Wan 2.7:s gräns är varaktigheten. Två till femton sekunder per generering, 720p till 1080p, debiteras per sekund. Ett 1080p-klipp på femton sekunder är en känd storhet innan du trycker på start.

• WeMM-Video-9B:s tak är kontexten. Processorn använder som standard 2 bildrutor per sekund med minst 4 bildrutor, högst 128 bildrutor och en total budget på 100 663 296 pixlar. Det medföljande vLLM-receptet åsidosätter allt detta till 2 fps och 16 bildrutor vid 262 144 pixlar – ungefär åtta sekunders täckning som samplats från mitten av klippet. Varje serveringskommando i repot anger också en kontextlängd på 8 192 token, och vid tio ljudtoken per sekund är det ungefär tretton minuters ljud om du lägger budgeten på enbart ljud.

• Avvikelsen.Wan 2.7 producerar femton sekunder videomaterial. WeMM-Video-9B tittar, i levererat skick, på åtta. Om din pipeline genererar ett klipp och sedan frågar en modell vad som hände i det, samplar beskrivaren hälften av utdata. Det är inte en brist i någon av produkterna; det är en konfiguration som du måste ändra medvetet, och repots eget exempel ändrar den inte åt dig.

Styrelsen som ingen av dem sitter i

Här är det strukturella problemet med den här matchningen, uttryckt rakt på sak. Varje videotavla från Artificial Analysis rangordnar genererat videomaterial. Text-till-video, bild-till-video, videoredigering – alla tre utgår från en modell som producerar pixlar och rangordnar den efter parvisa mänskliga preferenser. WeMM-Video-9B producerar tokens.

Det är inte så att WeMM-Video-9B fick dåliga resultat. Det går inte att ställa upp. Wan 2.7 har två rader, båda med intervall som är tillräckligt snäva för att man ska kunna argumentera om dem; WeMM-Video-9B har inga och kommer inte att ha några förrän någon bygger en arena för videoförståelse. Vilket innebär att det enda kvalitetsbeviset för det som den här artikeln handlar om är författarnas egen tabell.

Den tabellen är inte ingenting. I tankeläge på kombinerade ljud- och bilduppgifter slår 9B-checkpointen Qwen3-Omni-30B-A3B-Instruct på 35 av 37 gemensamma mätvärden – Video-MME med ljud 85,1 mot 77,3, Daily-Omni 83,6 mot 70,7, SciVideoBench 64,2 mot 49,9, OmniReasoningBench 43,9 mot 24,1 – och förlorar på exakt ett, FutureOmni med 53,7 mot 55,1. På tyst video, mot dess egen Qwen3.5-9B-stomme, vinner den på F-16-NBA (88,7 mot 75,8) och TimeLens, och förlorar på MLVU, LVBench, VideoVista, VSI-Bench och MVBench. Artikeln säger att den rapporterar ”officiella resultat där sådana finns och annars våra egna utvärderingar”, vilket är korrekt redovisning och också anledningen till att inget av det är oberoende.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

Var OrcaRouter passar

Ingen av modellerna tillhandahålls via OrcaRouter, och den här artikeln tänker inte låtsas något annat. Wan 2.7 går att nå via Alibabas eget API och flera tredjepartsplattformar; WeMM-Video-9B kan nås genom att ladda ner den.

Det som hör hit är faktureringssidan, eftersom anledningen till att team till slut jämför en generator med en describer är att båda kopplas in i samma pipeline. OrcaRouter för vidare leverantörens listpris till 0 % påslag, vilket innebär att en leverantörs prissänkning hamnar på din faktura samma dag som den hamnar på deras, i stället för när en återförsäljare sätter nya priser. Om Wan 2.7:s redigeringstaxa på 16,90 USD blir 12,00 USD på samma sätt som Wan 3.0:s blev, ser du det på nästa faktura. För en arbetsbelastning där en del mäts per sekund och den andra delen är en checkpoint som du själv hostar, är det skillnaden mellan en budget du kan prognostisera och en du inte kan, att den mätta halvan rapporteras till självkostnad.

Vilken ska man budgetera för

Om det som ska levereras är filmmaterial är Wan 2.7 den enda av de två som kan producera det, och beslutet handlar om huruvida $16.90 i minuten för redigering eller $9.00 i minuten för text-till-video är konkurrenskraftigt mot resten av fältet. Med en nionde- respektive tjugondeplats ligger den i mitten av fältet på båda.

Om det som ska levereras är ett utlåtande om filmmaterial som du redan har, är WeMM-Video-9B den enda av de två som kan ta fram det, och beslutet kokar ner till huruvida du kan hantera en patchad installation av vLLM eller SGLang, en checkpoint på 19,54 GiB och ett samplingsfönster på åtta sekunder för att få en beskrivare i 9B-klass med verkligt starka audiovisuella mätvärden.

Fällan är att läsa $16.90 och $0.00 som samma storhet. Den ena är en mätbaserad avgift för en tjänst som du kan ringa i eftermiddag. Den andra är frånvaron av en tjänst, och priset för den frånvaron betalas i integrationsarbete och i det faktum att ingen utanför Tencent har berättat för dig huruvida siffrorna håller.