Titelkort med texten "WeMM-Video-9B vs FLUX 3 Video" och underrubriken "Vem debiterar för vad", två paneler åtskilda av en vs-cirkel: den vänstra märkt "endast vikter" och listar 9B dense-parametrar, 19,54 GiB BF16-shards och ett tak på 128 bildrutor, den högra märkt "debiteras per användning" och listar Elo 1 137 på AA-Video-T2V v2.1 och 17,40 dollar per minut.
Guides & Insights

WeMM-Video-9B vs FLUX 3 Video: Vem tar betalt för vad

Författare

jinhao.song

Publiceringsdatum

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

Två modeller med video i namnet, och bara en av dem kommer någonsin att ge dig en video. FLUX 3 Video, från Black Forest Labs, blev allmänt tillgänglig den 4 augusti 2026 och säljer sekunder av färdig 1080p-film till ett publicerat pris. WeMM-Video-9B, från Tencents WeChat Vision-grupp, lades upp den 17 november 2026 som en Apache-2.0-checkpoint på 19,54 GiB som läser filmmaterial och skriver meningar om det. Ingen annonserade det – inget blogginlägg, ingen prissida, ingen demo, ingen post på en resultattavla – vilket är anledningen till att den användbara frågan här inte är vilken modell som är bättre. Det är vilken av de två fakturorna du försöker minska.

Den där omformuleringen är ingen undanmanöver. En jämförelse mellan en generator och en beskrivare är bara ärlig om man redan från början säger att de inte är utbytbara, och sedan letar efter de punkter där de faktiskt möts: kostnad per arbetsenhet, taket för hur stor del av ett klipp som endera av dem kommer att titta på, och hur mycket av vartdera påståendet som har granskats av någon som inte arbetar på företaget.

Två produktkategorier, inte två konkurrenter

FLUX 3 Video tar en textprompt, en stillbild eller ett källklipp och returnerar nytt videomaterial. Black Forest Labs dokumenterar text-till-video, bild-till-video, video-till-video, nyckelbildskonditionering och fortsättning, utdata på upp till tjugo sekunder i 1080p SDR MP4, med synkroniserat ljud genererat i samma pass. Det är inte öppna vikter. Det finns ingen checkpoint att ladda ner och ingen licens som låter dig köra det på din egen hårdvara; du hyr det.

WeMM-Video-9B tar emot bildrutor plus det ursprungliga ljudspåret, plus fristående ljud, plus bilder, plus text, och returnerar text på engelska eller kinesiska. Det är Apache 2.0 med ett undantag för tredjepart som modellkortet inte specificerar. Det finns en checkpoint, fem BF16-shards av den, och ingen värdbaserad slutpunkt som någon har hittat.

• Riktning — FLUX 3 Video: text eller bild som indata, video som utdata. WeMM-Video-9B: video och ljud som indata, text som utdata.

• Parametrar — FLUX 3 Video: inte publicerad. WeMM-Video-9B: 9B tät språkbackbone, 10,488,603,384 totalt över 1,305 tensorer.

• Tak — FLUX 3 Video: tjugo sekunder utdata. WeMM-Video-9B: sexton samplade bildrutor och 8 192 token indata, i levererat utförande.

• Åtkomst — FLUX 3 Video: mätarbaserat API. WeMM-Video-9B: ladda ner och självhosta, med ett vLLM- eller SGLang-overlay.

Two-column contrast headed 'WeMM-Video-9B vs FLUX 3 Video', the left listing 10.49B parameters, 16 sampled frames in, text out and Apache 2.0, the right listing Elo 1,137 on AA-Video-T2V v2.1, up to 20 seconds and $17.40 per minute, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

Läser $17.40

Artificial Analysis prissätter FLUX 3 Video till 17,40 dollar per minut på båda de listor där det förekommer, och den konsistensen är värd att stanna upp inför, eftersom det är det enda talet i den här artikeln som båda sidorna av marknaden är överens om.

Per-sekund-kortet i Black Forest Labs dokumentation är mer detaljerat och mindre smickrande: $0.15 per sekund för HD, $0.24 för Full HD, $0.28 för QHD och $0.41 för UHD för text- eller bild-till-video, med en separat och högre stege för video-till-video på $0.21, $0.27, $0.31 och $0.45, samt en Draft-nivå på $0.06. FAQ:n på modellsidan anger fortfarande $0.17, $0.29, $0.40 och $0.80 för samma fyra nivåer. Två dokument från samma leverantör, båda aktuella, skiljer sig med upp till en faktor två i toppen. Budgetera utifrån per-sekund-kortet och behåll FAQ:n som bevis på att prissidor ruttnar.

Det är här ett routinglager förtjänar sin plats i stället för att bara vara utsmyckning. OrcaRouter för vidare leverantörens listpris till 0 % påslag, så när en leverantör reviderar en prislista – eller publicerar två som motsäger varandra – följer det belopp du faktureras det belopp de publicerar, inte en återförsäljares cachade kopia. För en arbetsbelastning som faktureras per sekund över fyra upplösningsnivåer är det skillnaden mellan en kostnadsmodell som överlever en prisändring och en som tyst glider iväg.

Vad siffrorna på tavlan betyder

FLUX 3 Video rankas två gånger, på två instrument som inte kan konverteras till varandra.

• AA-Video-T2V v2.1 — 10:e plats med Elo 1 137 ±13 över 7 406 prover, juli 2026, 17,40 USD per minut.

• AA-Video-I2V v2.1 — 16:e plats med Elo 1 069 ±14 över 6 838 sampel, till samma pris. Dess större syskon FLUX 3 Video Max ligger på 7:e plats för text-till-video med 1 151 och på 17:e plats för bild-till-video med 1 068, till $8,70 per minut.

Sextioåtta poäng skiljer raderna för text-till-video och bild-till-video åt – fem intervall i skillnad – vilket är det enskilt mest användbara faktumet om en modell som poängbedömts på två resultattavlor: dess placering är ett uttalande om uppgiften, inte om modellen. Ingen av tavlorna har en rad för WeMM-Video-9B, och ingen av dem kommer någonsin att få det, eftersom båda rangordnar genererat videomaterial och WeMM-Video-9B genererar inget. Det är inte en låg poäng. Det är en tom cell.

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 at rank 10 on Elo 1,137 over 7,406 samples at $17.40 per minute and FLUX 3 Video Max at rank 7 on 1,151.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.

Vad sexton bildrutor inte kan se

Den medföljande konfigurationen för WeMM-Video-9B är den del av repot som mest sannolikt gör någon besviken som bara skummat igenom artikeln. Processorns standardvärden tillåter 2 bildrutor per sekund, minst 4 bildrutor, högst 128 bildrutor och en pixelbudget på 100 663 296 pixlar. vLLM-receptet som följer med i repot skriver över allt detta till 2 fps, 16 bildrutor och 262 144 pixlar, samplade runt mitten av klippet. Sexton bildrutor vid 2 fps är åtta sekunders täckning, och sampleningen börjar i mitten, så början och slutet av ett längre klipp finns helt enkelt inte med i indata.

Varje serveringskommando skickar också med en kontextlängd på 8 192 token. Med tio ljudtoken per sekund kan ljudtornet rymma ungefär tretton minuter ljud; videosidan tar slut mycket tidigare. Arkitekturen har stöd för 262 144 positionsembeddingar, så taket är ett val i receptet snarare än en hård gräns – men det är valet leverantören levererade, och det är det du får om du följer instruktionerna.

Mot FLUX 3 Videos tjugosekundersutdata är det en missmatchning åt båda hållen. Tjugo sekunder genererat videomaterial är mer än åtta sekunder av tittande. Om din pipeline genererar och sedan beskriver, samplar beskrivaren bara en bråkdel av det som generatorn producerade, och att täppa igen det gapet är ett konfigurationsjobb som du måste göra själv.

Evidensgapet är asymmetriskt

FLUX 3 Video har två oberoende Elo-rader och ett pris. Det den inte har är en oberoende tredjepartskontroll av marknadsföringen: sidan för FLUX 3 Max hävdar "10-sekundersvideo på 12 sekunder", "22 gånger snabbare än Seedance 2.5" och delad förstaplats i bild-till-video, utan namngiven resultattavla, utan prisrad för Max på per-sekund-kortet och utan Max-slutpunkt. Det är leverantörens påståenden och bör läsas som sådana.

WeMM-Video-9B har det motsatta problemet. Dess benchmarktabell är detaljerad – Video-MME med ljud 85,1 mot Qwen3-Omni-30B-A3B-Instructs 77,3, Daily-Omni 83,6 mot 70,7, SciVideoBench 64,2 mot 49,9, OmniReasoningBench 43,9 mot 24,1, med en enda förlust på FutureOmni på 53,7 mot 55,1 – och inget av det har reproducerats utanför författarnas eget utvärderingsramverk. Artikeln redovisar detta: "officiella resultat där sådana finns och våra egna utvärderingar i övrigt." Den meningen får bära mycket, och att nedladdningsantalet är noll för alla nitton WeMM-Video-repon tre dagar efter publiceringen tyder på att ingen har börjat kontrollera.

Beslutet, en rad vardera.

Köp FLUX 3 Video om du behöver filmmaterial och $17.40 per minut är acceptabelt mot en resultattavla där den rankas 10:a på text-till-video och 16:e på bild-till-video. Du får ett dokumenterat API, ett publicerat pris och ett oberoende betyg, men du avstår från möjligheten att köra det själv.

Ladda ner WeMM-Video-9B om du behöver en beskrivning av material du redan har och kan hantera en kontrollpunkt på 19,54 GiB plus en patchad runtime. Du får en 9B-beskrivare med starka audiovisuella siffror och en Apache-2.0-licens, och du avstår från oberoende verifiering, ett servingkontrakt och någon garanti för hur mycket av ett långt klipp den faktiskt tittar på.

Det du inte bör göra är att behandla $17.40 och den gratis nedladdningen som samma radpost. Det ena är en taxa. Det andra är en forskningsutgåva vars verkliga kostnad visar sig senare, i integrationstimmar och i avsaknaden av en andra åsikt.