Titelkort med texten "WeMM-Video-9B vs Hailuo 2.3" och underrubriken "Sex tysta sekunder", två paneler åtskilda av en vs-cirkel: den vänstra med rubriken WeMM-Video-9B och en badge med texten "öppna vikter" samt rader med texten "19,54 GiB BF16", "läser 16 bildrutor vid 2 fps", "8 sekunders täckning", "tar emot ljudinmatning", "ingen kostnad per klipp"; den högra med rubriken Hailuo 2.3 och en badge med texten "förbrukningsbaserat API" samt rader med texten "6 s vid 1080p", "10 s vid 768p", "tyst utdata", "ingen kontroll av slutbildruta", "cirka 0,48 USD per klipp".
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: Sex tysta sekunder

Författare

jinhao.song

Publiceringsdatum

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

Båda dessa modeller kommer att svika dig på exakt en punkt, och det är samma punkt. Hailuo 2.3 producerar sex sekunder av 1080p-video och inget ljud alls. WeMM-Video-9B läser sexton samplade videorutor, vilket vid den medföljande samplingsfrekvensen motsvarar cirka åtta sekunders täckning, och returnerar text. Ingen av dem är ett generellt videosystem, och ingen av dem finns på någon topplista man kan peka på. MiniMax släppte Hailuo 2.3 i april 2026 och har sedan gått vidare till en modell som faktiskt finns på dessa listor; Tencents WeChat Vision-grupp lade upp WeMM-Video-9B på Hugging Face den 17 november 2026 utan något tillkännagivande, ingen endpoint och inget pris. Det lämnar två utgåvor som var och en på sitt eget sätt är ett avgränsat verktyg — och gränsen är det intressanta.

En notering om källor först av allt, eftersom den här texten bygger på dem. Siffrorna för Hailuo 2.3 kommer från MiniMaxs egen prissättning och dokumentation samt tredjepartsspårningar per sekund, eftersom modellen inte har någon oberoende Elo. Siffrorna för WeMM-Video-9B kommer från manifesten i kodförrådet, modellkortet och arXiv 2611.26409. Inget här har reproducerats utanför labben som publicerade det, och där en siffra är rapporterad av leverantören står det i texten.

De sex sekunderna är inte ett standardvärde.

Hailuo 2.3:s varaktighetsgräns är en inlärd egenskap, inte en inställning. Sex sekunder vid 1080p. Tio sekunder om du sänker till 768p. Det finns ingen slutbildskonditionering, så du kan inte be den landa på en specifik slutlig komposition så som du kan med en keyframe-modell, och det finns inget inbyggt ljudspår alls – utdata är tyst, och allt ljud du vill ha måste läggas till senare i kedjan eller genereras separat.

Prissättningen sker via förbetalda poäng i stället för en publicerad per-sekund-taxa, vilket gör kostnadsjämförelser svårare än de borde vara. Sex sekunder vid 768p på standardnivån är en poäng; tio sekunder vid 768p eller sex sekunder vid 1080p är två. Fast-varianten landar på omkring 0,7 poäng för det korta fallet och 1,1 till 1,3 för det långa. Tredjepartsspårare som har omvandlat detta till dollar anger det till nära 0,08 dollar per sekund, eller ungefär 0,48 dollar för ett sexsekundersklipp.

• Varaktighet — Hailuo 2.3: 6 s vid 1080p, 10 s vid 768p. WeMM-Video-9B: ingen varaktighet på utdata, eftersom den inte producerar någon video.

• Audio — Hailuo 2.3: ingen, utdata är tyst. WeMM-Video-9B: ett Whisper-liknande torn på 1,08B som transkriberar och resonerar kring ljudspåret du tillhandahåller.

• Styrning — Hailuo 2.3: ingen betingning på slutbild. WeMM-Video-9B: 4 till 128 bildrutor konfigurerbara, standardprovtagning på 2 fps.

Det som Hailuo 2.3 verkligen är bra på är det som dess användare pratar om: filmiska kamerarörelser, mänsklig rörelse och mikroansiktsuttryck samt ett stiliserat, animationsnära utseende som står sig bättre än de flesta modeller vid icke-fotorealistiska uppdrag. Det är en verklig styrka, och den går inte att mäta på en resultattavla, vilket delvis är anledningen till att modellen aldrig har förekommit på en sådan.

Two-column scoreboard headed 'WeMM-Video-9B vs Hailuo 2.3 — the scoreboard', six shared dimensions in rows: Price ('no per-clip cost' against 'about $0.48 per clip'), Board position ('none, unrankable' against 'not on AA boards'), Duration ('8 s of sampled input' against '6 s at 1080p, 10 s at 768p'), Audio ('reads the soundtrack' against 'silent output'), Control ('16 frames at 2 fps' against 'no end-frame control'), Release ('17 Nov 2026' against 'April 2026'), with a footer reading 'Hailuo pricing per October 2026 vendor rates; WeMM-Video-9B figures vendor-reported.'

Tavlan har ingen rad för någon av dem.

Läst den 20 november 2026: alla tre Artificial Analysis-videotavlorna – AA-Video-T2V v2.1, AA-Video-I2V v2.1 och AA-Video-Editing v1.1 – returnerar ingenting för Hailuo 2.3. Inte en låg placering. Ingen post.

Den frånvaron har två olika orsaker och det är värt att skilja på dem. WeMM-Video-9B kan inte rankas: rankinglistorna poängsätter genererat videomaterial utifrån parvisa preferenser, och en modell som matar ut tokens har inget att skicka in. Hailuo 2.3 skulle i princip kunna rankas och har inte blivit det – 1080p-utdata som en bedömare skulle kunna titta på, ingen inlämning, ingen prisrad, inget antal prover.

Så det enda kvalitetsbeviset i den här jämförelsen finns på den sida som inte har någon produkt. WeMM-Video-9B-artikeln rapporterar, i tänkandeläge på kombinerade audiovisuella benchmarks, segrar över Qwen3-Omni-30B-A3B-Instruct i 35 av 37 gemensamma mätvärden – Video-MME med ljud 85,1 mot 77,3, Daily-Omni 83,6 mot 70,7, EvaOmni 50,7 mot 26,1 – och en förlust, FutureOmni med 53,7 mot 55,1. Mot sin egen Qwen3.5-9B-stomme på tyst video vinner den på F-16-NBA och TimeLens och förlorar på MLVU, LVBench, VideoVista och MVBench. Allt detta är författarnas egen testrigg, vilket redovisas som sådant i artikeln.

Screenshot of the arXiv abstract page for 2611.26409, 'Pushing the Frontiers of Open-Source Omni-Modal Video Understanding', marked submitted 19 November 2026, with the author list and the abstract describing the WeMM-Video family as 2B, 4B, 9B and 35B-A3B variants.

Generationen efter Hailuo 2.3

Hailuo 2.3 är inte M​iniMaxs nuvarande modell, och att låtsas något annat skulle vara en björntjänst mot alla som budgeterar för det här kvartalet. Efterträdaren M​iniMax H3 släpptes den 31 juli 2026 och förekommer faktiskt på resultattavlorna.

• AA-Video-T2V v2.1 — M​iniMax H3 vid 768p rankas som trea på Elo 1 161 ±13 över 8 386 prover, listad i juli 2026 till $4,80 per minut.

• AA-Video-I2V v2.1 — 5:e på Elo 1 134 ±14 över 6 594 sampel, samma andel.

• AA-Video-Editing v1.1 — 6:e plats vid Elo 1 126 ±10 över 9 688 prover, $9,60 per minut.

Att vara trea på text-till-video och femma på bild-till-video till 4,80 dollar i minuten är en annan diskussion än Hailuo 2.3:s orankade, poängprissatta erbjudande på sex sekunder. Om du väljer en MiniMax-modell i stället för att jämföra en, har H3 redan vunnit den diskussionen inom leverantörens egen produktlinje.

Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, with ranked rows carrying Elo, confidence interval, sample counts, release month and per-minute price, headed by Wan 3.0 at 1,176 and showing MiniMax H3 at 768p third on 1,161 over 8,386 samples at $4.80 per minute; no Hailuo 2.3 row appears.

Varför de åtta sekunderna har större betydelse än de verkar

Det medföljande WeMM-Video-9B-receptet åsidosätter sina egna generösa standardinställningar för processorn – 2 fps, minst 4 bildrutor, högst 128, en budget på 100 663 296 pixlar – och sänker dem till 2 fps och 16 bildrutor vid 262 144 pixlar, med sampling kring klippets mittpunkt. Sexton bildrutor vid två per sekund ger åtta sekunders täckning, och täckningen börjar i mitten.

Ställ det bredvid Hailuo 2.3:s sex sekunder och något klargörande händer. Hailuo 2.3 producerar mindre filmmaterial än vad WeMM-Video-9B kan titta på, på ett sätt: ett sex sekunder långt Hailuo-klipp får plats i beskrivarens fönster med marginal. Men det tio sekunder långa 768p-läget gör det inte, och inte heller något som du skulle generera med en annan modell och sedan lämna till WeMM-Video-9B för granskning. Videosidan av pipelinen tar slut vid ungefär åtta sekunder, medan ljudsidan kan rymma ungefär tretton minuter vid tio tokens per sekund, och varje serveringskommando i repot använder en kontextlängd på 8 192 tokens som gör den asymmetrin till den bindande begränsningen.

• Om du genererar — Hailuo 2.3 ger dig sex sekunder, tyst, med stark kamerarörelse och mänsklig detalj.

• Om du granskar — WeMM-Video-9B ger dig åtta sekunder av samplade bildrutor plus hela ljudspåret, beskrivet på engelska eller kinesiska.

• Sammanslagningen – en tyst generering på sex sekunder ligger inom båda fönstren, vilket är den enda konfigurationen där den här parkopplingen är ren.

Failover är den del som inte är teoretisk

Ingen av modellerna tillhandahålls via OrcaRouter, och det står här öppet i stället för att vara undangömt. Hailuo 2.3 är åtkomlig via M​iniMax egen plattform och flera tredjepartsplattformar; WeMM-Video-9B är åtkomlig genom att ladda ner 19,54 GiB vikter med Apache-2.0-licens.

Det som spelar roll för en pipeline som blandar en generator och en beskrivare är vad som händer när en del faller bort. OrcaRouters redundansväxling routar runt en modell som är rate-limiterad eller returnerar fel utan att anroparen behöver skriva om sin klient, och routnings-DSL:en låter dig uttrycka det som en policy i stället för en hög med återförsökslogik. För en arbetsbelastning där beskrivningssteget är en lokal kontrollpunkt och genereringssteget är ett hostat API är den hostade halvan den halva som går ner – och att låta den växla över till en jämförbar modell i stället för att jobbet misslyckas är värt mer än en marginell prisskillnad.

Sex sekunder är antingen tillräckligt eller inte

Om sex sekunder av tyst, filmiskt självsäker 1080p är det som ska levereras, klarar Hailuo 2.3 det, och den enda verkliga frågan är om poängprissättningen slår alternativen per sekund för den volym du behöver. Kontrollera 768p-nivån för tio sekunder innan du standardiserar på den korta; poängkostnaden fördubblas, inte priset per sekund.

Om leveransen är en skriftlig redogörelse för filmmaterial gör WeMM-Video-9B det med familjens starkaste audiovisuella siffror och utan oberoende bekräftelse på någon av dem. Räkna med en patchad vLLM- eller SGLang-installation och med att du blir den första personen utanför T​encent som kör den skarpt.

Det som ingen av dem är, är en generell videoplattform. De är två smala verktyg med en gräns på åtta respektive sex sekunder, och att välja mellan dem handlar om vilken gräns du har råd att slå i.