Titelkort med texten ”WeMM-Video-9B vs HiDream-O1-Video-1.0” och underrubriken ”Två smala midjor”, två paneler åtskilda av en vs-skiva: den vänstra med rubriken WeMM-Video-9B, ett märke med texten ”öppna vikter” och rader med texten ”ingen Elo, ingen resultattavla”, ”läser video, returnerar text”, ”19.54 GiB BF16”, ”Apache 2.0”, ”ej tillkännagiven”; den högra med rubriken HiDream-O1-Video-1.0, ett märke med texten ”API med förbrukningsmätning” och rader med texten ”Elo 1 101, placering 14”, ”6 976 röster”, ”5,80 USD per minut”, ”en referensbild”, ”max 10 s”.
Guides & Insights

WeMM-Video-9B vs HiDream-O1-Video-1.0: Två smala midjor

Författare

jinhao.song

Publiceringsdatum

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

Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — T​encent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.

Jämförelsen som följer handlar därför inte om kapacitet. Den handlar om vilken begränsning du kan designa runt, och svaret visar sig bero på om du hellre betalar för ett dokumenterat tak eller hostar ett odokumenterat.

Vad artikeln säger och vad API:et accepterar

HiDream-O1-Video-1.0 släpptes den 28 augusti 2026 och nådde bild-till-video-listan den 10 september. Leverantörens tillkännagivande är brett: text-, bild- och videoinmatning, fem till tjugo sekunder av 1080p-utdata, inbyggt synkroniserat ljud, narrativt planerad varaktighet, fysikbegränsningar.

HiHarness API är inte omfattande. Det tar en referensbild – en URL eller Base64, högst 20 MB och minst 40 KB – plus en valfri textprompt, plus en boolesk force_10s. Det finns ingen upplösningsväljare. Det finns inget fält för referensvideo. Det finns ingen ljudkontroll. Om du vill ha fem sekunder får du tio; om du vill ha tjugo får du tio. Gapet mellan artikeln och endpointen är det mest konkreta faktumet om den här modellen och det som mest sannolikt kommer att förändra din arkitektur.

• Indata — HiDream-O1-Video-1.0: en referensbild plus valfri prompt. WeMM-Video-9B: video, ljud, bilder och text, upp till fyra bilder, två videor och två ljudklipp per begäran.

• Utdata — HiDream-O1-Video-1.0: 1080p-video med synkroniserat ljud, tio sekunder i praktiken. WeMM-Video-9B: text på engelska eller kinesiska.

• Begränsning — HiDream-O1-Video-1.0: API-ytan. WeMM-Video-9B: det levererade samplingsreceptet, 16 bildrutor vid 2 fps.

Two-column scoreboard headed 'WeMM-Video-9B vs HiDream-O1-Video-1.0 — the scoreboard', six shared dimensions in rows: Price ('$0.00, no endpoint' against '$5.80 per minute'), Board position ('none, unrankable' against 'Elo 1,101, I2V rank 14'), Input ('video, audio, images' against 'one reference image'), Output length ('text only' against '10 s in practice'), Audio ('reads the soundtrack' against 'synchronised in-pass'), Release ('17 Nov 2026' against '28 Aug 2026'), with a footer reading 'Artificial Analysis AA-Video-I2V v2.1 read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

En rad på brädan, en tom ruta

HiDream-O1-Video-1.0 har exakt en oberoende mätning, och det är en bra sådan att argumentera med.

• AA-Video-I2V v2.1 — 14:e plats på Elo 1 101 ±14 över 6 976 sampel, släppt i augusti 2026, 5,80 USD per minut. Det är ett snävt intervall på ett stort urval, och det ligger mellan Wan 3.0 på 1 109 och Agnes-Video-2.5 på 1 105 — ett trångt band där fjorton poäng är ett intervall.

• Saknas i AA-Video-T2V v2.1 och AA-Video-Editing v1.1. Att text-till-video saknas är det intressanta, eftersom leverantörens eget tillkännagivande inleds med textinmatning. En modell utan rad för text-till-video och utan referensvideofält har en text-till-video-berättelse som bara finns i prosa.

• WeMM-Video-9B — ingen rad på någon av de tre tavlorna, av strukturella skäl: alla tre rangordnar genererat filmmaterial, och den genererar inget. En tom cell, inte en låg poäng.

Med ett pris på 5,80 dollar per minut är HiDream-O1-Video-1.0 ett av de billigare alternativen på listan för bild-till-video. Bland de rankade modellerna är det bara Pika H3 Flex för 2,10 dollar, HeyGen Video 1 för 2,40 dollar, Agnes-Video-2.5 för 2,40 dollar, Vidu Q4 Preview för 5,04 dollar och P-Video-2-Pro för 5,70 dollar som ligger under den, och den slår flera modeller som kostar tre till fyra gånger mer.

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 per-minute price, including HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 over 6,976 samples at $5.80 per minute, between Wan 3.0 at 1,109 and Agnes-Video-2.5 at 1,105.

Nitton och en halv gigabyte detaljer

Där WeMM-Video-9B är generös är i vad den berättar om sig själv. Hugging Face-posten listar 10 488 603 384 parametrar över 1 305 tensorer – en språklig basmodell på 7,94B inklusive en tokeninbäddning på 1,02B, ett osammanlänkat outputhuvud på 1,02B, ett ljudtorn på 1,08B med 32 Whisper-liknande lager med bredd 1 280 bakom en tvålagers Q-Former med tio ljudtoken per sekund, och ett syntorn på 0,46B med 27 block med dold dimension 1 152, patchstorlek 16 och en 2×2 spatial sammanslagning.

Den precisionen är en form av ärlighet som HiDream-sidan inte erbjuder: Black Forest Labs och HiDream avböjer båda att publicera parameterantal, och ingen av dem är skyldig att göra det. Men det utgör också en fälla, eftersom en detaljerad arkitektur inbjuder till antagandet att den levererade konfigurationen överensstämmer med den. Det gör den inte.

• Processorns standardvärden — 2 fps, minst 4 bildrutor, högst 128 bildrutor, totalt 100 663 296 pixlar.

• Levererat vLLM-recept — 2 fps, 16 bildrutor, 262 144 pixlar, samplat kring mitten av klippet.

• Kontext — 8,192 token vid varje serveringskommando, jämfört med 262,144 positionsinbäddningar i arkitekturen.

Sexton bildrutor med två per sekund ger åtta sekunders täckning, och provtagningen börjar i mitten. Ett sextiosekundersklipp förlorar sina första och sista tjugosex sekunder. Arkitekturen skulle tillåta mycket mer; receptet gör det inte, och det är receptet som levereras.

Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, English and Chinese languages, the arXiv identifier 2611.26409, an Apache 2.0 licence, a model card overview stating 19.54 GiB of BF16 weight files, and a file panel reading 10B params and BF16 tensor type.

Tio sekunder mot åtta

Sätt de två kapsylerna bredvid varandra så framträder beslutets form. HiDream-O1-Video-1.0 ger dig tio sekunder färdig 1080p med synkroniserat ljud, oavsett vad du ber om. WeMM-Video-9B tittar på åtta sekunder av material du redan har, oavsett hur långt det är.

Båda siffrorna är godtyckliga. HiDreams tio sekunder är ett produktbeslut förkroppsligat i en boolean; WeMM-Video-9B:s åtta är en standard i en receptfil. Ingen av dem är en naturlag. Men bara en av dem har en leverantör som berättar vad som händer vid gränsen, och det är inte den som distribueras som en checkpoint.

Om du genererar ett tio sekunder långt klipp med HiDream-O1-Video-1.0 och sedan frågar WeMM-Video-9B vad som hände i det, samplar beskrivaren åtta av de tio sekunderna från mitten. Två sekunder – den första och den sista – når aldrig modellen. Det är ett samordningsproblem som du löser med en konfigurationsändring, och det är precis den typ av samordningsproblem som det här paret skapar och som ingen av leverantörerna dokumenterar.

Modellfusion, och var den förtjänar meningen

Ingen av modellerna finns hos OrcaRouter. HiDream-O1-Video-1.0 går att nå via HiDreams egen plattform och flera tredjepartsplattformar; WeMM-Video-9B går att nå genom att ladda ner det.

Anledningen till att en jämförelse som den här hamnar i en diskussion om orkestrering är att de två halvorna misslyckas på olika sätt. Den hostade halvan misslyckas högljutt – en anropsbegränsning, en timeout, en felkod – och det är just vad automatisk failover är till för. Den självhostade halvan misslyckas tyst: den returnerar en självsäker beskrivning av åtta sekunder filmmaterial och säger ingenting om de tjugosex sekunder den aldrig såg. Modellfusion är det mer intressanta verktyget här, eftersom en andra modell som läser samma klipp enligt en annan samplingspolicy kommer att vara oense vid gränserna, och oenigheten är den enda signal du får om att fönstret var för litet.

För den hostade delen förs leverantörens listpris vidare med0 % påslag, vilket spelar större roll än vanligt vid $5,80 per minut: en prisändring från leverantören på en billig modell innebär en större procentuell svängning än på en dyr, och att följa det publicerade priset i stället för en cachad kopia håller en batchprognos för hundra klipp rättvisande.

Vilken begränsning du kan leva inom

Välj HiDream-O1-Video-1.0 om en referensbild och tio sekunder är uppdraget. Du får en dokumenterad endpoint, synkroniserat ljud, en taxa på 5,80 USD och en rad på 14:e plats inom image-to-video. Du avstår från text-till-video, upplösningskontroll och alla andra varaktigheter än tio sekunder.

Välj WeMM-Video-9B om uppgiften är att beskriva filmmaterial. Du får en omnimodal beskrivare på 9B med starka rapporterade audiovisuella siffror, en Apache-2.0-licens och ett parameterantal du kan granska. Du avstår från ett driftavtal, oberoende verifiering och varje garanti för att det åtta sekunder långa fönstret räcker till de klipp du faktiskt har.

Det du inte bör göra är att jämföra de två utifrån kvalitet. Ingen av dem har utvärderats med samma instrument, och en av dem kan inte det. Den jämförelse som lönar sig är mellan två smala midjor – en boolean och en receptfil – och vilken av dem du kan bygga kring utan att ljuga för dig själv om vad den ser.