Hero-rubrikkort med texten ”WeMM-Video-9B vs Wan 3.0”, underrubrik ”Den ena säljer sekunderna. Den andra läser tillbaka dem.”, tre statistikchips med texten 10,49B öppna vikter, 8 s visning som standard och 30 s klipptak, samt en sidfot som anger att WeMM-Video-9B-siffrorna kommer från Tencents repository och arXiv 2611.26409, medan Wan 3.0-siffrorna kommer från Alibaba och Artificial Analysis.
Guides & Insights

WeMM-Video-9B vs Wan 3.0: Sålda sekunder, sedda sekunder

Författare

Alistair Wren

Publiceringsdatum

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

Wan 3.0 säljer sekunder av video. WeMM-Video-9B läser tillbaka dem. Det är hela jämförelsen, och det är anledningen till att en specifikationsstrid dimension för dimension mellan dessa två skulle vara nära nog meningslös: den ena är en genereringsmodell som returnerar en MP4, den andra är en omnimodal förståelsemodell som returnerar en mening. De är inte rivaler. De är de två halvorna av en och samma pipeline – producera ett klipp, kontrollera det sedan – och den intressanta frågan är inte vilken som vinner, utan var någon av dem slutar vara användbar.

Bara en av dem är en nyhet. Tencent laddade upp WeMM-Video-9B och arton systerrepos under ett femminutersfönster med start 08:53:50 UTC den 17 november 2026, publicerade den tekniska rapporten som arXiv 2611.26409 den 19 november och har inte annonserat något av det: inget blogginlägg, ingen lanseringssida, ingen betald nivå. När detta skrivs visar 9B-repot noll nedladdningar, samlingen visar en handfull gillamarkeringar och ingen inferensleverantör erbjuder modellen. Wan 3.0 är ett helt motsatt fall – Alibaba släppte det i offentlig beta den 6 augusti 2026 och lanserade det officiellt den 24 augusti, åttioåtta dagar före den här artikeln, och det ligger för närvarande i topp på två oberoende leaderboards. Allt nedan om Wan 3.0 gäller en lanserad, prissatt produkt med oberoende poängsättning. Allt om WeMM-Video-9B kommer antingen från dess eget repo eller författarnas PDF, och det är de enda två ställena där någon siffra om det finns.

Vad var och en faktiskt returnerar

Det är värt att ställa specifikationsraderna sida vid sida just eftersom de beskriver olika uppgifter.

• Utdata — WeMM-Video-9B returnerar text, på kinesiska eller engelska. Wan 3.0 returnerar ett genererat klipp på upp till 30 sekunder med inbyggt ljud.

• Indata — 9B-modellen tar emot videobildrutor med originalets ljudspår, tyst video, fristående ljud, bilder och text och kan resonera kring alla samtidigt. Wan 3.0 tar emot text-, bild-, video- och ljudprompter samt, unikt i sin familj, dokument: doc, xls, ppt, pdf, md, txt, upp till 100 MB eller 50 sidor per fil, som konverteras direkt till en video.

• Vikter — WeMM-Video-9B släpper Apache 2.0-vikter på Hugging Face i BF16 plus fyra kvantiserade byggen (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 har inga publicerade vikter; det är ett mätarstyrt, stängt API.

• Pris – 9B har inget pris via hostad tjänst, eftersom ingen hostar den; din kostnad är en GPU, en patchad runtime och din egen tid. Wan 3.0 debiterar per sekund utdata: 0,3, 0,6 och 1,2 yuan per sekund vid 480p, 720p och 1080p – ungefär 0,05, 0,10 och 0,20 dollar – vilket Artificial Analysis normaliserar till 12,00 dollar per minut på sina topplistor.

• Oberoende poäng — inga för WeMM-Video-9B. Artificial Analysis listar ingen WeMM-modell på någon av sina resultattavlor. Wan 3.0 är etta på Artificial Analysis resultattavla för text-till-video med Elo 1 176 (95-procentigt intervall 1 163 till 1 189, 8 243 exempel) och etta på dess resultattavla för videoredigering med 1 197 (1 187 till 1 207, 9 919 exempel), samt tolva för bild-till-video med 1 109.

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

Prisgapet är inte ett prisgap

Tolv dollar i minuten är siffran folk kommer att citera, och det är fel siffra att jämföra med något om 9B, eftersom de två räkningarna mäter olika kvantiteter. Wan 3.0 tar betalt för producerad varaktighet. WeMM-Video-9B har ingen styckkostnad alls – den tar betalt i hårdvara du redan äger, och det ärliga sättet att prissätta den är att räkna ut hur stor del av ett kort den upptar och hur många klipp du kan trycka igenom per timme.

Siffran för utnyttjandegraden går att mäta utifrån repositoriet. BF16-kontrollpunkten består av 19,54 GiB viktfiler och 10 488 603 384 parametrar fördelade på 1 305 tensorer – 10,49 miljarder, inte nio, eftersom ”9B” i namnet syftar på språkryggraden Qwen3.5-9B snarare än hela stacken. AWQ W4A16-versionen landar på 12,86 GiB. Det är en minskning med 34 % snarare än de 75 % som ett fyrabitarsrecept antyder, och orsaken syns i exportmanifesten: endast de täta feed-forward-matriserna komprimeras, medan visionstornet, den Whisper-baserade ljudkodaren, inbäddningen, utmatningshuvudet och varje attention-vikt behåller sin ursprungliga precision. Ungefär 5,7 miljarder parametrar ligger kvar på två byte styck, vilket sätter en undre gräns som inget fyrabitarsrecept kan gå under. Den som dimensionerar en driftsättning utifrån namnet hamnar ungefär 1,5 GiB och en precisionsnivå fel.

Så den kostnadsjämförelse som faktiskt spelar roll är inte dollar mot dollar. Det är: ett API-anrop till $0.20 per sekund färdig film, mot en resident modell på 13 till 20 GiB, en patchad serving-stack och vad dina GPU-timkostnader än är. För ett team som redan kör inferens kan det andra bli billigare. För ett team som vill ha ett klipp till fredag är det första det enda som finns.

Hur 9B står sig mot en 30B

Det enda stället där WeMM-Video-9B har hårda siffror är i författarnas utvärdering, och huvudpåståendet i artikeln handlar om dess större syskon – att 35B-A3B-modellen sätter en ny standard för öppen källkod inom omnimodal video och närmar sig Gemini-3.0-Flash. 9B får ett mer dämpat påstående: den överträffar Qwen3-Omni-30B-A3B-Instruct, en modell som är ungefär tre gånger så stor. I Thinking-läget, i den gemensamma ljud- och bildtabellen, gör den det.

• Video-MME med ljud — 85,1 för 9B, 77,3 för Qwen3-Omni-30B-A3B-Instruct, 69,2 för MiniCPM-o-4.5-9B.

• Video-MME-v2 med ljud — 51,6 mot 36,3, en skillnad på 15,3 punkter.

• Resonemangsbetonade rader — SciVideoBench 64,2 mot 49,9, MMOU 71,7 mot 60,5, EvaOmni 50,7 mot 26,1, OmniReasoningBench 43,9 mot 24,1.

• Där det förlorar — FutureOmni 53,7 mot 55,1, och JointAVBench är oavgjort på 64,6.

Den mer intressanta jämförelsen är intern, och det är den som ingen som citerar artikeln nämner. Kör 9B mot flaggskeppet 35B-A3B på samma 17 rader och gapet är litet: 85,1 mot 86,4 på Video-MME med ljud, 51,6 mot 54,9 på Video-MME-v2, 71,7 mot 74,5 på MMOU. På en rad vinner den mindre modellen rent ut — SVHalluc 86,8 mot 80,3. En modell som bär en bråkdel av flaggskeppets aktiva parametrar ligger inom 1,3 punkter på huvudbenchmarken. Det är det starkaste argumentet i repositoryt för just 9B, och det är ett argument om driftsättningskostnad, inte om kapacitet.

9B är inte heller en enhetlig uppgradering jämfört med den basmodell den ärver. En jämförelse med vanliga Qwen3.5-9B i tabellen för tyst video visar en modell som är finjusterad mot när och var något hände, till ett mätbart pris någon annanstans: F-16-NBA 88,7 mot 75,8, TimeLens-QVHighlights 66,8 mot 64,3, TOMATO 48,5 mot 45,0 – men MLVU 82,4 mot 84,4, LVBench 68,2 mot 70,0, VSI-Bench 54,5 mot 58,3, MVBench 71,4 mot 74,4. Om din uppgift är sammanfattning av långa videor har det audiovisuella maskineriet kostat dig något som basmodellen redan gjorde bättre.

Åtta sekunders täckning, som standard

Det är här de två modellerna blir direkt jämförbara, eftersom det är en gräns för varaktighet — och siffrorna ligger inte nära varandra.

Wan 3.0 genererar upp till 30 sekunder i en enda körning, dubbelt så långt som Wan 2.7:s tak på 15 sekunder, med ett videoförlängningsverktyg för att kedja samman längre berättelser. WeMM-Video-9B tittar i befintligt skick på åtta.

Klyftan ligger inte i checkpointen. 9B deklarerar 262 144 position embeddings i sin textkonfiguration, vilket är en mycket stor budget. Den ligger i recepten. Processorn använder som standard 2 fps med minst fyra bildrutor, högst 128 bildrutor och 100 663 296 totala pixlar, och det vLLM-kommando Tencent publicerar åsidosätter alla fyra till 2 fps, 16 bildrutor och 262 144 pixlar. Vid 2 fps är sexton bildrutor åtta sekunders täckning tagen från mitten av ett klipp. Varje serveringskommando i repot skickar också --max-model-len 8192 eller --context-length 8192, och inget i repot förklarar hur man når den större deklarerade siffran.

• Bildrutebudget — levererad standard: 16 bildrutor vid 2 fps, dvs. cirka 8 sekunder, mot Wan 3.0:s 30-sekundersgenerering i ett svep.

• Ljudkostnad — ljudstacken avger 10 token per sekund, så en budget på 8 192 token är ungefär tretton minuters ljud och inget annat; ett klipp med ett ljudspår spenderar samma budget på både bildrutor och ljud tillsammans.

• Media per begäran — fyra bilder, två videor och två ljudobjekt, enligt de medföljande gränserna i både vLLM- och SGLang-recepten.

Ingen utanför WeChat Vision har publicerat vilken sampling som användes i benchmarkkörningarna. Om du återskapar en siffra från tabellen ovan är det den första okända faktorn att fastställa, och den medföljande standardinställningen på 16 bildrutor är fel ställe att börja på. Men taket är verkligt: för allt längre än en tagning är 9B en som gör stickprovskontroller, inte en granskare, om du inte höjer gränsen för bildrutor och betalar för det i kontext.

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

Siffran som ingen har mätt än

Tre fakta står mellan den här modellen och varje säker rekommendation, och de förtjänar att sägas rakt ut i stället för att begravas.

Det första är att varje poäng ovan är leverantörsrapporterad. Det finns ingen oberoende utvärdering av WeMM-Video-9B någonstans — ingen arena-Elo, ingen tredjepartsreproduktion, ingen post på resultattavlan. Tabellerna kommer från samma författare som tränade modellen, på över 120 benchmarks som de själva valt, och flera av dessa benchmarks använder olika domare: artikelns utvärdering bygger på GPT-6.1-Sol, GPT-4o och Qwen3-235B-A22B beroende på uppgift. Jämförelser mellan modeller i artikeln är därför jämförelser av siffror som tagits fram under olika bedömare, vilket är en varning som artikeln anger och som alla som citerar tabellen tenderar att utelämna.

Det andra är en lägesuppdelning som gör att två rader inte är jämförbara. Tabellen för omnimodala videor kör WeMM-modellerna i Thinking-läge; ljudtabellen kör dem i Instruct-läge, utifrån författarnas bedömning att standardbenchmark för ljud är direkta perceptuella uppgifter. Det är försvarbart, och det innebär också att en WeMM-rad i den ena tabellen inte kan ställas mot en konkurrerande rad i den andra.

Det tredje är distribution. Noll nedladdningar är inte bevis på kvalitet åt något håll, men det innebär att det inte finns någon samling rapporter från yrkesverksamma – inga fellägen, inget "den hallucinerar på musikvideor", ingen tråd där folk upptäcker bildrutebegränsningen den hårda vägen. Wan 3.0 har haft åttioåtta dagar av det, plus lanseringsintegrationer i ComfyUI, Leonardo.Ai och Envato. På frågan "vad som faktiskt går fel i produktion" har en av modellerna ett svar och den andra ett kodförråd.

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

Kör paret idag

Om du vill ha båda installeras de på helt olika sätt, och ingen av dem finns på en routingplattform.

Wan 3.0 är ett avgiftsbelagt API-anrop. Det nås via Alibabas egna konsoler och via tredjepartsverktyg för kreativt skapande, det debiteras per sekund med 0,3, 0,6 och 1,2 yuan för 480p, 720p och 1080p, och den enda verkliga inköpsfrågan är vilken upplösning ditt granskningssteg behöver, eftersom det är multiplikatorn.

WeMM-Video-9B är ett självhostat jobb. Du behöver Python 3.12, ett NVIDIA-grafikkort med CUDA 12.9-drivrutin, FFmpeg och TorchCodecs delade bibliotek, sedan repositoryts runtime-patch: patchad vLLM 0.18.0, eller 0.31.0 för BF16, eller patchad SGLang 0.5.16 eller 0.5.19, låsta till den exakta kombination av PyTorch, Transformers och CUDA som patchmanifestet anger för din motorversion. Inläsningen kräver dessutom trust_remote_code, eftersom modellen levereras med anpassad modellerings- och processorkod. Tencent har validerat att patchad vLLM läser in checkpointen och slutför genereringskontroller för text, bild, ljud och video med ljudspår på en H20, vilket är en validering av inläsning och körning, inte ett anspråk på noggrannhet. GGUF-vägen kräver att den nativa runtime-miljön byggs från källkod.

OrcaRouter tillhandahåller inte WeMM-Video-9B, och dess katalog listar ingen WeMM-checkpoint alls, så det finns inget hostat pris att ange och ingen endpoint att anropa. Det plattformen däremot erbjuder är visionshalvan av samma jobb – Qwen3-VL-8B-Thinking och Qwen3-VL-235B-A22B-Thinking tar båda emot bilder och videorutor – bakom en OpenAI-kompatibel nyckel tillsammans med 200+ andra modeller, fakturerade till leverantörens listpris som vidaresänds med 0 % påslag. Ingen av dem hör något, så ingen av dem ersätter den audiovisuella halvan. Om planen är att prova en självhostad 9B utan att lägga en produktionsväg på den, är att routa den bakom en failover-regel det billigaste sättet att ta reda på om den patchade runtime-miljön håller vid din samtidiga belastning innan du binder upp ett kort till den.

Själva parkopplingen är ett arbetsflöde, inte ett benchmark. Generera med Wan 3.0 och skicka sedan klippet till en modell som returnerar en beskrivning i stället för pixlar: stämmer scenen med prompten, är talet begripligt, landar ljudet på handlingen. Inget här mäter om WeMM-Video-9B är bra på det jobbet mot just Wan 3.0:s egna utdata – ingen har kört det. Bildbudgeten på åtta sekunder är den begränsning som bör testas först, för om dina klipp är trettio sekunder tittar granskaren bara på en fjärdedel av varje.

Vad skulle ändra på svaret

Tre saker som kan dateras, i ordning efter hur mycket de skulle påverka rekommendationen.

Ett oberoende resultat för WeMM-Video-9B. En enda post i Artificial Analysis, eller ett arenaresultat från en part som inte har samma arbetsgivare som författarna, skulle förvandla tabellen ovan från ett påstående till en mätning. Fram till dess är den ärliga tolkningen att en 10,49B-checkpoint med en 9B-backbone får resultat nära sitt eget 35B-A3B-flaggskepp på Tencents egna benchmarks, och det är allt som kan sägas.

En hostad slutpunkt. Modellen kräver en patchad runtime, anpassad kod och ett resident minnesavtryck på 13–20 GiB; den dag en leverantör erbjuder den bakom ett API upphör prisjämförelsen i den här artikeln att vara ett kategorifel och blir ren aritmetik.

Ett recept som använder den deklarerade kontexten. Checkpointen hävdar redan 262 144 positioner. Om Tencent släpper en serving-profil som höjer bildrutetaket och faktiskt utnyttjar det, blir standardvärdet på åtta sekunder en konfigurationsdetalj i stället för ett tak – och 9B slutar vara en stickprovskontrollant för korta tagningar.

För närvarande är uppdelningen tydlig. Välj Wan 3.0 när du behöver filmmaterial; den är lanserad, prissatt, toppar två oberoende listor och är den enda av de två som du kan anropa redan i eftermiddag. Välj WeMM-Video-9B när du behöver en modell som hör ljudspåret lika väl som den ser bildrutorna, har ett grafikkort över och är villig att vara den första som tar reda på om receptet på åtta sekunder är en standardinställning eller en gräns. De två konkurrerar inte om samma beslut.

Jämförda i den här artikeln2

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen