การ์ดชื่อเรื่องอ่านว่า 'WeMM-Video-4B vs HiDream-O1-Video-1.0' พร้อมคำบรรยายใต้ชื่อ 'สองแบบที่แคบ' สองแผงคั่นด้วยวงกลม vs แผงซ้ายมีคำบรรยายใต้ชื่อ 'โอเพนเวต ไม่มี endpoint' และระบุพารามิเตอร์ 5.61B, Apache 2.0 และ vLLM หรือ SGLang ที่แพตช์แล้ว แผงขวามีคำบรรยายใต้ชื่อ 'โฮสต์ให้บริการ อินพุตเดียว' และระบุพารามิเตอร์ที่ไม่เปิดเผย รูปอ้างอิงหนึ่งรูป และ 5.80 ดอลลาร์ต่อนาที โดยมีส่วนท้ายอ่านว่า 'ผลการอ่านกระดาน Artificial Analysis ณ วันที่ 20 พฤศจิกายน 2026'
Guides & Insights

WeMM-Video-4B กับ HiDream-O1-Video-1.0: ความแคบสองแบบ

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

HiDream-O1-Video-1.0 และ WeMM-Video-4B ทั้งคู่ให้คำอธิบายเกี่ยวกับตัวเองที่กว้างกว่าสิ่งที่มันทำได้จริง ข่าวเปิดตัวของ HiDream โฆษณาโมเดลที่รับข้อความ ภาพ และวิดีโอ แล้วคืนฟุตเทจ 1080p ความยาวห้าถึงยี่สิบวินาทีพร้อมเสียงที่ซิงโครไนซ์กัน ส่วน API ที่มีเอกสารระบุกลับรับภาพอ้างอิงเพียงหนึ่งภาพและพรอมป์ต์แบบไม่บังคับเท่านั้น WeMM-Video-4B รับข้อความ ภาพ วิดีโอ และเสียง แล้วคืนข้อความ ซึ่งเป็นข้อมูลที่ถูกต้อง — และโมเดลนี้ไม่ได้ถูกให้บริการที่ใดเลย ดังนั้นสิ่งที่มันรับได้ในทางทฤษฎีจะเป็นสิ่งที่คุณได้มาก็ต่อเมื่อคุณแพตช์เอนจินอินเฟอเรนซ์ของคุณเองเท่านั้น ตัวหนึ่งถูกจำกัดขอบเขตด้วยสัญญาการให้บริการ ส่วนอีกตัวถูกจำกัดด้วยการไม่มีสัญญาการให้บริการเลย นั่นคือการเปรียบเทียบทั้งหมด และทุกอย่างด้านล่างเป็นรายละเอียดที่แตกออกมาจากสิ่งนั้น

ทั้งสองโมเดลไม่ใช่โมเดลที่คุณจะเรียกใช้ได้ในวันนี้ในโหมดที่เปเปอร์ของมันเน้น ความสำคัญของเรื่องนี้ขึ้นอยู่กับว่าคุณสามารถปิดช่องว่างได้ครึ่งไหนด้วยตัวเอง และนั่นเป็นคำถามเรื่องใบอนุญาตกับ GPU มากกว่าเรื่องคุณภาพ

แถว และเวอร์ชันที่แถวนั้นตั้งอยู่

HiDream-O1-Video-1.0 มีการวัดผลที่เป็นอิสระ โดยอ่านเมื่อวันที่ 20 พฤศจิกายน 2026 บนAA-Video-I2V v2.1บอร์ด อยู่อันดับที่ 14 ที่ Elo 1,101 โดยมีช่วงความเชื่อมั่น 95 เปอร์เซ็นต์ที่ ±14 ซึ่งเป็นช่วงตั้งแต่ 1,087 ถึง 1,115 จาก 6,976 โหวต บันทึกว่าเผยแพร่ในเดือนสิงหาคม 2026 ในราคา $5.80 ต่อนาทีของวิดีโอที่สร้างขึ้น

หกสัปดาห์ก่อน บนv1.0บอร์ด โมเดลเดียวกันอยู่อันดับที่หก ด้วยคะแนน 1,175 ±10 จาก 3,231 โหวต หากอ่านอย่างไม่รอบคอบ นั่นดูเหมือนการดิ่งลงอย่างหนัก แต่ไม่ใช่ และเหตุผลนี้ควรกล่าวอย่างตรงไปตรงมา เพราะเป็นข้อผิดพลาดที่พบบ่อยที่สุดเมื่อใช้บอร์ดเหล่านี้: v1.0 กับ v2.1 เป็นเครื่องมือที่แตกต่างกัน มีมาตรวัด Elo ที่ต่างกัน กลุ่มผู้โหวตที่ต่างกัน และการจัดหมวดหมู่ที่ต่างกัน คะแนนไม่สามารถโอนย้ายระหว่างกันได้ ดังนั้นระยะห่างระหว่าง 1,175 กับ 1,101 จึงไม่ใช่การวัดว่าโมเดลแย่ลงมากเพียงใด สิ่งที่เปลี่ยนไปนั้นเป็นเรื่องจริง — อันดับที่ 14 เป็นตำแหน่งที่แย่กว่าอันดับที่ 6 ภายใต้กฎของบอร์ดปัจจุบัน — แต่การคำนวณที่เชื่อมโยงทั้งสองไม่มีอยู่

WeMM-Video-4B has no row on any board, and the absence is structural rather than a pending review. The AI video boards rank generated footage. A model that reads video and writes sentences cannot be entered in a vote between two clips. Until an omni-modal video-understanding arena exists, every WeMM-Video-4B number is T​encent's own.

API ของ HiDream รองรับอะไรได้จริง

พื้นผิวการให้บริการได้รับการจัดทำเอกสารไว้และมีขอบเขตแคบ ในลักษณะที่สอดคล้องโดยตรงกับข้อกล่าวอ้างในการเปิดตัว

• อินพุต — รูปภาพอ้างอิงหนึ่งรูปเท่านั้น โดยระบุเป็น URL สาธารณะหรือ Base64 ที่มีขนาดระหว่าง 40 KB ถึง 20 MB พรอมต์เป็นทางเลือกและมีค่าเริ่มต้นเป็นค่าว่าง ประกาศระบุวิดีโอเป็นหนึ่งในอินพุตของโมเดล แต่สคีมาของคำขอไม่มีฟิลด์สำหรับวิดีโอ

• ความละเอียด — ไม่มีตัวเลือก ผลลัพธ์จะคงอัตราส่วนภาพของภาพอ้างอิง คำกล่าวอ้างเรื่อง 1080p ในประกาศไม่สามารถควบคุมได้จากคำขอ

• ระยะเวลา — ค่าบูลีนหนึ่งค่า, force_10s, ค่าเริ่มต้นเป็น false หากปล่อยเป็น false โมเดลจะเลือกเอง; หากตั้งเป็น true จะได้สิบวินาที ช่วงห้าถึงยี่สิบวินาทีที่โฆษณาไว้ไม่มีฟิลด์ตัวเลข

• เสียง — ไม่มีการเปิดเผยพารามิเตอร์อินพุตเสียงหรือการสร้างเสียง แม้ว่ารีลีสจะอธิบายถึงเสียงที่ซิงโครไนซ์แบบเนทีฟก็ตาม

• ข้อกำหนดผลลัพธ์ — เป็นแบบอะซิงโครนัส คุณส่งงานและได้รับ task_id แล้วจึงตรวจสอบเป็นระยะ result.status = 1 หมายความว่าทุกงานย่อยอยู่ในสถานะสิ้นสุดแล้ว ไม่ได้หมายความว่าการสร้างสำเร็จ; ความสำเร็จคือ sub_task_results[].task_status = 1 โดยที่ 3 คือการสร้างล้มเหลว และ 4 คือการตรวจสอบความปลอดภัย

โมเดลที่คุณเรียกใช้ได้คือตัวสร้างแอนิเมชันจากภาพที่มีโหมดระยะเวลาสองแบบ ส่วนโมเดลที่อธิบายไว้ในประกาศคือตัวสร้างข้อความ วิดีโอ และเสียงแบบรวมที่มีการกำหนดระยะเวลาไว้ล่วงหน้า ข้อความทั้งสองส่วนได้รับการบันทึกโดยบริษัทเดียวกัน และความแตกต่างนี้เป็นเรื่องของแผนงานในอนาคตมากกว่าจะเป็นความขัดแย้ง

สิ่งที่ WeMM-Video-4B ขอให้คุณสร้าง

อีกฝั่งไม่มีพันธะสัญญาที่จะต้องจำกัดให้แคบ เพราะไม่มีจุดสิ้นสุด WeMM-Video-4B มีพารามิเตอร์ 5,611,746,312 ตัว — น้ำหนัก BF16 จำนวน 10.45 GiB — เผยแพร่ภายใต้ Apache 2.0 ในตระกูลสี่ขนาดที่ปรากฏทั้งหมดภายในช่วงเวลา 19 นาทีเมื่อวันที่ 17 พฤศจิกายน 2026 โดยมีรายงานทางเทคนิค arXiv 2611.26409 ตามมาในวันที่ 19 พฤศจิกายน

Getting it to answer takes work that HiDream's users never see. Neither vLLM nor SGLang supports the architecture upstream; the repository ships source-overlay patches for four exact upstream releases — vLLM 0.18.0 and 0.31.0, SGLang 0.5.16 and 0.5.19 — each pinned to a specific PyTorch, Transformers and CUDA 12.9 combination, with Python 3.12, FFmpeg, and a C++ toolchain plus Ninja for SGLang's first-use kernel compilation. The GGUF bundle is built for a native runtime you compile from the repository, not for llama.cpp, and T​encent labels it exported_unvalidated.

สิ่งที่นั่นแลกมาก็คือ describer ที่มีชุดระบบเสียงขนาดใหญ่ผิดปกติ: พารามิเตอร์ 4.21 พันล้านตัวของโมเดลภาษาที่ได้มาจาก Qwen3.5-4B, 0.33 พันล้านตัวของ vision tower และ 1.07 พันล้านตัวของตัวเข้ารหัส-ถอดรหัสเสียงสไตล์ Whisper ที่ส่งข้อมูลให้ Q-Former ในอัตรา 10 โทเคนต่อวินาที เกือบหนึ่งในห้าของ checkpoint คือ "หู" ซึ่งเป็นเหตุผลว่าคะแนนเสียง-ภาพแบบร่วมจึงเป็นค่าที่น่าสนใจ

โหมดที่แต่ละโมเดลถูกนำมาเปรียบเทียบ

การเปรียบเทียบที่ยุติธรรมตรงนี้ไม่ใช่ “อันไหนดีกว่า” แต่คือ “โหมดไหนคือโหมดที่คุณเข้าถึงได้จริง” และคำตอบทั้งสองนั้นลงเอยคนละที่กัน

• HiDream-O1-Video-1.0 — โหมดที่เข้าถึงได้: อิมเมจทูวิดีโอ หนึ่งเฟรมอ้างอิง อัตราส่วนภาพคงที่ สิบวินาทีหรือตามที่โมเดลเลือก ไม่มีการควบคุมเสียง โหมดที่ให้คะแนน: อิมเมจทูวิดีโอ บอร์ดและ API ตรงกัน

• WeMM-Video-4B — โหมดที่เข้าถึงได้: วิดีโอที่มีเสียงเข้า ข้อความออก ที่ 16 เฟรมที่สุ่มตัวอย่างและ 8,192 โทเค็นตามที่จัดส่ง โหมดที่ให้คะแนน: บทความรายงานโหมด Thinking บนตารางวิดีโอ โหมด Instruct บนตารางเสียง และ Thinking อีกครั้งบนภาพและข้อความ และไม่ได้ระบุจำนวนเฟรมหรือความยาวบริบทที่ใช้

• ทั้งสอง — รายงานโดยผู้ขายในกรณีที่มีตัวเลข และไม่มีบุคคลที่สามรายใดทำซ้ำได้แม้แต่รายการเดียว ข้อได้เปรียบของ HiDream คือการกำหนดค่าหนึ่งรายการได้รับการลงคะแนนจากผู้ที่ไม่ได้ทำงานให้ HiDream

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

คำถามเกี่ยวกับเสียงซึ่งมีเพียงฝ่ายเดียวเท่านั้นที่ตอบได้

HiDream สร้างเสียง และ WeMM-Video-4B เข้าใจเสียงนั้น ทั้งสองฟังดูเหมือนเป็นความสามารถเดียวกันในรายการฟีเจอร์ แต่ไม่ใช่ และสำหรับทีมที่กำลังสร้างไปป์ไลน์ ความแตกต่างนี้เป็นตัวกำหนดว่าตัวไหนถึงจะเกี่ยวข้องด้วยซ้ำ

ในด้านการสร้าง การเปิดตัวของ HiDream อธิบายถึงกระบวนการเดียวที่จำลองข้อความ วิดีโอ และเสียงไปพร้อมกัน แทนที่จะเติมเสียงภายหลัง ดังนั้นการเคลื่อนไหวริมฝีปาก บรรยากาศรอบข้าง และการกระทำทางกายภาพจึงอยู่ในไทม์ไลน์เดียวกัน การที่คุณจะควบคุมสิ่งนั้นได้หรือไม่เป็นอีกเรื่องหนึ่ง: คำขอที่ระบุไว้ในเอกสารไม่ได้เปิดเผยพารามิเตอร์เสียง และประกาศดังกล่าวไม่ได้เผยจำนวนแทร็ก ดังนั้นบทสนทนา ดนตรี และเอฟเฟกต์ในฐานะสเต็มที่แยกจากกันจึงยังไม่ได้รับการยืนยันในทั้งสองประเด็น

On the understanding side, WeMM-Video-4B scores 83.9 on Video-MME with audio against Qwen3-Omni-30B-A3B-Instruct's 77.3 and MiniCPM-o-4.5-9B's 69.2, and 82.5 on Daily-Omni against 70.7 and 80.2. It loses the pure-audio benchmarks to a proprietary flash model — MMAU 75.2 against 80.4, MMAR 67.3 against 74.0 — with one win on MMAU-Pro at 68.1 against 64.8. Those are T​encent's numbers from Table 2, run in Thinking mode, and nobody outside the lab has repeated them.

สรุปตามตรงก็คือ โมเดลหนึ่งสร้างเสียงที่คุณยังตรวจสอบไม่ได้ ส่วนอีกโมเดลหนึ่งตรวจสอบเสียงที่คุณต้องป้อนให้ ทั้งสองยังไม่ใช่เครื่องมือเสียงที่ไปป์ไลน์การผลิตต้องการ จนกว่าโมเดลแรกจะมีพารามิเตอร์ด้านเสียง และโมเดลที่สองจะมีโฮสต์

จุดที่เราเตอร์ช่วยได้และจุดที่มันช่วยไม่ได้

OrcaRouter ไม่ได้ให้บริการโมเดลใดในสองโมเดลนี้เลย ไม่มี endpoint ของ WeMM — แคตตาล็อกไม่มี checkpoint ของ WeMM — และไม่มีเส้นทางของ HiDream เช่นกัน; HiDream-O1-Video-1.0 เข้าถึงได้ผ่านแพลตฟอร์มของ HiDream เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง ไม่มีข้อความใดด้านล่างนี้เป็นการอ้างว่าเราโฮสต์โมเดลใดโมเดลหนึ่งในสองตัวนี้

จุดที่เราเตอร์พิสูจน์คุณค่าในศึกนี้คือการย้ายระบบเอง และเครื่องมือสำหรับสิ่งนั้นคือ DSL สำหรับกำหนดเส้นทางมากกว่ารายการโมเดล โมเดลทั้งสองนี้อยู่เบื้องหลังพื้นผิวการให้บริการที่เห็นได้ชัดว่าเป็นแบบชั่วคราว — ตัวหนึ่งเป็นพรีวิวแบบอินพุตเดี่ยวที่มีแฟล็ก terminal แบบสองสถานะ อีกตัวเป็น overlay ของซอร์สที่ปักหมุดไว้กับรีลีสต้นทางเฉพาะ — และสแต็กที่ฮาร์ดโค้ดสิ่งใดสิ่งหนึ่งไว้คือสแตกที่จะพังเมื่อมีรีลีสโน้ตของคนอื่น นโยบายการกำหนดเส้นทางที่ระบุตัวหลักและตัวสำรอง และที่สามารถเปรียบเทียบสองโมเดลภายในคำขอเดียวแทนที่จะเป็นสองการเชื่อมต่อ จะเปลี่ยนความเสี่ยงนั้นให้กลายเป็นการกำหนดค่า สิ่งนี้ทำงานผ่าน endpoint ที่เข้ากันได้กับ OpenAI หนึ่งจุดครอบคลุมโมเดลกว่าสองร้อยโมเดลในราคาตามรายการของผู้ให้บริการซึ่งส่งต่อโดยคิดมาร์กอัป 0% ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจึงมีผลในวันเดียวกัน สำหรับส่วนที่ใช้เฉพาะภาพของงานเวิร์กโหลด WeMM ตอนนี้ทั้ง Qwen3-VL-235B-A22B-Thinking และ Qwen3-VL-8B-Thinking อยู่บนแพลตฟอร์มแล้ว — ซึ่งเป็นวิธีเลี่ยงเช็กพอยต์ omni ที่หายไป ไม่ใช่ตัวแทนของ audio tower ของมัน

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

ความแคบแบบไหนที่คุณพออยู่ด้วยได้

ถ้าคุณต้องการฟุตเทจในไตรมาสนี้ และภาพอ้างอิงเพียงภาพเดียวก็เพียงพอ HiDream-O1-Video-1.0 เป็นตัวเดียวในสองตัวที่มี endpoint ที่เรียกใช้งานได้ และมีการ dokument ข้อจำกัดไว้ดีพอที่จะนำไป integrate ได้ภายในบ่ายเดียว งบประมาณ $5.80 ต่อนาที วางแผนเผื่อไว้สิบวินาทีหรือตามที่โมเดลเลือก และอ่านสถานะของซับทาสก์แทนที่จะอ่านแฟล็กเทอร์มินัล

หากคุณจำเป็นต้องรู้ว่ามีอะไรอยู่ในฟุตเทจที่คุณมีอยู่แล้ว — รวมถึงสิ่งที่พูดคลอไปกับภาพนั้น — WeMM-Video-4B เป็นตัวเดียวในสองตัวที่ตอบได้ และค่าผ่านประตูคือเอนจินอนุมานที่ผ่านการแพตช์ เช็กพอยต์ขนาด 10.45 GiB และงบการสุ่มตัวอย่าง 16 เฟรมที่คุณควรปรับก่อนจะเชื่อผลลัพธ์วิดีโอความยาวมาก

สิ่งที่ทั้งสองไม่ได้มอบให้คุณคือสิ่งที่หน้าเปรียบเทียบมักสัญญาไว้ นั่นคืองานร่วมกันหนึ่งงานที่ใช้จัดอันดับทั้งสอง สิ่งเหล่านี้ไม่ใช่สองคำตอบสำหรับคำถามเดียว แต่เป็นสองโมเดลที่พื้นผิวสาธารณะของทั้งคู่เล็กกว่าที่เปเปอร์ของพวกเขาระบุ และวิจารณญาณทางวิศวกรรมที่มีประโยชน์คือช่องว่างใดในนั้นที่คุณสามารถปิดได้ด้วยฮาร์ดแวร์ของคุณเอง

การเปรียบเทียบในบทความนี้1

ตรวจพบจากบทความนี้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube