
WeMM-Video-9B กับ Alibaba Wan 2.7: บิลและเช็กพอยต์
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 182 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 356 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 147 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
เริ่มจากใบแจ้งหนี้ก่อน Alibaba Wan 2.7มีอัตราค่าบริการต่อนาทีบนกระดานวิดีโอของ Artificial Analysis สองกระดาน และมีช่วงความยาวคลิปที่ระบุไว้ในเอกสารกำกับ ทำให้เป็นหนึ่งในโมเดลวิดีโอไม่กี่ตัวที่คุณคำนวณต้นทุนได้ก่อนจะเขียนโค้ดสักบรรทัด WeMM-Video-9Bไม่มีอัตราค่าบริการเลยสักนิด กลุ่ม WeChat Vision ของ Tencent เผยแพร่โมเดลนี้เมื่อวันที่ 17 พฤศจิกายน 2026 ในรูปของน้ำหนักโมเดล Apache-2.0 ขนาดสิบเก้าจุดห้ากิกะไบต์ — ห้าชาร์ด BF16 การ์ดโมเดล และ preprint บน arXiv หมายเลข 2611.26409 — แล้วก็ไม่ปริปากพูดอะไรอีกเลย ไม่มีโพสต์เปิดตัว ไม่มีหน้าราคา ไม่มี endpoint ที่ให้บริการแบบโฮสต์ ไม่มีการส่งผลขึ้นกระดาน สามวันต่อมา repository ต่าง ๆ ยังคงมียอดดาวน์โหลดเป็นศูนย์ทั้งคู่ ดังนั้นการเปรียบเทียบที่ซื่อตรงจึงไม่ใช่การเอา Wan 2.7 มาเทียบกับ WeMM-Video-9B ในแง่คุณภาพ แต่คือการเอาบริการที่คิดค่าตามการใช้งานมาเทียบกับชิ้นงานที่ไม่มีราคา และตัวเลขสองตัวที่คุณอยากนำมาเทียบกันข้าง ๆ กันก็ไม่มีอยู่ ด้วยเหตุผลเดียวกันทั้งสองฝั่ง
ทุกอย่างด้านล่างนี้แยกออกเป็นสามส่วน: สิ่งที่เอกสารประกอบของ Wan 2.7 และกระดานจัดอันดับทั้งสองระบุไว้, สิ่งที่รีโพซิทอรีและบทความของ WeMM-Video-9B อ้างไว้, และสิ่งที่ไม่มีใครนอกห้องแล็บทั้งสองแห่งทำซ้ำได้ กลุ่มที่สามคือที่ซึ่งเนื้อหาส่วนใหญ่ของ WeMM-Video-9B อยู่ และการแสร้งว่าเป็นอย่างอื่นจะเป็นวิธีที่เร็วที่สุดที่จะทำให้บทความชิ้นนี้ไร้ประโยชน์
Wan 2.7 คิดค่าบริการเป็นนาที
อัตราค่าบริการของ Alibaba สำหรับ Wan 2.7 นั้นอ่านเข้าใจง่ายอย่างผิดปกติสำหรับโมเดลวิดีโอ ชุดผลิตภัณฑ์นี้เป็นสินค้าที่มีสี่โหมด ได้แก่ การสร้างวิดีโอจากข้อความ การสร้างวิดีโอจากภาพ การสร้างวิดีโอจากภาพอ้างอิง และการตัดต่อวิดีโอ และราคาที่ปรากฏบนหน้าประกาศก็เป็นตัวเลขต่อนาทีแบบตรงไปตรงมา แทนที่จะเป็นระบบเครดิตที่คุณต้องมานั่งแกะย้อนความหมายเอง
• AA-Video-Editing v1.1 — Wan 2.7 อยู่อันดับที่ 9 ที่ Elo 1,074 ±8 จากตัวอย่าง 22,754 รายการ เดือนที่เปิดตัวคือเมษายน 2026 และราคา $16.90 ต่อนาที ช่วงความเชื่อมั่นนี้แคบที่สุดบนกระดานรองจากสามอันดับแรก ซึ่งเป็นสิ่งที่คะแนนเสียงสองหมื่นสองพันเสียงซื้อให้คุณ
• AA-Video-T2V v2.1 — ตระกูลเดียวกันปรากฏเป็น Wan2.7-260612 ที่อันดับ 20 บน Elo 1,035 ±13 จาก 6,965 ตัวอย่าง เมื่อมิถุนายน 2026 ราคา $9.00 ต่อนาที ผู้ขายรายเดียวกัน งานต่างกัน ราคาต่างกัน และ Elo ที่ไม่แปลงเป็นคะแนนการตัดต่อ
• Wan 2.7 ไม่ได้อยู่ในบอร์ดจัดอันดับ image-to-video เลยแม้แต่รายการเดียว ส่วน Wan 3.0 อยู่อันดับที่ 12 ด้วยคะแนน 1,109 และการที่ Wan 2.7 หายไปจากบอร์ดนี้ก็ควรค่าแก่การพิจารณาให้ถี่ถ้วน นั่นไม่ได้หมายความว่า Wan 2.7 ไม่สามารถทำให้ภาพนิ่งเคลื่อนไหวได้ แต่หมายความว่าอารีนายังไม่ได้จัดอันดับมันไว้ในหมวดนี้ ชุดโมเดลของ Alibaba โฆษณาว่ารองรับการควบคุมคีย์เฟรมแรกและคีย์เฟรมสุดท้าย รองรับภาพตัวแบบสูงสุดห้าภาพและคลิปอ้างอิงห้าคลิป และเอาต์พุตความละเอียด 720p ถึง 1080p พร้อมเสียงแบบเนทีฟ ความสามารถที่บอร์ดไม่ได้ให้คะแนนก็ยังคงเป็นความสามารถอยู่ดี
หมายเหตุเชิงบริบทที่สำคัญต่อการจัดงบประมาณ: Wan 2.7 เป็นรุ่นก่อนหน้า ปัจจุบัน Wan 3.0 ครองอันดับหนึ่งทั้งกระดาน text-to-video (1,176) และกระดานการตัดต่อ (1,197) และในงาน text-to-video มันเป็นรุ่นที่ถูกกว่าของทั้งสองที่ $12.00 ต่อนาที เทียบกับอัตราการตัดต่อ $9.00 ของ Wan 2.7 หากวันนี้คุณกำลังเลือกโมเดลของ Alibaba แทนที่จะเปรียบเทียบโมเดลใดโมเดลหนึ่ง การตัดสินใจได้เดินหน้าไปแล้ว
จริง ๆ แล้ว 9B checkpoint คืออะไร
WeMM-Video-9B ไม่ใช่เครื่องสร้างวิดีโอ และประโยคเดียวนี้เองที่ทำหน้าที่สำคัญที่สุดในการเปรียบเทียบนี้ มันเป็นโมเดลความเข้าใจวิดีโอ: คุณป้อนเฟรมพร้อมแทร็กเสียงต้นฉบับให้มัน แล้วมันจะคืนข้อความกลับมา คำอธิบาย การถอดเสียง การให้เหตุผลเชิงเวลา การตอบคำถามจากฟุตเทจที่คุณมีอยู่แล้ว
รีโพซิทอรีนี้ระบุรายละเอียดภายในไว้เฉพาะเจาะจงอย่างผิดปกติ ซึ่งเป็นจุดเดียวที่การเปิดตัวแบบเงียบ ๆ ชนะการเปิดตัวแบบอึกทึก บันทึกของ Hugging Face ระบุพารามิเตอร์ 10,488,603,384 ตัวใน 1,305 เทนเซอร์ เป็น BF16 ขนาด 19.54 GiB แบ่งเป็นห้าชาร์ด การแบ่งแจกแจงเป็นรายการ: แกนภาษาขนาด 7.94B ซึ่งรวมถึง token embedding ขนาด 1.02B, output head ขนาด 1.02B ที่ไม่ได้ผูกน้ำหนัก, หอเสียงแบบ Whisper ขนาด 1.08B จำนวน 32 เลเยอร์ที่ความกว้าง 1,280 อยู่หลัง Q-Former สองเลเยอร์ และหอภาพขนาด 0.46B จำนวน 27 บล็อกที่ความกว้างซ่อน 1,152 โดยมี patch size 16 และการรวมเชิงพื้นที่ 2×2 สแต็กภาษาเป็น 32 เลเยอร์ที่ hidden 4,096, attention head 16 หัว เทียบกับ key-value head 4 หัวที่มิติหัว 256 พร้อม attention เชิงเส้นแบบไฮบริด — หนึ่งเลเยอร์ full-attention ต่อสามเลเยอร์เชิงเส้น — และ position embedding 262,144 ตำแหน่ง
สิ่งที่คุณได้ในทางปฏิบัติคืออินพุตที่กว้างและเอาต์พุตที่แคบ วิดีโอ เสียง ภาพ และข้อความถูกป้อนเข้าไป ข้อความถูกส่งออกมาเป็นภาษาอังกฤษหรือภาษาจีน ไม่มีการสังเคราะห์เฟรมที่ใดในสถาปัตยกรรมเลย และไม่ว่าคุณจะพรอมป์มากเพียงใดก็ไม่สามารถทำให้เกิดการสังเคราะห์เฟรมได้


นาฬิกาสองเรือนที่ไม่บรรจบกัน
การเปรียบเทียบที่ตัดสินอะไรได้จริงคือเรื่องเวลาและเงิน และทั้งสองฝ่ายต่างมีขีดจำกัด
• ขีดจำกัดของ Wan 2.7 คือความยาวคลิป สองถึงสิบห้าวินาทีต่อการสร้างหนึ่งครั้ง, 720p ถึง 1080p, คิดค่าบริการเป็นรายวินาที คลิป 1080p ความยาวสิบห้าวินาทีเป็นปริมาณที่รู้แน่ชัดก่อนคุณกดเริ่ม
• เพดานของ WeMM-Video-9B คือบริบท โปรเซสเซอร์ตั้งค่าเริ่มต้นที่ 2 เฟรมต่อวินาที โดยมีขั้นต่ำ 4 เฟรม ขั้นสูง 128 เฟรม และงบพิกเซลรวม 100,663,296 พิกเซล สูตร vLLM ที่จัดส่งมาจะแทนที่ค่าทั้งหมดนั้นลงเหลือ 2 fps และ 16 เฟรมที่ 262,144 พิกเซล — ครอบคลุมประมาณแปดวินาทีโดยสุ่มตัวอย่างจากจุดกึ่งกลางของคลิป ทุกคำสั่งสำหรับการเสิร์ฟในรีโพซิทอรีก็ระบุความยาวบริบท 8,192 โทเคนด้วย และที่อัตราสิบโทเคนเสียงต่อวินาที นั่นคือเสียงประมาณสิบสามนาที หากคุณใช้งบทั้งหมดกับเสียงเพียงอย่างเดียว
• ความไม่ตรงกัน Wan 2.7 สร้างฟุตเทจความยาวสิบห้าวินาที ส่วน WeMM-Video-9B ในเวอร์ชันที่จัดส่งมานั้นดูได้แปดวินาที หากไปป์ไลน์ของคุณสร้างคลิปแล้วจากนั้นถามโมเดลว่าเกิดอะไรขึ้นในคลิป ตัวอธิบายก็กำลังสุ่มตัวอย่างเพียงครึ่งหนึ่งของเอาต์พุต นั่นไม่ใช่ข้อบกพร่องของผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่ง แต่เป็นการกำหนดค่าที่คุณต้องเปลี่ยนอย่างตั้งใจ และตัวอย่างในรีโพซิทอรีเองก็ไม่ได้เปลี่ยนให้คุณ
คณะกรรมการที่ทั้งสองคนไม่ได้เป็นสมาชิกอยู่
นี่คือปัญหาทางโครงสร้างของการจับคู่ครั้งนี้ พูดให้ตรง ๆ ก็คือ ทุกกระดานวิดีโอของ Artificial Analysis จัดอันดับฟุตเทจที่สร้างขึ้น ไม่ว่าจะเป็น text-to-video, image-to-video, video editing — ทั้งสามแบบใช้โมเดลที่ส่งออกพิกเซล แล้วจัดอันดับด้วยการเปรียบเทียบความชอบของมนุษย์เป็นคู่ ๆ ส่วน WeMM-Video-9B ส่งออกโทเค็น
ไม่ใช่เพราะ WeMM-Video-9B ได้คะแนนออกมาแย่ แต่เพราะยังไม่สามารถส่งเข้าร่วมได้ Wan 2.7 มีสองแถว โดยทั้งสองแถวมีช่วงที่แคบพอจะถกเถียงกันได้ ส่วน WeMM-Video-9B ไม่มีเลย และจะยังไม่มีจนกว่าจะมีคนสร้างอารีนาสำหรับการทำความเข้าใจวิดีโอขึ้นมา ซึ่งหมายความว่าหลักฐานด้านคุณภาพเพียงอย่างเดียวสำหรับสิ่งที่บทความนี้พูดถึงคือตารางของผู้เขียนเอง
ตารางนั้นไม่ใช่เรื่องเล็กน้อย ในโหมดคิด (thinking mode) สำหรับงานเสียงและภาพร่วมกัน เช็กพอยต์ขนาด 9B เอาชนะ Qwen3-Omni-30B-A3B-Instruct ได้ใน 35 จาก 37 ตัวเลขที่ทั้งสองมีร่วมกัน — Video-MME แบบมีเสียง 85.1 เทียบกับ 77.3, Daily-Omni 83.6 เทียบกับ 70.7, SciVideoBench 64.2 เทียบกับ 49.9, OmniReasoningBench 43.9 เทียบกับ 24.1 — และแพ้เพียงรายการเดียวคือ FutureOmni ที่ 53.7 เทียบกับ 55.1 สำหรับวิดีโอที่ไม่มีเสียง เมื่อเทียบกับ backbone Qwen3.5-9B ของตัวเอง มันทำได้ดีขึ้นบน F-16-NBA (88.7 vs 75.8) และ TimeLens และแพ้บน MLVU, LVBench, VideoVista, VSI-Bench และ MVBench บทความกล่าวว่า รายงาน "ผลลัพธ์ทางการเมื่อมีให้ใช้ และการประเมินของเราเองในกรณีอื่น" ซึ่งเป็นการเปิดเผยที่ถูกต้อง และเป็นเหตุผลว่าทำไมจึงไม่มีส่วนใดเป็นอิสระเลย

OrcaRouter เหมาะกับที่ใด
โมเดลทั้งสองไม่ได้ให้บริการผ่าน OrcaRouter และบทความนี้จะไม่แสร้งทำเป็นอย่างอื่น Wan 2.7 เข้าถึงได้ผ่าน API ของ Alibaba เองและแพลตฟอร์มบุคคลที่สามหลายแห่ง ส่วน WeMM-Video-9B เข้าถึงได้โดยการดาวน์โหลด
สิ่งที่ควรอยู่ตรงนี้คือฝั่งการเรียกเก็บเงิน เพราะเหตุผลที่ทีมต่างๆ ลงเอยด้วยการเปรียบเทียบตัวสร้างกับตัวบรรยายก็คือ ทั้งสองถูกต่อเข้ากับไปป์ไลน์เดียวกัน OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการในอัตราบวกเพิ่ม 0% ซึ่งหมายความว่าการลดราคาของผู้ขายจะปรากฏในใบแจ้งหนี้ของคุณในวันที่มันปรากฏในใบแจ้งหนี้ของพวกเขา แทนที่จะเป็นเมื่อใดก็ตามที่ผู้ขายต่อกำหนดราคาใหม่ หากอัตราการตัดต่อ 16.90 ดอลลาร์ของ Wan 2.7 กลายเป็น 12.00 ดอลลาร์เหมือนที่เกิดขึ้นกับ Wan 3.0 คุณจะเห็นมันในบิลถัดไป สำหรับเวิร์กโหลดที่ขาข้างหนึ่งคิดค่าบริการตามวินาทีและอีกขาหนึ่งเป็นเช็กพอยต์ที่คุณโฮสต์เอง การที่ครึ่งที่คิดตามปริมาณนั้นรายงานตามต้นทุนคือความแตกต่างระหว่างงบประมาณที่คุณพยากรณ์ได้กับงบประมาณที่คุณพยากรณ์ไม่ได้
ควรตั้งงบประมาณสำหรับอันไหน
หากสิ่งที่ต้องส่งมอบคือฟุตเทจ Wan 2.7 เป็นเพียงตัวเดียวในสองตัวเลือกที่ผลิตได้ และการตัดสินใจเหลือแค่ว่า $16.90 ต่อนาทีสำหรับการตัดต่อ หรือ $9.00 ต่อนาทีสำหรับการสร้างวิดีโอจากข้อความนั้นแข่งขันได้กับตัวเลือกอื่น ๆ บนกระดานหรือไม่ ด้วยอันดับ 9 และ 20 ตามลำดับ มันอยู่กลางตารางในทั้งสองด้าน
หากสิ่งที่ต้องส่งมอบคือคำอธิบายเกี่ยวกับฟุตเทจที่คุณมีอยู่แล้ว WeMM-Video-9B คือตัวเดียวในสองตัวที่สร้างสิ่งนั้นได้ และการตัดสินใจจะขึ้นอยู่กับว่าคุณสามารถแบกรับการติดตั้ง vLLM หรือ SGLang ที่แพตช์แล้ว checkpoint ขนาด 19.54 GiB และหน้าต่างการสุ่มตัวอย่างแปดวินาที เพื่อให้ได้ตัวอธิบายระดับ 9B ที่มีตัวเลขด้านภาพและเสียงแข็งแกร่งจริง ๆ ได้หรือไม่
กับดักคือการอ่าน $16.90 กับ $0.00 ว่าเป็นปริมาณเดียวกัน อย่างหนึ่งคืออัตราคิดตามปริมาณการใช้งานสำหรับบริการที่คุณโทรเรียกใช้ได้ในบ่ายนี้ ส่วนอีกอย่างคือการไม่มีบริการนั้นอยู่เลย และราคาของการไม่มีนั้นต้องจ่ายออกมาในรูปของงานเชื่อมต่อระบบ และในข้อเท็จจริงที่ว่าไม่มีใครนอกเทนเซนต์บอกคุณได้ว่าตัวเลขเหล่านั้นใช้ได้จริงหรือไม่
