การ์ดชื่อเรื่องระบุว่า 'WeMM-Video-9B vs Hailuo 2.3' พร้อมคำบรรยายใต้ภาพว่า 'หกวินาทีที่ไร้เสียง' โดยมีสองแผงคั่นด้วยวงกลม vs: แผงซ้ายมีหัวข้อ WeMM-Video-9B พร้อมป้าย 'open weights' และแถวที่ระบุว่า '19.54 GiB BF16', 'อ่าน 16 เฟรมที่ 2 fps', 'ครอบคลุม 8 วินาที', 'รับอินพุตเสียง', 'ไม่มีค่าใช้จ่ายต่อคลิป'; แผงขวามีหัวข้อ Hailuo 2.3 พร้อมป้าย 'metered API' และแถวที่ระบุว่า '6 วินาทีที่ 1080p', '10 วินาทีที่ 768p', 'เอาต์พุตไม่มีเสียง', 'ไม่มีการควบคุมเฟรมสุดท้าย', 'ประมาณ $0.48 ต่อคลิป'
Guides & Insights

WeMM-Video-9B vs Hailuo 2.3: หกวินาทีแห่งความเงียบ

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

Both of these models will let you down in exactly one place, and it is the same place. Hailuo 2.3 produces six seconds of 1080p video and no sound at all. WeMM-Video-9B reads sixteen sampled frames of video, which at the shipped sampling rate is about eight seconds of coverage, and returns text. Neither one is a general-purpose video system, and neither is on a leaderboard you can point at. M​iniMax shipped Hailuo 2.3 in April 2026 and has since moved on to a model that does appear on those boards; T​encent's WeChat Vision group put WeMM-Video-9B on Hugging Face on 17 November 2026 with no announcement, no endpoint and no price. That leaves two releases that are each, in their own way, a bounded tool — and the boundary is the interesting part.

A note on sourcing before anything else, because this piece leans on it. The Hailuo 2.3 numbers come from M​iniMax's own pricing and documentation plus third-party per-second trackers, since the model has no independent Elo. The WeMM-Video-9B numbers come from the repository manifests, the model card and arXiv 2611.26409. Nothing here has been reproduced outside the labs that published it, and where a figure is vendor-reported the text says so.

หกวินาทีนั้นไม่ใช่ค่าเริ่มต้น

ขีดจำกัดความยาวของ Hailuo 2.3 เป็นคุณสมบัติที่ถูกฝึกมา ไม่ใช่การตั้งค่า โดยได้ 6 วินาทีที่ 1080p และ 10 วินาทีหากลดลงไปที่ 768p ไม่มีการกำหนดเงื่อนไขเฟรมสุดท้าย จึงไม่สามารถขอให้จบลงที่องค์ประกอบภาพสุดท้ายที่เจาะจงได้เหมือนกับโมเดลแบบคีย์เฟรม และไม่มีแทร็กเสียงในตัวเลย เอาต์พุตจะเงียบ และเสียงใด ๆ ที่ต้องการต้องเพิ่มในขั้นตอนถัดไปหรือสร้างแยกต่างหาก

การคิดราคาใช้พอยต์แบบเติมเงินแทนอัตราต่อวินาทีที่ประกาศไว้ ซึ่งทำให้การเปรียบเทียบต้นทุนยากกว่าที่ควรจะเป็น หกวินาทีที่ 768p ในแพ็กเกจมาตรฐานคิดเป็นหนึ่งพอยต์ ส่วนสิบวินาทีที่ 768p หรือหกวินาทีที่ 1080p คิดเป็นสองพอยต์ ตัวเลือก Fast อยู่ที่ประมาณ 0.7 พอยต์สำหรับกรณีสั้น และ 1.1 ถึง 1.3 พอยต์สำหรับกรณี{long} เครื่องมือติดตามราคาของบุคคลที่สามที่แปลงค่านี้เป็นดอลลาร์ระบุว่าอยู่ที่ประมาณ $0.08 ต่อวินาที หรือราว $0.48 สำหรับคลิปหกวินาที

• ระยะเวลา — Hailuo 2.3: 6 วินาทีที่ 1080p, 10 วินาทีที่ 768p WeMM-Video-9B: ไม่มีระยะเวลาเอาต์พุต เนื่องจากไม่สร้างวิดีโอ

• เสียง — Hailuo 2.3: ไม่มี เอาต์พุตเป็นความเงียบ WeMM-Video-9B: ทาวเวอร์สไตล์ Whisper ขนาด 1.08B ที่ถอดเสียงและวิเคราะห์ซาวด์แทร็กที่คุณให้มา

• การควบคุม — Hailuo 2.3: ไม่มีการกำหนดเงื่อนไขเฟรมสิ้นสุด WeMM-Video-9B: กำหนดจำนวนเฟรมได้ตั้งแต่ 4 ถึง 128 เฟรม โดยค่าเริ่มต้นคือการสุ่มตัวอย่างที่ 2 fps

จุดที่ Hailuo 2.3 เก่งจริง ๆ คือสิ่งที่ผู้ใช้พูดถึงกัน นั่นคือการเคลื่อนกล้องแบบภาพยนตร์ การเคลื่อนไหวของมนุษย์และไมโครเอ็กซ์เพรสชัน รวมถึงลุคที่มีสไตล์ใกล้เคียงแอนิเมชันซึ่งคงคุณภาพได้ดีกว่าโมเดลส่วนใหญ่ในบรีฟที่ไม่อิงภาพถ่ายสมจริง นั่นคือจุดแข็งที่แท้จริงและไม่สามารถวัดได้บนกระดานจัดอันดับ ซึ่งเป็นส่วนหนึ่งที่ทำให้โมเดลนี้ไม่เคยปรากฏบนกระดานดังกล่าว

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.'

บอร์ดไม่มีแถวสำหรับทั้งสองอย่าง

เมื่อตรวจสอบ ณ วันที่ 20 พฤศจิกายน 2026 บอร์ดวิดีโอทั้งสามของ Artificial Analysis — AA-Video-T2V v2.1, AA-Video-I2V v2.1 และ AA-Video-Editing v1.1 — ไม่แสดงผลลัพธ์ใด ๆ สำหรับ Hailuo 2.3 ไม่ใช่การจัดอันดับต่ำ แต่ไม่มีรายการเลย

การขาดหายไปนั้นมีสาเหตุที่แตกต่างกันสองประการ และควรแยกทั้งสองออกจากกัน WeMM-Video-9B ไม่สามารถจัดอันดับได้: บอร์ดให้คะแนนฟุตเทจที่สร้างขึ้นด้วยการเปรียบเทียบแบบจับคู่ และโมเดลที่ส่งออกโทเคนก็ไม่มีอะไรจะส่ง Hailuo 2.3 ตามหลักการแล้วสามารถจัดอันดับได้และยังไม่ถูกจัดอันดับ — เอาต์พุต 1080p ที่ผู้ให้คะแนนสามารถดูได้ ไม่มีการส่ง ไม่มีแถวราคา ไม่มีจำนวนตัวอย่าง

ดังนั้นหลักฐานเชิงคุณภาพเพียงอย่างเดียวในการเปรียบเทียบนี้จึงอยู่ฝั่งที่ไม่มีผลิตภัณฑ์ รายงานของ WeMM-Video-9B ระบุว่า ในโหมดคิด (thinking mode) บน benchmark แบบเสียงและภาพร่วมกัน ชนะ Qwen3-Omni-30B-A3B-Instruct ใน 35 จาก 37 ตัวเลขที่ใช้ร่วมกัน — Video-MME แบบมีเสียง 85.1 เทียบกับ 77.3, Daily-Omni 83.6 เทียบกับ 70.7, EvaOmni 50.7 เทียบกับ 26.1 — และแพ้หนึ่งรายการ คือ FutureOmni ที่ 53.7 เทียบกับ 55.1 เมื่อเทียบกับ backbone Qwen3.5-9B ของตัวเองบนวิดีโอไร้เสียง มันได้เพิ่มขึ้นบน F-16-NBA และ TimeLens และลดลงบน MLVU, LVBench, VideoVista และ MVBench ทั้งหมดนั้นเป็นการทดสอบด้วย harness ของผู้เขียนเอง ซึ่งเปิดเผยไว้เช่นนั้นในบทความ

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.

เจเนอเรชันถัดจาก Hailuo 2.3

Hailuo 2.3 is not M​iniMax's current model, and pretending otherwise would be a disservice to anyone budgeting this quarter. The successor, M​iniMax H3, was released on 31 July 2026 and does appear on the boards.

• AA-Video-T2V v2.1 — M​iniMax H3 at 768p ranks 3rd on Elo 1,161 ±13 over 8,386 samples, listed July 2026 at $4.80 per minute.

• AA-Video-I2V v2.1 — อันดับที่ 5 ที่ Elo 1,134 ±14 จาก 6,594 ตัวอย่าง ในอัตราเดียวกัน

• AA-Video-Editing v1.1 — อันดับ 6 ที่ Elo 1,126 ±10 จาก 9,688 ตัวอย่าง ในราคา $9.60 ต่อนาที

Third on text-to-video and fifth on image-to-video at $4.80 a minute is a different conversation from Hailuo 2.3's unranked, point-priced, six-second offering. If you are choosing a M​iniMax model rather than comparing one, H3 has already won that argument inside the vendor's own lineup.

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.

ทำไมแปดวินาทีจึงสำคัญกว่าที่เห็น

สูตรที่จัดส่งมาของ WeMM-Video-9B แทนที่ค่าเริ่มต้นของโปรเซสเซอร์ที่เผื่อไว้อย่างใจกว้างของตัวเอง — 2 fps, ขั้นต่ำ 4 เฟรม, สูงสุด 128, งบ 100,663,296 พิกเซล — ลงมาเหลือ 2 fps และ 16 เฟรมที่ 262,144 พิกเซล โดยสุ่มตัวอย่างบริเวณจุดกึ่งกลางของคลิป สิบหกเฟรมที่อัตราสองเฟรมต่อวินาทีเท่ากับช่วงครอบคลุมแปดวินาที และช่วงครอบคลุมนั้นเริ่มต้นตรงกลาง

นำสิ่งนั้นมาเทียบกับหกวินาทีของ Hailuo 2.3 แล้วจะเกิดความกระจ่างบางอย่างขึ้น ในแง่หนึ่ง Hailuo 2.3 สร้างฟุตเทจได้น้อยกว่าที่ WeMM-Video-9B สามารถดูได้: คลิป Hailuo ความยาวหกวินาทีพอดีอยู่ในหน้าต่างของตัวอธิบายและยังเหลือที่ว่าง แต่โหมด 768p ความยาวสิบวินาทีกลับไม่พอดี และอะไรก็ตามที่คุณสร้างด้วยโมเดลอื่นแล้วส่งให้ WeMM-Video-9B ตรวจทานก็ไม่พอดีเช่นกัน ฝั่งวิดีโอของไปป์ไลน์มีเพดานอยู่ที่ประมาณแปดวินาที ขณะที่ฝั่งเสียงรองรับได้ประมาณสิบสามนาทีที่สิบโทเคนต่อวินาที และทุกคำสั่งให้บริการในรีโพซิทอรีส่งความยาวคอนเท็กซ์ 8,192 โทเคน ซึ่งทำให้ความไม่สมมาตรนั้นกลายเป็นข้อจำกัดที่ผูกมัด

• หากคุณกำลังสร้าง — Hailuo 2.3 มอบหกวินาทีแบบไร้เสียง พร้อมการเคลื่อนกล้องที่ทรงพลังและรายละเอียดของมนุษย์

• หากคุณกำลังตรวจสอบ — WeMM-Video-9B ให้เฟรมที่สุ่มมาเป็นเวลาแปดวินาที พร้อมแทร็กเสียงแบบเต็ม ซึ่งอธิบายเป็นภาษาอังกฤษหรือภาษาจีน

• จุดเชื่อม — ช่วงเงียบหกวินาทีที่ถูกสร้างขึ้นอยู่ภายในหน้าต่างทั้งสอง ซึ่งเป็นรูปแบบเดียวที่การจับคู่นี้สะอาด

Failover คือส่วนที่ไม่ใช่ทฤษฎี

Neither model is served through OrcaRouter, and that is stated here rather than buried. Hailuo 2.3 is reachable through M​iniMax's own platform and several third-party platforms; WeMM-Video-9B is reachable by downloading 19.54 GiB of Apache-2.0 weights.

สิ่งที่สำคัญสำหรับไปป์ไลน์ที่ผสมตัวสร้างและตัวอธิบายเข้าด้วยกัน คือสิ่งที่เกิดขึ้นเมื่อขาข้างหนึ่งล่ม และ OrcaRouter มี failover ที่กำหนดเส้นทางหลบเลี่ยงโมเดลที่ถูกจำกัดอัตราการใช้งานหรือส่งคืนข้อผิดพลาด โดยที่ผู้เรียกไม่ต้องเขียนไคลเอนต์ใหม่ และDSL สำหรับการกำหนดเส้นทางช่วยให้คุณแสดงสิ่งนั้นออกมาเป็นนโยบายได้ แทนที่จะเป็นกองตรรกะการลองใหม่จำนวนมาก สำหรับภาระงานที่ขั้นตอนการอธิบายเป็นเช็กพอยต์ในเครื่อง และขั้นตอนการสร้างเป็น API ที่โฮสต์ไว้ ครึ่งที่โฮสต์ไว้คือครึ่งที่ล่ม — และการที่มันสลับไปใช้โมเดลที่เทียบเคียงได้แทนที่จะทำให้งานล้มเหลว ย่อมมีค่ามากกว่าส่วนต่างราคาเพียงเล็กน้อย

หกวินาทีนั้นเพียงพอ หรือไม่ก็ไม่เพียงพอ

ถ้าสิ่งที่ต้องส่งมอบคือวิดีโอ 1080p ความยาวหกวินาที? No, six seconds. Need exact: "six seconds" = หกวินาที? Mist! Six seconds = หกวินาที? No, "หกวินาที" means six minutes. Need "หกวินาที" wrong. "หกวินาที" ambiguous? In Thai "วินาที" = second, "นาที" = minute. Six seconds = หกวินาที? Actually "หกวินาที" = six seconds? Wait Thai: วินาที = second; นาที = minute. "หกวินาที" = six seconds? Let's parse: "หก" + "วินาที" = six seconds. Yes "วินาที" is second. "นาที" minute. So "หกวินาที" is six seconds. Good. Ten-second = สิบวินาที. Fine. Earlier I thought "หกวินาที" could be six minutes? No, "หกนาที" six minutes. Okay. Translation: "ถ้าสิ่งที่ต้องส่งมอบคือภาพ 1080p ไร้เสียง ความยาวหกวินาที ที่มีความมั่นใจแบบภาพยนตร์ Hailuo 2.3 ทำได้ และคำถามจริงๆ ข้อเดียวคือการคิดราคาเป็นพอยต์จะชนะทางเลือกที่คิดราคาต่อวินาทีสำหรับปริมาณที่คุณต้องการหรือไม่ ตรวจสอบระดับ 768p ความยาวสิบวินาทีก่อนที่คุณจะยึดตัวสั้นเป็นมาตรฐาน; ต้นทุนพอยต์เพิ่มเป็นสองเท่า ไม่ใช่อัตราต่อวินาที" Need "cinematically confident" maybe "ที่ดูมั่นใจแบบภาพยนตร์". "silent" ไร้เสียง. Good. Need no preamble. Use semicolon? Fine. Output only translated text. Ensure no markers.ถ้าสิ่งที่ต้องส่งมอบคือภาพ 1080p ไร้เสียง ความยาวหกวินาที ที่ดูมั่นใจแบบภาพยนตร์ Hailuo 2.3 ทำได้ และคำถามจริง ๆ ข้อเดียวคือการคิดราคาเป็นพอยต์จะเหนือกว่าทางเลือกที่คิดราคาต่อวินาทีสำหรับปริมาณที่คุณต้องการหรือไม่ ตรวจสอบระดับ 768p ความยาวสิบวินาทีก่อนที่คุณจะยึดตัวสั้นเป็นมาตรฐาน; ต้นทุนพอยต์เพิ่มเป็นสองเท่า ไม่ใช่อัตราต่อวินาที

If the deliverable is a written account of footage, WeMM-Video-9B does that with the strongest audio-visual numbers in the family and no independent confirmation of any of them. Budget for a patched vLLM or SGLang install and for the fact that you will be the first person outside T​encent to run it in anger.

สิ่งที่ทั้งสองไม่ใช่ คือแพลตฟอร์มวิดีโอทั่วไป ทั้งคู่เป็นเครื่องมือเฉพาะทางแคบ ๆ ที่มีขอบอยู่ที่แปดวินาทีและหกวินาที และการเลือกระหว่างสองสิ่งนี้คือคำถามว่าคุณยอมรับที่จะชนขอบด้านใดได้

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube