
WeMM-Video-9B กับ HiDream-O1-Video-1.0: สองคอขวดที่แคบ
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 118 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
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 — Tencent'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.
ดังนั้น การเปรียบเทียบที่ตามมาจึงไม่ใช่เรื่องของความสามารถ แต่เป็นเรื่องของข้อจำกัดที่คุณออกแบบเพื่อรับมือได้ และคำตอบก็กลับขึ้นอยู่กับว่าคุณยอมจ่ายสำหรับเพดานที่มีเอกสารระบุไว้ หรือยอมโฮสต์เพดานที่ไม่มีเอกสารระบุไว้ มากกว่ากัน
สิ่งที่เปเปอร์กล่าวไว้กับสิ่งที่ API ยอมรับ
HiDream-O1-Video-1.0 เปิดตัวเมื่อวันที่ 28 สิงหาคม 2026 และขึ้นกระดานจัดอันดับภาพเป็นวิดีโอ (image-to-video) เมื่อวันที่ 10 กันยายน ประกาศของผู้พัฒนามีเนื้อหากว้างขวาง ครอบคลุมอินพุตทั้งข้อความ ภาพ และวิดีโอ เอาต์พุตความละเอียด 1080p ความยาว 5 ถึง 20 วินาที เสียงที่ซิงโครไนซ์มาแต่ต้น ระยะเวลาที่วางแผนตามเนื้อเรื่อง และข้อจำกัดด้านฟิสิกส์
HiHarness API ไม่ได้ครอบคลุมกว้าง มันรับภาพอ้างอิงหนึ่งภาพ — เป็น URL หรือ Base64 ขนาดไม่เกิน 20 MB และไม่ต่ำกว่า 40 KB — พร้อมพรอมต์ข้อความแบบไม่บังคับ และค่าบูลีน force_10s ไม่มีตัวเลือกความละเอียด ไม่มีฟิลด์วิดีโออ้างอิง ไม่มีการควบคุมเสียง ถ้าคุณต้องการห้าวินาที คุณจะได้สิบวินาที ถ้าต้องการยี่สิบวินาที คุณก็ได้สิบวินาที ช่องว่างระหว่างเปเปอร์กับ endpoint ถือเป็นข้อเท็จจริงที่เป็นรูปธรรมที่สุดเกี่ยวกับโมเดลนี้ และเป็นสิ่งที่อาจเปลี่ยนสถาปัตยกรรมของคุณได้มากที่สุด
• อินพุต — HiDream-O1-Video-1.0: รูปอ้างอิงหนึ่งรูปพร้อมพรอมต์เสริม WeMM-Video-9B: วิดีโอ เสียง รูปภาพ และข้อความ สูงสุดสี่รูปภาพ วิดีโอสองรายการ และคลิปเสียงสองคลิปต่อคำขอ
• เอาต์พุต — HiDream-O1-Video-1.0: วิดีโอ 1080p พร้อมเสียงที่ซิงโครไนซ์ ความยาวสิบวินาทีในทางปฏิบัติ WeMM-Video-9B: ข้อความภาษาอังกฤษหรือภาษาจีน
• ข้อจำกัด — HiDream-O1-Video-1.0: ส่วนอินเทอร์เฟซ API ที่เปิดให้ใช้งาน WeMM-Video-9B: สูตรการสุ่มตัวอย่างที่จัดส่งจริง 16 เฟรมที่ 2 fps

หนึ่งแถวของกระดาน หนึ่งช่องว่าง
HiDream-O1-Video-1.0 มีการวัดผลที่เป็นอิสระเพียงหนึ่งเดียวเท่านั้น และเป็นการวัดที่ดีเหมาะแก่การนำมาโต้แย้ง
• AA-Video-I2V v2.1 — อันดับ 14 ที่ Elo 1,101 ±14 จากตัวอย่าง 6,976 รายการ เปิดตัวเดือนสิงหาคม 2026 ราคา $5.80 ต่อนาที นี่เป็นช่วงความเชื่อมั่นที่แคบบนตัวอย่างขนาดใหญ่ และอยู่ระหว่าง Wan 3.0 ที่ 1,109 กับ Agnes-Video-2.5 ที่ 1,105 — ช่วงที่แออัด ซึ่งช่องว่าง 14 คะแนนเท่ากับหนึ่งช่วง
• ไม่มีอยู่ใน AA-Video-T2V v2.1 และ AA-Video-Editing v1.1 การที่ไม่มีข้อความสู่วิดีโอ (text-to-video) นั้นน่าสนใจ เพราะประกาศของผู้ขายเองเริ่มต้นด้วยการป้อนข้อความ โมเดลที่ไม่มีแถว text-to-video และไม่มีช่องอ้างอิงวิดีโอ ย่อมมีเรื่องราวเกี่ยวกับ text-to-video ที่ปรากฏอยู่เพียงในคำบรรยายเท่านั้น
• WeMM-Video-9B — ไม่มีแถวในกระดานจัดอันดับทั้งสาม ด้วยเหตุผลเชิงโครงสร้าง: ทั้งสามจัดอันดับฟุตเทจที่สร้างขึ้น และโมเดลนี้ไม่ได้สร้างเลย เซลล์ว่าง ไม่ใช่คะแนนต่ำ
ในราคา $5.80 ต่อนาที HiDream-O1-Video-1.0 เป็นหนึ่งในตัวเลือกที่ถูกกว่าบนกระดานจัดอันดับ image-to-video โดยในกลุ่มที่มีอันดับ มีเพียง Pika H3 Flex ที่ $2.10, HeyGen Video 1 ที่ $2.40, Agnes-Video-2.5 ที่ $2.40, Vidu Q4 Preview ที่ $5.04 และ P-Video-2-Pro ที่ $5.70 เท่านั้นที่ราคาต่ำกว่านี้ และมันยังเอาชนะหลายรุ่นที่มีราคาสูงกว่าสามถึงสี่เท่าได้ด้วย

รายละเอียดสิบเก้าครึ่งกิกะไบต์
จุดที่ WeMM-Video-9B เปิดเผยอย่างใจกว้างคือสิ่งที่มันบอกเกี่ยวกับตัวเอง บันทึกบน Hugging Face ระบุพารามิเตอร์ 10,488,603,384 ตัวใน 1,305 เทนเซอร์ — แกนหลักภาษาขนาด 7.94B ซึ่งรวมถึงการฝังโทเค็นขนาด 1.02B, หัวเอาต์พุตขนาด 1.02B ที่ไม่ผูกน้ำหนัก, หอเสียงขนาด 1.08B จำนวน 32 เลเยอร์สไตล์ Whisper ที่ความกว้าง 1,280 อยู่หลัง Q-Former สองเลเยอร์ที่อัตรา 10 โทเค็นเสียงต่อวินาที และหอภาพขนาด 0.46B จำนวน 27 บล็อกที่ hidden 1,152 โดยมี patch size 16 และการรวมเชิงพื้นที่ 2×2
ความแม่นยำขนาดนั้นเป็นรูปแบบหนึ่งของความซื่อสัตย์ที่ฝั่ง HiDream ไม่ได้มอบให้ ทั้ง Black Forest Labs และ HiDream ต่างปฏิเสธที่จะเปิดเผยจำนวนพารามิเตอร์ และไม่มีฝ่ายใดมีหน้าที่ต้องทำเช่นนั้น แต่สิ่งนี้ก็ตั้งกับดักไว้เช่นกัน เพราะสถาปัตยกรรมที่มีรายละเอียดชี้ชวนให้เกิดข้อสันนิษฐานว่าคอนฟิกูเรชันที่จัดส่งจริงตรงกับสถาปัตยกรรมนั้น ซึ่งไม่เป็นเช่นนั้น
• ค่าเริ่มต้นของโปรเซสเซอร์ — 2 fps, ขั้นต่ำ 4 เฟรม, สูงสุด 128 เฟรม, จำนวนพิกเซลรวม 100,663,296 พิกเซล
• เปิดตัวสูตร vLLM แล้ว — 2 fps, 16 เฟรม, 262,144 พิกเซล โดยสุ่มตัวอย่างบริเวณจุดกึ่งกลางของคลิป
• บริบท — 8,192 โทเค็นในทุกคำสั่งให้บริการ เทียบกับ position embeddings 262,144 รายการในสถาปัตยกรรม
สิบหกเฟรมที่อัตราสองเฟรมต่อวินาทีเท่ากับช่วงครอบคลุมแปดวินาที และการสุ่มตัวอย่างเริ่มต้นจากตรงกลาง คลิปความยาวหกสิบวินาทีจะสูญเสียยี่สิบหกวินาทีแรกและยี่สิบหกวินาทีสุดท้าย สถาปัตยกรรมจะรองรับได้มากกว่านั้นมาก แต่สูตรที่กำหนดไม่ได้รองรับ และสิ่งที่นำไปใช้งานจริงคือสูตรนี้

สิบวินาทีเทียบกับแปด
วางแคปทั้งสองไว้ข้างกัน แล้วรูปร่างของการตัดสินใจก็จะปรากฏขึ้น HiDream-O1-Video-1.0 ให้วิดีโอ 1080p ที่สมบูรณ์ความยาวสิบวินาทีพร้อมเสียงที่ซิงโครไนซ์กัน ไม่ว่าคุณจะขออะไรก็ตาม WeMM-Video-9B จะดูฟุตเทจแปดวินาทีที่คุณมีอยู่แล้ว ไม่ว่าวิดีโอนั้นจะยาวเพียงใด
ตัวเลขทั้งสองเป็นค่าที่กำหนดขึ้นเอง HiDream สิบวินาทีคือการตัดสินใจเชิงผลิตภัณฑ์ที่ฝังอยู่ในค่าบูลีน ส่วนแปดวินาทีของ WeMM-Video-9B เป็นค่าเริ่มต้นในไฟล์สูตร ไม่มีตัวไหนเป็นกฎฟิสิกส์ แต่มีเพียงตัวเดียวเท่านั้นที่มาพร้อมผู้ขายที่จะบอกคุณว่าเกิดอะไรขึ้นที่ขอบเขต และมันไม่ใช่ตัวที่แจกจ่ายในรูปแบบเช็กพอยต์
หากคุณสร้างคลิปความยาวสิบวินาทีด้วย HiDream-O1-Video-1.0 แล้วถาม WeMM-Video-9B ว่าเกิดอะไรขึ้นในคลิป ตัวบรรยายจะสุ่มตัวอย่างแปดในสิบวินาทีนั้นจากช่วงกลาง สองวินาที — วินาทีแรกและวินาทีสุดท้าย — จะไม่ไปถึงโมเดลเลย นั่นคือปัญหาการประสานงานที่คุณแก้ได้ด้วยการเปลี่ยน config และมันเป็นปัญหาการประสานงานแบบที่คู่นี้ก่อขึ้นพอดี โดยที่ผู้จำหน่ายทั้งสองรายไม่ได้จัดทำเอกสารเรื่องนี้ไว้
การหลอมรวมโมเดล และจุดที่มันทำให้ประโยคนั้นสมเหตุสมผล
ไม่มีโมเดลใดที่โฮสต์อยู่บน OrcaRouter โดย HiDream-O1-Video-1.0 สามารถเข้าถึงได้ผ่านแพลตฟอร์มของ HiDream เองและแพลตฟอร์มของบุคคลที่สามหลายแห่ง ส่วน WeMM-Video-9B สามารถเข้าถึงได้โดยการดาวน์โหลด
เหตุผลที่การเปรียบเทียบแบบนี้ไปจบลงในการสนทนาเรื่อง orchestration ก็คือสองฝั่งล้มเหลวคนละแบบ ฝั่งที่โฮสต์ให้บริการล้มเหลวแบบส่งเสียงดัง—rate limit, timeout, error code—และนั่นคือสิ่งที่ automatic failover มีไว้สำหรับ ส่วนฝั่งที่โฮสต์เองล้มเหลวแบบเงียบ ๆ คือมันส่งคำอธิบายที่มั่นใจเกินไปเกี่ยวกับฟุตเทจแปดวินาที และไม่พูดอะไรเลยเกี่ยวกับยี่สิบหกวินาทีที่มันไม่เคยเห็น Model fusion คือเครื่องมือที่น่าสนใจกว่าตรงนี้ เพราะโมเดลตัวที่สองที่อ่านคลิปเดียวกันภายใต้นโยบายการสุ่มตัวอย่างที่ต่างกันจะเห็นไม่ตรงกันตรงขอบเขต และความไม่ตรงกันนั้นคือสัญญาณเดียวที่คุณได้รับว่าหน้าต่างนั้นเล็กเกินไป
สำหรับส่วนที่ให้บริการแบบโฮสต์ ราคาตามรายการของผู้ให้บริการจะถูกส่งผ่านไปที่การบวกเพิ่ม 0% ซึ่งสำคัญกว่าปกติเมื่ออยู่ที่ 5.80 ดอลลาร์ต่อนาที: การเปลี่ยนแปลงราคาจากผู้ขายในโมเดลราคาถูกจะเป็นการแกว่งเป็นเปอร์เซ็นต์ที่มากกว่าโมเดลราคาแพง และการติดตามอัตราที่ประกาศไว้แทนสำเนาที่แคชไว้ช่วยให้การพยากรณ์สำหรับแบตช์ร้อยคลิปมีความเที่ยงตรง
ข้อจำกัดใดที่คุณสามารถอยู่ภายในได้
เลือก HiDream-O1-Video-1.0 หากงานของคุณคือรูปอ้างอิงหนึ่งรูปกับความยาวสิบวินาที คุณจะได้ endpoint ที่มีเอกสารกำกับ เสียงที่ซิงโครไนซ์ อัตรา $5.80 และแถวในตารางอันดับที่ 14 ในหมวด image-to-video แต่คุณต้องแลกกับการไม่มี text-to-video การควบคุมความละเอียด และความยาวใด ๆ ที่ไม่ใช่สิบวินาที
เลือก WeMM-Video-9B หากงานคือการบรรยายเนื้อหาวิดีโอ คุณจะได้ตัวบรรยายแบบ omni-modal ขนาด 9B ที่มีตัวเลขด้านภาพและเสียงตามรายงานที่แข็งแกร่ง สัญญาอนุญาต Apache-2.0 และจำนวนพารามิเตอร์ที่คุณตรวจสอบได้ คุณต้องแลกกับสัญญาการให้บริการ การตรวจสอบอย่างเป็นอิสระ และการรับประกันใด ๆ ว่าหน้าต่างแปดวินาทีจะกว้างพอสำหรับคลิปที่คุณมีจริง
สิ่งที่คุณไม่ควรทำคือการเปรียบเทียบทั้งสองในแง่คุณภาพ ทั้งสองไม่ได้ถูกประเมินด้วยเครื่องมือเดียวกัน และอีกหนึ่งในนั้นก็ไม่สามารถถูกประเมินเช่นนั้นได้ การเปรียบเทียบที่คุ้มค่าคือการเปรียบเทียบระหว่าง "คอขวดแคบ" สองแบบ — ค่าบูลีนกับไฟล์สูตร — และการที่คุณสามารถสร้างระบบโดยยึดสิ่งใดสิ่งหนึ่งเป็นแกนได้โดยไม่หลอกตัวเองเกี่ยวกับสิ่งที่มันมองเห็น
