
WeMM-Video-9B เทียบกับ Wan 3.0: วินาทีที่ขายได้ วินาทีที่ถูกชม
- 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
Wan 3.0ขายวิดีโอเป็นรายวินาที WeMM-Video-9Bอ่านวิดีโอเหล่านั้นกลับมา นั่นคือการเปรียบเทียบทั้งหมด และเป็นเหตุผลว่าทำไมการแข่งขันเรื่องสเปกทีละมิติระหว่างสองตัวนี้จึงเกือบไม่มีความหมาย: ตัวหนึ่งเป็นโมเดลสร้างที่คืนไฟล์ MP4 อีกตัวเป็นโมเดลเข้าใจแบบออมนิมอดัลที่คืนประโยคหนึ่งประโยค พวกมันไม่ใช่คู่แข่งกัน แต่เป็นสองครึ่งของไปป์ไลน์เดียว — สร้างคลิป แล้วตรวจสอบ — และคำถามที่น่าสนใจไม่ใช่ใครจะชนะ แต่คือแต่ละตัวหมดความสามารถในการใช้งานตรงไหน
มีเพียงหนึ่งเดียวในนั้นที่เป็นข่าว Tencent อัปโหลด WeMM-Video-9Bและรีโพซิทอรีพี่น้องอีกสิบแปดแห่งในช่วงเวลาห้านาที เริ่มเวลา 08:53:50 UTC ของวันที่ 17 พฤศจิกายน 2026 เผยแพร่รายงานทางเทคนิคในชื่อ arXiv 2611.26409 เมื่อวันที่ 19 พฤศจิกายน และไม่ได้ประกาศเรื่องใด ๆ เลย: ไม่มีโพสต์บล็อก ไม่มีหน้าเปิดตัว ไม่มีแพ็กเกจแบบเสียเงิน ณ เวลาที่เขียน รีโพซิทอรี 9B มียอดดาวน์โหลดเป็นศูนย์ คอลเลกชันมีไลก์เพียงไม่กี่ครั้ง และไม่มีผู้ให้บริการอินเฟอเรนซ์รายใดให้บริการโมเดลนี้ Wan 3.0 เป็นกรณีตรงกันข้ามโดยสิ้นเชิง — Alibaba นำมันเข้าสู่เบต้าสาธารณะเมื่อวันที่ 6 สิงหาคม 2026 และเปิดตัวอย่างเป็นทางการเมื่อวันที่ 24 สิงหาคม ซึ่งเป็นเวลาแปดสิบแปดวันก่อนบทความนี้ และปัจจุบันมันอยู่ในอันดับต้นของกระดานผู้นำอิสระสองแห่ง ทุกอย่างด้านล่างเกี่ยวกับ Wan 3.0 เป็นผลิตภัณฑ์ที่เปิดตัวแล้ว มีการกำหนดราคา และได้รับการให้คะแนนอย่างอิสระ ทุกอย่างเกี่ยวกับ WeMM-Video-9B มาจากรีโพซิทอรีของมันเองหรือ PDF ของผู้เขียน และนั่นเป็นเพียงสองแห่งเดียวที่มีตัวเลขใด ๆ เกี่ยวกับมันอยู่
สิ่งที่แต่ละรายการส่งคืนจริง ๆ
บรรทัดข้อกำหนดเหล่านั้นคุ้มค่าที่จะนำมาวางเคียงกัน ก็เพราะว่ามันอธิบายถึงงานที่แตกต่างกัน
• ผลลัพธ์ — WeMM-Video-9Bส่งคืนข้อความ เป็นภาษาจีนหรือภาษาอังกฤษ Wan 3.0ส่งคืนคลิปที่สร้างขึ้นความยาวสูงสุด 30 วินาทีพร้อมเสียงแบบเนทีฟ
• อินพุต — รุ่น 9B รับเฟรมวิดีโอพร้อมแทร็กเสียงต้นฉบับ วิดีโอแบบไม่มีเสียง เสียงเดี่ยว รูปภาพ และข้อความ และสามารถให้เหตุผลกับข้อมูลทั้งหมดพร้อมกันได้ Wan 3.0 รับพรอมต์ข้อความ รูปภาพ วิดีโอ และเสียง อีกทั้งยังมีเอกสารซึ่งเป็นเอกลักษณ์ในตระกูลเดียวกัน ได้แก่ doc, xls, ppt, pdf, md, txt ขนาดไม่เกิน 100 MB หรือ 50 หน้าต่อไฟล์ โดยแปลงเป็นวิดีโอโดยตรง
• น้ำหนักโมเดล — WeMM-Video-9B เผยแพร่น้ำหนักภายใต้ Apache 2.0 บน Hugging Face ในรูปแบบ BF16 พร้อมบิลด์แบบควอนไทซ์อีกสี่แบบ (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16) Wan 3.0 ไม่มีน้ำหนักที่เผยแพร่; เป็น API ปิดแบบคิดค่าบริการตามการใช้งาน
• ราคา — รุ่น 9B ไม่มีราคาแบบโฮสต์ เพราะไม่มีใครโฮสต์มัน ค่าใช้จ่ายของคุณคือ GPU, รันไทม์ที่แพตช์แล้ว และเวลาของคุณเอง Wan 3.0 คิดค่าบริการตามวินาทีของเอาต์พุต: 0.3, 0.6 และ 1.2 หยวนต่อวินาทีที่ 480p, 720p และ 1080p — ประมาณ $0.05, $0.10 และ $0.20 — ซึ่ง Artificial Analysis ปรับให้เป็นมาตรฐานที่ $12.00 ต่อนาทีบนตารางจัดอันดับของมัน
• คะแนนอิสระ — ไม่มีสำหรับ WeMM-Video-9B Artificial Analysis ไม่ได้ระบุโมเดล WeMM ไว้ในกระดานใดเลย Wan 3.0 อยู่อันดับหนึ่งในกระดาน text-to-video ของ Artificial Analysis ที่ Elo 1,176 (ช่วง 95% อยู่ที่ 1,163 ถึง 1,189, 8,243 ตัวอย่าง) และอยู่อันดับหนึ่งในกระดาน video-editing ที่ 1,197 (1,187 ถึง 1,207, 9,919 ตัวอย่าง) และอยู่อันดับที่สิบสองใน image-to-video ที่ 1,109

ช่องว่างราคาไม่ใช่ช่องว่างราคา
สิบสองดอลลาร์ต่อนาทีคือตัวเลขที่ผู้คนจะอ้างถึง และมันเป็นตัวเลขที่ผิดที่จะนำไปเปรียบเทียบกับสิ่งใดก็ตามเกี่ยวกับ 9B เพราะบิลทั้งสองวัดปริมาณที่แตกต่างกัน Wan 3.0 คิดค่าบริการตามความยาวที่ผลิตได้ WeMM-Video-9Bไม่มีการคิดค่าบริการต่อหน่วยเลย — มันคิดค่าใช้จ่ายในรูปฮาร์ดแวร์ที่คุณมีอยู่แล้ว และวิธีคิดราคาอย่างตรงไปตรงมาคือคำนวณว่ามันใช้การ์ดไปมากแค่ไหน และคุณสามารถส่งคลิปผ่านได้กี่คลิปต่อชั่วโมง
ตัวเลขการใช้หน่วยความจำสามารถวัดได้จากรีโพซิทอรี เช็กพอยต์ BF16 มีไฟล์น้ำหนัก 19.54 GiB และมีพารามิเตอร์ 10,488,603,384 ตัว กระจายอยู่ทั่ว 1,305 เทนเซอร์ — 10.49 พันล้านตัว ไม่ใช่เก้าพันล้าน เพราะ "9B" ในชื่อหมายถึงแบ็กโบนภาษา Qwen3.5-9B ไม่ใช่ทั้งสแต็ก บิลด์ AWQ W4A16 อยู่ที่ 12.86 GiB นั่นคือการลดลง 34% ไม่ใช่ 75% ตามที่สูตรสี่บิตบอกเป็นนัย และเหตุผลเห็นได้ชัดในแมนิเฟสต์ของผู้ส่งออก: มีเพียงเมทริกซ์ฟีดฟอร์เวิร์ดแบบเดนส์เท่านั้นที่ถูกบีบอัด ขณะที่วิสชันทาวเวอร์ ตัวเข้ารหัสเสียงที่ใช้ Whisper เอ็มเบดดิง หัวเอาต์พุต และน้ำหนักแอตเทนชันทุกตัวยังคงความแม่นยำเดิม พารามิเตอร์ประมาณ 5.7 พันล้านตัวยังคงอยู่ที่สองไบต์ต่อตัว ซึ่งกำหนดขีดจำกัดขั้นต่ำที่สูตรสี่บิตใด ๆ ไม่สามารถต่ำกว่านี้ได้ ใครก็ตามที่ประเมินขนาดการดีพลอยจากชื่อจะคลาดไปประมาณ 1.5 GiB และผิดไปหนึ่งระดับความแม่นยำ
ดังนั้น การเปรียบเทียบต้นทุนที่สำคัญจริง ๆ จึงไม่ใช่การเทียบดอลลาร์ต่อดอลลาร์ แต่คือ: การเรียก API หนึ่งครั้งในราคา $0.20 ต่อวินาทีของฟุตเทจที่เสร็จแล้ว เทียบกับโมเดลที่โหลดค้างไว้ในหน่วยความจำขนาด 13 ถึง 20 GiB สแต็กการให้บริการที่ถูกแพตช์แล้ว และค่า GPU ต่อชั่วโมงของคุณไม่ว่าจะเป็นเท่าไร สำหรับทีมที่รัน inference อยู่แล้ว ตัวเลือกที่สองอาจมีต้นทุนต่ำกว่า สำหรับทีมที่ต้องการคลิปให้เสร็จภายในวันศุกร์ ตัวเลือกแรกคือทางเดียวที่มีอยู่
9B อยู่ตรงไหนเมื่อเทียบกับ 30B
จุดเดียวที่WeMM-Video-9Bมีตัวเลขที่ชัดเจนคือการประเมินของผู้เขียน และข้ออ้างเด่นในบทความ是关于รุ่นพี่ที่ใหญ่กว่า — คือโมเดล 35B-A3B สร้างมาตรฐานใหม่ระดับโอเพนซอร์สสำหรับวิดีโอแบบออลนิโมดัล และไล่ตาม Gemini-3.0-Flash ได้ใกล้เข้ามา รุ่น 9B ได้ข้ออ้างที่เบากว่า: มันเอาชนะ Qwen3-Omni-30B-A3B-Instruct ซึ่งเป็นโมเดลที่ใหญ่กว่าประมาณสามเท่า ในโหมด Thinking บนตารางเสียงและภาพร่วมกัน มันทำได้
• Video-MME พร้อมเสียง — 85.1 สำหรับ 9B, 77.3 สำหรับ Qwen3-Omni-30B-A3B-Instruct, 69.2 สำหรับ MiniCPM-o-4.5-9B.
• Video-MME-v2 พร้อมเสียง — 51.6 เทียบกับ 36.3 โดยห่างกัน 15.3 คะแนน
• แถวที่เน้นการให้เหตุผล — SciVideoBench 64.2 เทียบกับ 49.9, MMOU 71.7 เทียบกับ 60.5, EvaOmni 50.7 เทียบกับ 26.1, OmniReasoningBench 43.9 เทียบกับ 24.1
• จุดที่แพ้ — FutureOmni 53.7 เทียบกับ 55.1 และ JointAVBench เสมอกันที่ 64.6
การเปรียบเทียบที่น่าสนใจกว่าคือการเปรียบเทียบภายใน และเป็นสิ่งที่ไม่มีใครที่อ้างอิงงานวิจัยนี้พูดถึง เมื่อนำ 9B มาเทียบกับเรือธง 35B-A3B บน 17 แถวเดียวกัน ช่องว่างกลับมีน้อย: 85.1 ต่อ 86.4 บน Video-MME แบบมีเสียง, 51.6 ต่อ 54.9 บน Video-MME-v2, 71.7 ต่อ 74.5 บน MMOU ในแถวหนึ่งโมเดลที่เล็กกว่าชนะอย่างชัดเจน — SVHalluc 86.8 ต่อ 80.3 โมเดลที่แบกพารามิเตอร์แอ็กทีฟเพียงเศษเสี้ยวของเรือธงนั้นห่างอยู่ภายใน 1.3 คะแนนบนเบนช์มาร์กหลัก นั่นคือข้อโต้แย้งที่แข็งแกร่งที่สุดในรีโพซิทอรีสำหรับ 9B โดยเฉพาะ และเป็นข้อโต้แย้งเกี่ยวกับต้นทุนการปรับใช้ ไม่ใช่เกี่ยวกับความสามารถ
9B ก็ไม่ใช่การอัปเกรดที่ครอบคลุมเหนือ backbone ที่มันสืบทอดมาเช่นกัน เมื่อเทียบกับ Qwen3.5-9B แบบธรรมดาในตารางวิดีโอไม่มีเสียง จะเห็นว่าเป็นโมเดลที่ปรับไปในทาง "เมื่อใดและที่ไหนที่บางสิ่งเกิดขึ้น" โดยแลกมาด้วยต้นทุนที่วัดได้ในด้านอื่น: F-16-NBA 88.7 เทียบกับ 75.8, TimeLens-QVHighlights 66.8 เทียบกับ 64.3, TOMATO 48.5 เทียบกับ 45.0 — แต่ MLVU 82.4 เทียบกับ 84.4, LVBench 68.2 เทียบกับ 70.0, VSI-Bench 54.5 เทียบกับ 58.3, MVBench 71.4 เทียบกับ 74.4 หากงานของคุณคือการสรุปวิดีโอยาว กลไกด้านเสียงและภาพทำให้คุณสูญเสียบางสิ่งซึ่ง backbone ทำได้ดีกว่าอยู่แล้ว
ระยะเวลาครอบคลุมแปดวินาที โดยค่าเริ่มต้น
นี่คือจุดที่แบบจำลองทั้งสองเปรียบเทียบกันได้โดยตรง เพราะมันเป็นข้อจำกัดด้านระยะเวลา — และตัวเลขไม่ได้ใกล้เคียงกันเลย
Wan 3.0 สร้างวิดีโอได้สูงสุด 30 วินาทีในการรันครั้งเดียว ซึ่งเป็นสองเท่าของเพดาน 15 วินาทีของ Wan 2.7 พร้อมเครื่องมือขยายวิดีโอสำหรับเชื่อมเรื่องราวให้ยาวขึ้น WeMM-Video-9B เมื่อจัดจำหน่ายจริงจะดูที่แปด
ช่องว่างไม่ได้อยู่ที่ checkpoint โดยโมเดล 9B ประกาศ position embeddings จำนวน 262,144 ตำแหน่งใน text config ของตน ซึ่งเป็นโควตาที่ใหญ่มาก ช่องว่างอยู่ที่ recipes แทน โปรเซสเซอร์ตั้งค่าเริ่มต้นที่ 2 fps โดยมีเฟรมขั้นต่ำ 4 เฟรม สูงสุด 128 เฟรม และพิกเซลรวม 100,663,296 พิกเซล และคำสั่ง vLLM ที่ Tencent เผยแพร่ได้เขียนทับค่าทั้งสี่เป็น 2 fps, 16 เฟรม และ 262,144 พิกเซล ที่ 2 fps 16 เฟรมคิดเป็นความยาวแปดวินาทีที่ตัดมาจากกลางคลิป ทุกคำสั่ง serving ใน repository ยังส่ง --max-model-len 8192 หรือ --context-length 8192 และไม่มีคำอธิบายใดใน repository ว่าทำอย่างไรจึงจะไปถึงตัวเลขที่ประกาศไว้ที่ใหญ่กว่านั้น
• งบประมาณเฟรม — ค่าเริ่มต้นที่จัดส่งคือ 16 เฟรมที่ 2 fps หรือประมาณ 8 วินาที เทียบกับการสร้างครั้งเดียว 30 วินาทีของ Wan 3.0
• ต้นทุนด้านเสียง — ระบบเสียงส่งออก 10 โทเคนต่อวินาที ดังนั้นงบประมาณ 8,192 โทเคนจึงเท่ากับเสียงประมาณสิบสามนาทีโดยไม่มีอย่างอื่นเลย; คลิปที่มีแทร็กเสียงจะใช้งบประมาณเดียวกันนั้นกับทั้งเฟรมและเสียงไปพร้อมกัน
• สื่อต่อคำขอ — รูปภาพสี่รูป วิดีโอสองรายการ และไฟล์เสียงสองรายการ ตามขีดจำกัดที่มาพร้อมกับสูตรการใช้งานของทั้ง vLLM และ SGLang
ไม่มีใครนอก WeChat Vision เปิดเผยว่า benchmark แต่ละครั้งใช้การสุ่มตัวอย่างแบบใด หากคุณกำลังจำลองตัวเลขจากตารางด้านบน นี่คือสิ่งที่ไม่รู้ตัวแรกที่ต้องระบุให้ชัด และค่าเริ่มต้น 16 เฟรมที่มาพร้อมผลิตภัณฑ์ก็เป็นจุดเริ่มต้นที่ผิด แต่เพดานข้อจำกัดนั้นมีจริง สำหรับสิ่งใดก็ตามที่ยาวกว่าหนึ่งเทก 9B เป็นเพียงตัวตรวจสอบแบบสุ่มจุด ไม่ใช่ผู้รีวิว เว้นแต่คุณจะเพิ่มเพดานเฟรมและแลกมาด้วย context ที่เพิ่มขึ้น

ตัวเลขที่ยังไม่มีใครเคยวัดมาก่อน
มีข้อเท็จจริงสามประการที่ตั้งอยู่ระหว่างโมเดลนี้กับคำแนะนำใด ๆ ที่มั่นใจ และข้อเท็จจริงเหล่านี้ควรค่าแก่การกล่าวอย่างตรงไปตรงมาแทนที่จะเก็บงำไว้
ประการแรกคือ คะแนนทุกตัวข้างต้นเป็นข้อมูลที่ผู้ขายรายงานเอง ไม่มีการประเมินที่เป็นอิสระของ WeMM-Video-9B ที่ใดเลย — ไม่มี Elo ของอารีนา ไม่มีการทำซ้ำโดยบุคคลที่สาม ไม่มีรายการบนกระดานผู้นำ ตารางเหล่านี้มาจากผู้เขียนชุดเดียวกับที่ฝึกโมเดล บนเบนช์มาร์กกว่า 120 รายการที่พวกเขาเลือกเอง และหลายรายการในนั้นใช้ผู้ตัดสินที่แตกต่างกัน: การประเมินในบทความใช้ GPT-6.1-Sol, GPT-4o และ Qwen3-235B-A22B ขึ้นอยู่กับงาน ดังนั้น การเปรียบเทียบข้ามโมเดลภายในบทความจึงเป็นการเปรียบเทียบตัวเลขที่ผลิตขึ้นภายใต้ผู้ให้คะแนนที่ต่างกัน ซึ่งเป็นข้อควรระวังที่บทความระบุไว้ และเป็นสิ่งที่ใครก็ตามที่อ้างอิงตารางมักละเลย
ข้อที่สองคือการแยกโหมดซึ่งทำให้สองแถวไม่สามารถเปรียบเทียบกันได้ ตารางวิดีโอแบบโอมนิมอดัลรันโมเดล WeMM ในโหมด Thinking ส่วนตารางเสียงรันโมเดลเหล่านี้ในโหมด Instruct โดยอิงดุลยพินิจของผู้เขียนที่ว่า benchmark เสียงมาตรฐานเป็นงานการรับรู้โดยตรง นั่นเป็นแนวทางที่สมเหตุสมผลได้ และยังหมายความว่าแถว WeMM ในตารางหนึ่งไม่สามารถนำมาเทียบเคียงกับแถวของคู่แข่งในอีกตารางหนึ่งได้
ข้อที่สามคือการกระจาย การมียอดดาวน์โหลดเป็นศูนย์ไม่ใช่หลักฐานเรื่องคุณภาพในทางใดทางหนึ่ง แต่ก็หมายความว่าไม่มีชุดรายงานจากผู้ใช้งานจริง ไม่มีโหมดความล้มเหลว ไม่มีคำว่า “มันหลอนในมิวสิกวิดีโอ” และไม่มีกระทู้ที่ผู้คนค้นพบขีดจำกัดเฟรมด้วยวิธีเจ็บตัว Wan 3.0 มีช่วงเวลาแบบนั้นมาแปดสิบแปดวันแล้ว บวกกับการผสานรวมตอนเปิดตัวใน ComfyUI, Leonardo.Ai และ Envato สำหรับคำถามที่ว่า “อะไรกันแน่ที่ผิดพลาดในการใช้งานจริงในโปรดักชัน” หนึ่งในโมเดลเหล่านี้มีคำตอบ ส่วนอีกตัวมีเพียงรีโพซิทอรี

วันนี้จะรันทั้งคู่
หากคุณต้องการทั้งสองอย่าง สิ่งเหล่านี้ถูกติดตั้งด้วยวิธีที่แตกต่างกันโดยสิ้นเชิง และไม่มีสิ่งใดอยู่บนแพลตฟอร์มการจัดเส้นทาง
Wan 3.0 เป็นการเรียก API แบบคิดค่าตามการใช้งาน เข้าถึงได้ผ่านคอนโซลของ Alibaba เองและผ่านเครื่องมือสร้างสรรค์ของบุคคลที่สาม โดยคิดค่าบริการเป็นรายวินาทีในอัตรา 0.3, 0.6 และ 1.2 หยวน สำหรับ 480p, 720p และ 1080p และคำถามด้านการจัดซื้อที่แท้จริงเพียงข้อเดียวคือขั้นตอนการตรวจทานของคุณต้องการความละเอียดใด เพราะนั่นคือตัวคูณ
WeMM-Video-9B เป็นงานที่ต้องโฮสต์เอง คุณต้องมี Python 3.12, NVIDIA GPU บนไดรเวอร์ CUDA 12.9, FFmpeg และไลบรารีที่ใช้ร่วมกันของ TorchCodec จากนั้นจึงใช้แพตช์รันไทม์ของรีพอซิทอรี: vLLM 0.18.0 ที่แพตช์แล้ว หรือ 0.31.0 สำหรับ BF16 หรือ SGLang 0.5.16 หรือ 0.5.19 ที่แพตช์แล้ว โดยตรึงกับชุดค่าผสมของ PyTorch, Transformers และ CUDA ที่แน่นอนตามที่แมนิเฟสต์ของแพตช์ระบุสำหรับเวอร์ชันเอนจินของคุณ การโหลดยังต้องใช้ trust_remote_code เนื่องจากโมเดลมาพร้อมโค้ดการสร้างแบบจำลองและโปรเซสเซอร์แบบกำหนดเอง Tencent ตรวจสอบแล้วว่า vLLM ที่แพตช์แล้วโหลดเช็กพอยต์และผ่านการตรวจสอบการสร้างข้อความ รูปภาพ เสียง และวิดีโอพร้อมแทร็กเสียงบน H20 ซึ่งเป็นการตรวจสอบแบบโหลดและรัน ไม่ใช่การยืนยันความแม่นยำ เส้นทาง GGUF ต้องสร้างรันไทม์เนทีฟจากซอร์ส
OrcaRouter ไม่ให้บริการWeMM-Video-9B และแคตตาล็อกของมันไม่มีรายการเช็กพอยต์ WeMM เลยแม้แต่รายการเดียว จึงไม่มีราคาแบบโฮสต์ให้เสนอราคาและไม่มีเอนด์พอยต์ให้เรียกใช้ สิ่งที่แพลตฟอร์มมีให้บริการคือครึ่งด้านภาพของงานเดียวกัน — Qwen3-VL-8B-Thinking และ Qwen3-VL-235B-A22B-Thinking ทั้งคู่รองรับภาพและเฟรมวิดีโอ — อยู่เบื้องหลังคีย์เดียวที่เข้ากันได้กับ OpenAI ควบคู่กับโมเดลอื่นอีก 200+ โมเดล โดยคิดตามราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยมาร์กอัป 0% ทั้งสองตัวไม่ได้ยินเสียงใด ๆ ดังนั้นจึงไม่มีตัวใดใช้แทนครึ่งด้านเสียงและภาพได้ หากแผนคือการลองใช้ 9B ที่โฮสต์เองโดยไม่วางเส้นทางโปรดักชันไว้บนนั้น การกำหนดเส้นทางไว้หลังกฎ failover คือวิธีที่ประหยัดในการตรวจสอบว่ารันไทม์ที่แพตช์แล้วรองรับโหลดที่ระดับ concurrency ของคุณได้หรือไม่ ก่อนที่คุณจะผูกการ์ดให้กับมัน
การจับคู่กันนี้เป็นเวิร์กโฟลว์ ไม่ใช่เบนช์มาร์ก สร้างด้วย Wan 3.0 แล้วส่งคลิปให้โมเดลที่คืนคำอธิบายแทนพิกเซล: ฉากตรงกับพรอมต์หรือไม่ คำพูดฟังเข้าใจได้หรือไม่ เสียงลงจังหวะกับการกระทำหรือไม่ ไม่มีสิ่งใดตรงนี้วัดว่า WeMM-Video-9Bเก่งในงานนั้นเมื่อเทียบกับเอาต์พุตของ Wan 3.0 เองโดยเฉพาะหรือไม่ — ยังไม่มีใครรันมัน ข้อจำกัดงบเฟรมแปดวินาทีคือสิ่งที่ต้องทดสอบก่อน เพราะถ้าคลิปของคุณยาวสามสิบวินาที ผู้ตรวจจะดูเพียงหนึ่งในสี่ของแต่ละคลิป
อะไรจะเปลี่ยนคำตอบ
สามสิ่งที่ระบุวันที่ได้ โดยเรียงตามระดับที่สิ่งเหล่านั้นจะส่งผลต่อคำแนะนำ
คะแนนที่เป็นอิสระสำหรับ WeMM-Video-9B การปรากฏเพียงครั้งเดียวใน Artificial Analysis หรือผลลัพธ์จากอารีนาเพียงรายการเดียวจากฝ่ายที่ไม่ได้มีนายจ้างร่วมกับผู้เขียน จะเปลี่ยนตารางด้านบนจากข้อกล่าวอ้างให้เป็นการวัดผล จนถึงตอนนั้น การตีความอย่างตรงไปตรงมาคือ checkpoint ขนาด 10.49B ที่มีแบ็กโบน 9B ทำคะแนนได้ใกล้เคียงกับเรือธง 35B-A3B ของตัวเองบน benchmark ของ Tencent เอง และนั่นคือทั้งหมดที่สามารถกล่าวได้
ปลายทางที่โฮสต์ไว้ โมเดลต้องใช้รันไทม์ที่แพตช์แล้ว โค้ดกำหนดเอง และพื้นที่หน่วยความจำที่ต้องคงอยู่ในเครื่อง 13–20 GiB; เมื่อถึงวันที่ผู้ให้บริการรายใดเปิดให้ใช้ผ่าน API การเปรียบเทียบราคาในบทความนี้ก็จะเลิกเป็นการเปรียบเทียบผิดประเภท และกลายเป็นการคิดเลขธรรมดา
สูตรที่ใช้บริบทซึ่งประกาศไว้ จุดตรวจสอบ (checkpoint) อ้างว่ามี 262,144 ตำแหน่งอยู่แล้ว หาก Tencent เปิดตัวโปรไฟล์การให้บริการที่เพิ่มเพดานเฟรมและใช้งานมันจริง ค่าเริ่มต้นแปดวินาทีก็จะกลายเป็นเพียงรายละเอียดการตั้งค่า ไม่ใช่เพดานอีกต่อไป — และ 9B ก็จะเลิกเป็นตัวตรวจสอบแบบสุ่มสำหรับคลิปสั้น
ตอนนี้การแบ่งบทบาทชัดเจน เลือก Wan 3.0 เมื่อคุณต้องการฟุตเทจ; มันเปิดตัวแล้ว ตั้งราคาแล้ว อยู่อันดับต้นของบอร์ดจัดอันดับอิสระสองแห่ง และเป็นตัวเดียวในสองตัวที่คุณเรียกใช้ได้บ่ายนี้ เลือก WeMM-Video-9B เมื่อคุณต้องการโมเดลที่ได้ยินซาวด์แทร็กพอ ๆ กับที่มองเห็นเฟรม คุณมีการ์ดเหลือพอ และคุณยินดีเป็นคนแรกที่ได้รู้ว่าสูตรแปดวินาทีนั้นเป็นค่าเริ่มต้นหรือข้อจำกัด สองตัวนี้ไม่ได้แข่งขันกันเพื่อการตัดสินใจเดียวกัน
การเปรียบเทียบในบทความนี้2
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
