
WeMM-Video-35B-A3B so với Alibaba Wan 2.7: 22,754 phiếu so với 0
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token · 182 tok/s
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token · 364 tok/s
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 87 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 148 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
There is exactly one number in this comparison that a third party produced, and it belongs to Alibaba Wan 2.7. On Artificial Analysis' video-editing board the model sits ninth at Elo 1,074 with a confidence interval of ±8, computed from 22,754 pairwise human votes — the smallest interval anywhere on that board. WeMM-Video-35B-A3B has nothing comparable. Its Hugging Face repository was created on 17 November 2026 holding a single .gitattributes file, its 67.39 GiB of BF16 tensors only arrived at 03:57 UTC on 20 November, and as of this writing the page records zero downloads and three likes. The two models are not ranked against each other anywhere, and no amount of careful prose can manufacture that ranking.
What can be done is to separate the three kinds of claim in play: what 22,754 people actually judged, what Tencent's own paper asserts, and what neither side has shown. Most coverage of a fresh checkpoint blurs the second into the first. This piece keeps them apart, because the difference between a measured Elo and a vendor table is the whole decision.
Con số bên thứ ba duy nhất ở đây
Hàng chỉnh sửa của Wan 2.7 được ủng hộ tốt một cách bất thường. 22.000 phiếu bầu không phải là mẫu bảng xếp hạng mà bạn có thể gạt đi như nhiễu; khoảng ±8 nghĩa là vị trí thứ chín ổn định so với mọi thứ bên dưới nó, và tháng phát hành gắn với hàng này là tháng 4 năm 2026, nên số phiếu đã có bảy tháng để tích lũy.
Cùng một họ xuất hiện thêm hai lần trên các bảng, và ba hàng không khớp với nhau, điều này tự nó đã mang tính thông tin:
• AA-Video-Editing v1.1 — Hạng 9, Elo 1.074 ±8, 22.754 mẫu, tháng 4 năm 2026, 16,90 đô la Mỹ mỗi phút.
• AA-Video-T2V v2.1 — được niêm yết là Wan2.7-260612, hạng 20, Elo 1.035 ±13, 6.965 mẫu, tháng 6 năm 2026, 9,00 USD mỗi phút. Cùng nhà cung cấp, nhiệm vụ khác, một phần ba số lượng mẫu và mức giá thấp hơn 47% so với giá chỉnh sửa.
• AA-Video-I2V v2.1 — không có dòng nào. Wan 3.0 có mặt trên bảng đó ở vị trí thứ mười hai với 1.109; Wan 2.7 thì không. Bộ công cụ quảng cáo khả năng chuyển ảnh thành video, nên đây là khoảng trống trên bảng đấu chứ không phải khoảng trống của sản phẩm, nhưng điều đó có nghĩa là mô hình chưa từng được xếp hạng ở tác vụ mà hầu hết mọi người sẽ tìm đến đầu tiên.

Đọc cả ba cùng lúc, bản tóm tắt trung thực là Wan 2.7 là một mô hình video tầm trung được đánh giá dè dặt, với một cơ sở bằng chứng thực sự vững chắc (chỉnh sửa), một cơ sở mỏng hơn (văn bản thành video), và một ô trống. Điều đó vẫn là lượng bằng chứng bên ngoài nhiều hơn hẳn so với bên còn lại của phép so sánh này.
What Alibaba is selling, and at what rate
Wan 2.7 là sản phẩm bốn chế độ: văn bản thành video, hình ảnh thành video, tham chiếu thành video và chỉnh sửa video. Các điều khiển được tài liệu hóa gồm điều kiện hóa bằng khung hình khóa đầu và cuối, tối đa năm ảnh chủ thể cùng năm clip tham chiếu, đầu ra từ 720p đến 1080p, âm thanh gốc và clip dài từ hai đến mười lăm giây. Tính phí theo giây ở mức giá niêm yết, nhờ đó một lần tạo 15 giây 1080p là khoản chi phí bạn có thể tính trước khi bấm bắt đầu, thay vì số dư tín dụng mà bạn chỉ phát hiện sau đó.
The awkward fact for anyone budgeting on Wan 2.7 today is that Alibaba has already superseded it. Wan 3.0 leads the text-to-video board at 1,176 and the editing board at 1,197, and it does so at $12.00 per minute — cheaper than Wan 2.7's $9.00 text-to-video rate only when you compare like for like, and cheaper than the $16.90 editing rate outright. Wan 2.7's April release month and its seventh-month-old votes describe a model that is now the previous generation inside its own vendor's lineup. That matters for this comparison because it changes what you are actually weighing: not the best Alibaba can do against the best Tencent can do, but a mature, measured, one-generation-old service against a checkpoint whose weights are hours old.
Checkpoint vừa được triển khai sáng nay
Có thể thấy rõ diễn biến của bản phát hành WeMM-Video-35B-A3B theo cách mà hầu hết các bản phát hành âm thầm không có được, vì Hugging Face đóng dấu thời gian cho toàn bộ chuỗi. Kho lưu trữ xuất hiện lúc 08:53:50 UTC ngày 17 tháng 11 mà bên trong không có gì ngoài một tệp stub gitattributes. Báo cáo arXiv, 2611.26409, được gửi vào ngày 19 tháng 11 lúc 16:58 UTC và đã được chỉnh sửa một lần, lúc 06:15 UTC ngày 20 tháng 11. Commit trọng số BF16 có ngày 2026-11-20T03:57:36Z. Kho lưu trữ GitHub, Tencent/WeMM-Video, được tạo vào ngày 17 tháng 11 lúc 02:29 UTC, có chín sao, không có fork nào và không có bản phát hành nào được công bố, và vẫn đang được chỉnh sửa README lúc 06:34 UTC sáng nay.
Vậy là bài báo ra đời trước các tensor khoảng mười một giờ, và thẻ mô hình vẫn đang được viết lại ngay tại thời điểm này. Chính thứ tự đó mới là câu chuyện. Không có bài đăng ra mắt, không có trang giá, không có endpoint được host, không có thông cáo báo chí và không có tài khoản thông báo — không có gì mà một nhà cung cấp thường làm khi muốn một mô hình được chú ý.
Những gì kho lưu trữ thực sự chứa là cụ thể:
• Kích thước — 36.177.564.536 tham số, BF16, trải rộng trên mười bảy phân mảnh safetensors với tổng cộng 67,39 GiB. Nhãn “35B-A3B” đếm một đại lượng khác với kích thước tệp; khoảng chênh lệch được mô tả ở phần dưới.
• Bản dựng FP8 quả thực đã trở lại.Khi bài báo được đăng lên, kho FP8 Block128 mà thẻ liên kết tới đã trả về 401 — cùng câu trả lời mà Hub đưa ra cho một cái tên chưa từng tồn tại. Giờ thì nó đã phân giải được: 36.09 GiB trong một tệp safetensors, được commit lúc 05:53:01 UTC, hai giờ sau lần tải lên BF16, với 33.6B tham số ở E4M3 và 2.56B còn lại ở BF16. Dù lúc 16:58 UTC ngày 19 tháng 11 đang diễn ra chuyện gì, bản phát hành vẫn chưa hoàn tất.
• Ba biến thể lượng tử hóa khác — AWQ W4A16 ở 22,72 GiB trên 52 phân mảnh theo từng lớp, NVFP4 W4A16 ở 24,11 GiB trong một tệp, và một gói GGUF Q4_K_M ở 25,46 GiB được tách thành một tệp ngôn ngữ 22,61 GiB, một projector 0,84 GiB và một bộ mã hóa âm thanh 1,99 GiB. Hai trong số ba biến thể đó tự mô tả là chưa được xác thực trong manifest của chính chúng. Biến thể NVFP4 chỉ khẳng định rằng các trọng số đã được đọc lại trên CPU, đó là một tổng kiểm tra chứ không phải một đánh giá.
• Môi trường chạy — không có gì ở đây chạy trên một engine nguyên bản. Kho lưu trữ cung cấp các lớp phủ mã nguồn kèm manifest SHA-256 cho đúng bốn bản phát hành thượng nguồn: vLLM 0.18.0 và 0.31.0, SGLang 0.5.16 và 0.5.19. Mọi lệnh phục vụ được công bố đều truyền ngữ cảnh 8.192 token, song song tensor trên hai GPU và một pipeline media giới hạn ở 16 khung hình và 262.144 pixel. Tìm kiếm trên trình theo dõi vấn đề của vLLM không thấy yêu cầu thượng nguồn nào cho kiến trúc này.

What Tencent measured, and against whom
Mọi chỉ số chất lượng gắn với WeMM-Video-35B-A3B đều đến từ nhóm đã huấn luyện nó. Bài báo nói đúng như vậy — “chúng tôi báo cáo kết quả chính thức khi có và các đánh giá của riêng chúng tôi nếu không” — và con số duy nhất trên thẻ được nêu đầy đủ điều kiện thậm chí không phải là kết quả video: MMAR1000, chỉ âm thanh, giải mã ở 16 kHz, giải mã tham lam, hai H20. Phần còn lại của thẻ ghi lại việc tải checkpoint. So với 22.754 phiếu bầu, đó là một loại bằng chứng khác và nên được đọc như vậy.
The headline table is a different matter, and it is large. Across 30 single-valued benchmarks, the checkpoint in thinking mode finishes ahead of Qwen3.5-Omni-Flash on 28 and behind on 2; ahead of Seed2.0-Mini-0428 on 26 and behind on 4; and behind Gemini-3.0-Flash on 21 of 30, which Tencent's own summary describes as narrowing a gap rather than closing it. The two rows that carry the most weight for anyone wiring up a describer are the audio-visual ones — 86.4 on Video-MME with audio against 79.3, and an eighteen-point lead on the harder v2 split at 54.9 against 36.6 — because a model that only reads frames cannot post either number.
Hai điểm thua này chỉ theo hướng ngược lại và đáng được nhắc lại: JointAVBench ở mức 65.9, xếp sau 69.0 của Qwen, và MUSIC-AVQA ở mức 79.5, xếp sau 82.1 của Qwen. Cả hai đều nặng về âm thanh. Một checkpoint lớn hơn không thắng ở mọi nơi, và những nơi nó không thắng là những nơi stack âm thanh của Qwen đã có nhiều thời gian hơn để hoàn thiện.
Không có điều nào trong số đó được tái lập. Cả Artificial Analysis lẫn LMArena đều không liệt kê một mô hình WeMM ở bất kỳ kích thước nào, và ba lượt thích trên kho lưu trữ không phải là bình duyệt. Nếu bạn đang chọn giữa hai mô hình này để làm một công việc, bạn đang so sánh 22.754 phiếu bầu với một bảng do chính các tác giả ký tên.
Cả hai đều quay video, nhưng chỉ một cái trả về nó
Sự khác biệt về cấu trúc thì dễ nói nhưng khó có thể nói quá. Wan 2.7 nhận văn bản, hình ảnh, clip tham chiếu và video, rồi trả về video. WeMM-Video-35B-A3B nhận văn bản, hình ảnh, âm thanh và video cùng với đường tiếng của nó, rồi trả về văn bản. Chế độ chỉnh sửa của Wan 2.7 là gần nhất với phía bên kia — nó nhận vào cảnh quay và trả lại cảnh quay — nhưng đầu ra vẫn là điểm ảnh, và không có thiết lập nào khiến nó mô tả những gì nó đã chỉnh sửa.
Các mức trần ở mỗi phía giới hạn pipeline mà bạn có thể xây dựng:
• Giới hạn của Wan 2.7 là thời lượng. Hai đến mười lăm giây mỗi lần tạo, 720p đến 1080p, tính phí theo giây. Một clip dài mười lăm giây theo mức giá chỉnh sửa là khoảng $4.23 trước bất kỳ lần thử lại nào.
• Giới hạn của WeMM-Video-35B-A3B nằm ở ngữ cảnh và việc lấy mẫu. Bộ xử lý mặc định ở hai khung hình mỗi giây, tối thiểu bốn khung hình, tối đa mười sáu khung hình và tổng ngân sách 262.144 pixel — tương đương khoảng tám giây bao phủ theo cấu hình phát hành. Các lệnh phục vụ giới hạn ngữ cảnh ở 8.192 token và cho phép bốn hình ảnh, hai video và hai đoạn âm thanh mỗi yêu cầu. Với mười token âm thanh mỗi giây, ngữ cảnh đó tương đương khoảng mười ba phút âm thanh nếu bạn chỉ dành nó cho âm thanh.
• Sự không khớp. Wan 2.7 có thể tạo ra mười lăm giây cảnh quay; công thức WeMM đi kèm chỉ xét tám giây. Nếu pipeline của bạn kết xuất một clip rồi hỏi một mô hình xem điều gì đã xảy ra trong đó, trình mô tả ở cấu hình hiện tại sẽ lấy mẫu khoảng một nửa đầu ra. Đó là cấu hình bạn phải thay đổi có chủ đích, không phải giới hạn của kiến trúc — mặc định của chính bộ xử lý cho phép 128 khung hình.
Hai nhà cung cấp, một mô hình, một khóa
Neither of these models is served through OrcaRouter. The catalogue lists no WeMM checkpoint of any size, and it lists no video generator at all — of the 183 model IDs available today, 51 accept video as input and not one returns video. Wan 2.7 is reachable through Alibaba's own API; WeMM-Video-35B-A3B is reachable by downloading 67 GiB and applying a source patch.
What the routing layer does offer is a way to stop paying for a single provider's bad afternoon. Qwen3.6-35B-A3B — the dense-ish backbone Tencent built this MoE on, and the model you would reach for if you want "watch the clip and reason about it" without the 67 GiB download — is in the catalogue twice: once at $0.248 per million input and $1.485 per million output with a 262,144-token context, and once, through a second provider serving the same weights, at $0.31 and $4.21. That is the same model at two prices, and the routing DSL lets you express the preference once — cheapest first, fail over on a 5xx or a timeout — instead of hard-coding a base URL into your client and hoping.
Automatic failover is the part that matters for video work specifically, because video requests are long. A 40-minute audio track at ten tokens per second consumes most of an 8,192-token budget, which means a single job occupies a connection for a long time, and a provider incident mid-request is expensive rather than annoying. Passing provider list price through at 0% markup matters for the other half of this comparison: when Alibaba cuts Wan 3.0 to $12.00 or a successor undercuts it again, a pass-through bill shows the cut on the next invoice rather than whenever a reseller re-prices.

Bạn thực sự đang chọn con số nào
Nếu sản phẩm bàn giao là cảnh quay, thì Wan 2.7 là cái duy nhất trong hai cái tạo ra được nó, và quyết định thu về việc liệu $16.90 một phút cho chỉnh sửa hay $9.00 một phút cho text-to-video có biện minh được trước một hội đồng mà đối thủ dẫn đầu hiện tại tính $12.00 và vượt trội ở cả hai tác vụ hay không. Thứ chín và thứ hai mươi là những vị trí tầm trung đáng nể. Chúng không phải lý do để chọn thế hệ trước.
Nếu sản phẩm bàn giao là một tuyên bố về đoạn phim bạn đã có sẵn, thì WeMM-Video-35B-A3B là cái duy nhất trong hai cái tạo ra được nó, và quyết định rút gọn thành việc bạn có thể đáp ứng một inference engine đã được vá, bản tải xuống 67,39 GiB hay bản FP8 36,09 GiB, hai GPU cho song song tensor, và cửa sổ lấy mẫu tám giây hay không — để có được một bộ mô tả cấp 36B với các chỉ số âm thanh-hình ảnh mạnh và hoàn toàn do chính hãng cung cấp.
Cái bẫy là coi "Elo 1,074 trên 22,754 phiếu" và "86.4 trên Video-MME có âm thanh" là cùng thang đo. Một cái là phép đo đám đông về một dịch vụ mà bất kỳ ai cũng có thể gọi. Cái kia là bảng của nhà cung cấp về một checkpoint mà đến sáng nay vẫn chưa có trọng số nào trong đó. Cả hai đều đáng đọc. Chỉ một trong hai là bằng chứng.
