
WeMM-Video-4B vs FLUX 3 Video: Đọc clip hay tạo một clip
- 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 · 356 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 · 147 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 · 92 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 · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token · 117 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
Cách nhanh nhất để lãng phí một buổi chiều là so sánh WeMM-Video-4B với FLUX 3 Video về chất lượng. Một trong hai có một con số còn cái kia thì không, và con số đó không phải điểm chất lượng — mà là giá. FLUX 3 Video, từ Black Forest Labs, đã được phát hành chính thức vào ngày 4 tháng 8 năm 2026 với mức giá công bố theo phút và xuất hiện trên cả hai bảng xếp hạng video của Artificial Analysis. WeMM-Video-4B, từ nhóm WeChat Vision của Tencent, xuất hiện vào ngày 17 tháng 11 năm 2026 dưới dạng 10,5 gigabyte trọng số Apache-2.0 mà không có endpoint, không có giá và hoàn toàn không có mục nào trên bảng xếp hạng. Điều bạn đang lựa chọn giữa là một trình tạo tính phí theo mức sử dụng và một trình mô tả miễn phí, và sự so sánh trung thực là về việc pipeline của bạn đang thiếu điều nào trong hai thứ đó.
Phần còn lại của bài viết này phân tách ba loại sự kiện: những gì các kho lưu trữ và hai ban nêu rõ, những gì các nhà cung cấp tuyên bố trong các bài viết và tài liệu của chính họ, và những gì chưa ai bên ngoài hai phòng thí nghiệm xác minh. Tính đến ngày 20 tháng 11 năm 2026, loại thứ ba chiếm phần lớn tài liệu đáng chú ý.
Một người tham gia hai hội đồng, người kia không tham gia hội đồng nào.
Artificial Analysis chấm điểm FLUX 3 Video hai lần và hai điểm số nằm trên các thang đo riêng biệt, nên không thể quy đổi qua lại giữa chúng.
• AA-Video-T2V v2.1 — FLUX 3 Video đứng thứ 10, Elo 1.137 ±13 với 7.406 phiếu bầu, được niêm yết ở mức 17,40 đô la Mỹ mỗi phút. FLUX 3 Video Max lớn hơn đứng thứ 7 với 1.151 ±14 qua 4.708 phiếu bầu ở mức 8,70 đô la Mỹ mỗi phút, đây là trường hợp bất thường khi mô hình lớn hơn lại rẻ hơn trên bảng xếp hạng.
• AA-Video-I2V v2.1 — FLUX 3 Video đứng thứ 16 với 1.069 ±14 trên 6.838 phiếu bầu, vẫn mức $17,40. FLUX 3 Video Max đứng thứ 17 với 1.068 ±14 trên 6.848 phiếu bầu ở mức $8,70.
• WeMM-Video-4B — không có dòng nào trên cả hai bảng, và không có dòng nào trên bảng chỉnh sửa video. Đây không phải là một phép đo bị thiếu; nó không thể được đưa vào. Các bảng video AA xếp hạng các cảnh quay được tạo ra, và WeMM-Video-4B không tạo ra cảnh nào.
Hãy đọc các khoảng cách thay vì thứ hạng. Sáu mươi tám điểm ngăn cách hai vị trí của FLUX 3 Video trên bảng text-to-video và image-to-video — tương đương năm khoảng — và đó là thông tin hữu ích về một mô hình được chấm trên hai thang đo không quy đổi được sang nhau: nó là một mô hình tạo sinh có năng lực, mà vị trí của nó phụ thuộc vào việc bạn giao cho nó nhiệm vụ nào. Đó là một phép đo độc lập có thật, dù khiêm tốn — và nó còn nhiều hơn những gì phía bên kia của cuộc đối đầu này có.
Với $17.40 một phút thì mua được gì
FLUX 3 Video là một trình tạo đa phương thức với danh sách đầu vào rộng hơn bất kỳ hàng riêng lẻ nào trên bảng hiển thị. Lời nhắc văn bản, ảnh tĩnh làm khung hình đầu tiên, video cho video-sang-video và nối tiếp, và khung hình khóa cho các chuyển cảnh có kiểm soát. Thời lượng chạy đến 20 giây trong một lần tạo, với 5 đến 20 giây cho văn bản-sang-video và ảnh-sang-video và 5 đến 15 giây cho nối tiếp. Độ phân giải được cung cấp theo dải điểm ảnh thay vì tỷ lệ khung hình — HD ở khoảng một megapixel mỗi khung hình, FHD ở hai, QHD/2K ở bốn, UHD/4K ở tám. Âm thanh gốc với hội thoại đa ngôn ngữ, giọng nói đồng bộ, hiệu ứng âm thanh và âm thanh nền là tùy chọn và được tính trong giá theo giây.
• Draft HD — 0,06 USD mỗi giây. Một clip thử nghiệm dài năm giây có giá ba mươi xu.
• HD / 720p — $0,17 mỗi giây, hoặc khoảng $0,85 cho năm giây.
• FHD / 1080p — 0,29 USD mỗi giây. QHD/2K là 0,40 USD và UHD/4K là 0,80 USD.
• Video sang video và nối tiếp — bản nháp $0.12, HD $0.41 đến $0.43, FHD $0.53 đến $0.54, 2K $0.65 và 4K $0.95.
Mức $17.40 mỗi phút của bảng giá là một con số 1080p đã chuẩn hóa, đó là lý do nó không chia khớp gọn vào thẻ đó. Đây là đơn vị so sánh, không phải hóa đơn. Một số bản tóm tắt của bên thứ ba cũng báo cáo các dải 2K và 4K đang được triển khai dần thay vì sẵn có rộng khắp, nên hãy coi phần trên cùng của thẻ là một câu hỏi ở cấp tài khoản.
WeMM-Video-4B mang lại cho bạn những gì miễn phí
Bên kia của cặp đối đầu không tốn phí mỗi lượt gọi và hoàn toàn không thể mua được. WeMM-Video-4B có 5.611.746.312 tham số — 10,45 GiB ở BF16 — trong một repository được đặt tên theo backbone ngôn ngữ Qwen3.5-4B của nó chứ không theo kích thước thực tế. Phần dư thừa chính là mấu chốt: 4,21 tỷ tham số của mô hình ngôn ngữ, 0,33 tỷ của vision tower, và 1,07 tỷ của audio stack kiểu Whisper với một Q-Former phát ra 10 audio token mỗi giây từ âm thanh 16 kHz theo từng đoạn 30 giây.
Nó nhận văn bản, hình ảnh, video và video kèm âm thanh gốc, rồi trả về văn bản. Trên bảng âm thanh-hình ảnh chung của các tác giả, nó vượt Qwen3-Omni-30B-A3B-Instruct trên Video-MME có âm thanh, 83,9 so với 77,3, và trên Video-MME v2, 48,1 so với 36,3. Trên video im lặng, nó dẫn đầu LVBench 65,3 so với 50,2 và LongVideoBench 74,8 so với 63,5. So với Qwen3.5-Omni-Flash, nó thua ở các benchmark âm thanh — MMAU 75,2 so với 80,4, MMAR 67,3 so với 74,0 — và kém hơn trên OCRBench 85,7 so với 89,1 và GPQA 73,2 so với 76,4.
Mỗi mục trong số đó đều là phép đo của chính Tencent. Bài báo nói rằng họ báo cáo kết quả chính thức khi có sẵn và nếu không thì dùng đánh giá của chính họ, đồng thời chưa có bên thứ ba nào tái lập được bất kỳ hàng nào. Số khung hình, ngân sách điểm ảnh và độ dài ngữ cảnh cho các lần chạy benchmark không được nêu rõ — điều này quan trọng vì công thức vLLM được phát hành giới hạn video ở 16 khung hình và tổng cộng 262.144 điểm ảnh, so với mặc định của bộ xử lý là 128 khung hình.

Hai chiếc đồng hồ không bao giờ gặp nhau
Không mô hình nào có thể thay thế mô hình kia, và những ràng buộc khiến điều đó đúng đều là về ngân sách chứ không phải về năng lực.
• Ngân sách đầu ra — FLUX 3 Video tạo ra tối đa 20 giây cảnh quay mỗi lần gọi ở độ phân giải tối đa 4K kèm âm thanh. WeMM-Video-4B không tạo ra khung hình nào cả, vì vậy ngân sách đầu ra của nó là ngân sách token: 8.192 token mỗi yêu cầu như khi xuất xưởng, trong đó âm thanh tiêu tốn 10 token mỗi giây trước khi các khung hình được tính.
• Hạn mức đầu vào — WeMM-Video-4B chấp nhận bốn hình ảnh, hai video và hai mục âm thanh mỗi yêu cầu, ở tốc độ 2 khung hình/giây, giới hạn tối đa 16 khung hình. FLUX 3 Video chấp nhận một lời nhắc, một khung hình đầu tiên, một video tham chiếu hoặc một bộ khung hình chính, và không có đầu vào âm thanh dưới bất kỳ hình thức nào.
• Cách tính chi phí — FLUX 3 Video tính phí theo từng giây đầu ra, nên chi phí tỉ lệ với độ tham vọng. WeMM-Video-4B tính phí theo giờ GPU trên phần cứng của chính bạn, nên chi phí tỉ lệ với kích thước lô và không quan tâm đoạn clip nguồn dài bao lâu, chỉ quan tâm có bao nhiêu khung hình còn lại sau khi lấy mẫu.
• Giấy phép — Apache 2.0 cho bộ sưu tập WeMM, với ngoại lệ không được liệt kê chi tiết dành cho các thành phần bên thứ ba; một API thương mại được lưu trữ về phía FLUX mà không công bố trọng số.
Nói đơn giản: một bên là chi phí tính theo từng giây với một bảng điểm, bên kia là chi phí vốn cố định với một tờ giấy. Một nhóm cần một cảnh quay hoàn chỉnh không thể dùng WeMM-Video-4B, và một nhóm cần một chỉ mục có thể tìm kiếm của mười nghìn clip sẵn có không thể dùng FLUX 3 Video — không phải vì nó đắt, mà vì nó không có cách nào trả lời câu hỏi về đoạn phim mà nó không tạo ra.
Âm thanh là nơi cuộc so sánh trở nên phức tạp
FLUX 3 Video tạo ra âm thanh. WeMM-Video-4B hiểu âm thanh. Đó là hai năng lực khác nhau nhưng nghe qua thì tưởng như giống nhau trong một danh sách tính năng, và chính sự khác biệt này mới quyết định pipeline.
Âm thanh của FLUX là một đầu ra của quá trình tạo: hội thoại đa ngôn ngữ, lời nói được đồng bộ, hiệu ứng âm thanh và âm thanh môi trường, là tùy chọn và được gộp vào mức giá theo giây. Điều Black Forest Labs không công bố là số lượng track, vì vậy nếu bạn cần hội thoại, nhạc và hiệu ứng dưới dạng các stem có thể tách riêng, thì cả bảng giá lẫn tài liệu đều không cho bạn biết liệu bạn có nhận được chúng hay không. Hãy dự trù thêm một lượt xử lý thứ hai trong DAW.
Âm thanh của WeMM là một nhánh đầu vào: một tháp 1,07 tỷ tham số biến một bản âm thanh thành 10 token mỗi giây và hợp nhất chúng với các token thị giác theo thứ tự thời gian, với các dấu mốc thời gian dạng văn bản tường minh. Đó là điều mà mức 83,9 trên Video-MME có âm thanh đo lường và mức 75,2 trên MMAU đo lường — nó nghe tốt đến đâu, chứ không phải nó nói tốt đến đâu.
Vì vậy, một quy trình làm việc viết ra một cảnh, kết xuất nó cùng âm thanh, rồi sau đó cần biết liệu đoạn hội thoại có thực sự truyền tải được hay không sẽ cần cả hai nửa, và không mô hình nào bao phủ nửa còn lại của mô hình kia. Đó là chỗ duy nhất trong màn so tài này mà hai bên thực sự bổ trợ cho nhau chứ không chỉ đơn thuần là khác nhau.
Câu hỏi về định tuyến, nói một cách trung thực
OrcaRouter không cung cấp mô hình nào trong hai mô hình này. Không có endpoint WeMM-Video-4B — danh mục của nền tảng hoàn toàn không có checkpoint WeMM nào — và cũng không có route FLUX 3 Video. FLUX 3 Video có sẵn qua API riêng của Black Forest Labs và một số nền tảng bên thứ ba; WeMM-Video-4B có thể tải xuống, kèm overlay vLLM hoặc SGLang đã được vá, vì cả hai engine đều không hỗ trợ kiến trúc này ở upstream.
Những gì nền tảng thực sự bao phủ là lớp văn bản bao quanh quy trình này hay quy trình kia, và trong phép so sánh này, phần hữu ích là kết hợp mô hình chứ không phải định tuyến đơn thuần. Quyết định "đoạn clip này có đáng giữ lại không" là một phán đoán, và một lệnh gọi kết hợp đưa một bộ phân loại rẻ tiền và một bộ suy luận đắt đỏ lên cùng một prompt có thể đưa ra quyết định đó với chi phí chỉ bằng một phần nhỏ so với việc chạy mô hình đắt đỏ trên mọi ứng viên. Việc đó chạy trên một khóa tương thích OpenAI trên hơn 200 mô hình, theo giá niêm yết của nhà cung cấp với mức cộng thêm 0%, nên khi một nhà cung cấp giảm giá, mức giảm có hiệu lực ngay trong ngày chứ không phải đến kỳ thanh toán tiếp theo. Riêng đối với nửa chỉ liên quan đến thị giác của công việc WeMM, Qwen3-VL-235B-A22B-Thinking và Qwen3-VL-8B-Thinking đều nhận hình ảnh và khung hình video và hiện đã có trên nền tảng — đây là cách đi vòng qua mô hình omni còn thiếu, chứ không phải sản phẩm thay thế cho phần xử lý âm thanh của nó.


Điều gì thực sự sẽ giải quyết được chuyện đó
Ba tiến triển sẽ đưa phép so sánh này thoát khỏi cơ sở dựa trên số liệu do nhà cung cấp tự báo cáo mà nó hiện đang dựa vào.
Thứ nhất, một mục WeMM-Video-4B trên bất kỳ bảng độc lập nào. Không có mục nào như vậy, và lý do là mang tính cấu trúc chứ không phải âm mưu: các bảng video của AA xếp hạng các thước phim được tạo ra, còn một mô hình hiểu thì không thể được đưa vào. Một đấu trường hiểu video đa phương thức toàn diện chính là công cụ còn thiếu, và cho đến khi có một đấu trường như vậy, mọi con số WeMM đều chỉ là lời của Tencent.
Thứ hai, một bản phát hành trọng số của FLUX 3 Video. Black Forest Labs có danh tiếng về việc phát hành mở và checkpoint này không có giấy phép để tải xuống, nên hiện tại so sánh là giữa một mô hình mở và một mô hình đóng, một khác biệt mà không dòng benchmark nào phản ánh được.
Thứ ba, một mức giá dịch vụ lưu trữ cho dòng WeMM. Nếu một nhà cung cấp dịch vụ lưu trữ tương thích bắt đầu phục vụ các trọng số này ở mức giá niêm yết của nhà cung cấp với 0% phụ phí được chuyển tiếp, thì khía cạnh chi phí của bài viết này sẽ đổi hình thái trong vòng một tuần. Đó là một điều kiện, không phải sự thật hiện tại, và không có gì ở đây nên được hiểu là tuyên bố rằng chúng tôi lưu trữ nó.
Cái nào bạn thực sự cần
Nếu sản phẩm bàn giao là cảnh quay, FLUX 3 Video là lựa chọn duy nhất trong hai lựa chọn có thể tạo ra nó, và quyết định rút gọn thành việc liệu $0.17 mỗi giây cho 720p có chấp nhận được so với các trình tạo thay thế trên cùng bảng xếp hạng hay không — mà, ở vị trí thứ 10 về text-to-video, nó được định giá ở mức trung bình của nhóm.
Nếu sản phẩm bàn giao là một nhận định về đoạn phim bạn đã có sẵn, thì WeMM-Video-4B là mô hình duy nhất trong hai mô hình có thể tạo ra nó, và quyết định chỉ còn là liệu bạn có thể đem theo một lớp overlay mã nguồn cho vLLM hoặc SGLang và một checkpoint 10.45 GiB để có được một mô hình mô tả hạng 4B với các chỉ số video dài tốt bất thường hay không.
Cái bẫy là coi $17.40 và $0.00 là cùng một đại lượng. Một cái là mức giá tính theo mức sử dụng cho một dịch vụ; cái còn lại là sự vắng mặt của một dịch vụ. WeMM-Video-4B miễn phí theo cách một bản phát hành nghiên cứu là miễn phí — bạn trả giá bằng việc tích hợp, bằng những gói GGUF chưa được kiểm chứng, và bằng việc không có ý kiến của bất kỳ ai khác về việc liệu nó có hoạt động hay không.
So sánh trong bài viết này1
Phát hiện từ bài viết này
