
WeMM-Video-4B vs HiDream-O1-Video-1.0: Hai kiểu hẹp
- 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
HiDream-O1-Video-1.0 và WeMM-Video-4B đều tự mô tả rộng hơn so với cách chúng hành xử. Bản phát hành ra mắt của HiDream quảng cáo một mô hình nhận văn bản, hình ảnh và video rồi trả về năm đến hai mươi giây cảnh quay 1080p với âm thanh đồng bộ; API được tài liệu hóa chỉ chấp nhận đúng một ảnh tham chiếu và một lời nhắc tùy chọn. WeMM-Video-4B nhận văn bản, hình ảnh, video và âm thanh rồi trả về văn bản, điều này là chính xác — và mô hình không được phục vụ ở bất kỳ đâu, nên thứ nó chấp nhận trên lý thuyết chỉ là thứ bạn có được sau khi tự vá công cụ suy luận của mình. Một bên bị giới hạn bởi hợp đồng phục vụ của nó, bên kia bởi việc hoàn toàn không có hợp đồng phục vụ. Đó là toàn bộ phép so sánh, và mọi thứ bên dưới chỉ là chi tiết phụ thuộc vào điều đó.
Cả hai mô hình đều không phải là thứ bạn có thể gọi ngay hôm nay theo chế độ mà bài báo của nó nhấn mạnh. Điều đó quan trọng đến mức nào phụ thuộc vào việc bạn có thể tự thu hẹp nửa nào của khoảng cách, và đó là câu hỏi về giấy phép và GPU chứ không phải về chất lượng.
Hàng và phiên bản mà nó nằm trên
HiDream-O1-Video-1.0 có một phép đo độc lập. Đọc vào ngày 20 tháng 11 năm 2026, trên bảng AA-Video-I2V v2.1, nó đứng thứ 14 ở Elo 1.101 với khoảng tin cậy 95% là ±14, tức khoảng từ 1.087 đến 1.115, trên 6.976 phiếu bầu, được ghi nhận là bản phát hành tháng 8 năm 2026, với mức 5,80 USD mỗi phút video được tạo.
Sáu tuần trước, trên bảng xếp hạng v1.0, cùng một mô hình đứng thứ sáu với 1.175 ±10 với 3.231 phiếu. Đọc một cách cẩu thả, đó là một sự sụp đổ. Không phải vậy, và lý do đáng được nói thẳng vì đây là lỗi phổ biến nhất khi dùng các bảng xếp hạng này: v1.0 và v2.1 là những công cụ khác nhau với thang Elo khác nhau, nhóm phiếu bầu khác nhau và cách phân loại khác nhau. Điểm số không chuyển đổi giữa chúng, nên khoảng cách giữa 1.175 và 1.101 không phải là thước đo mức độ mô hình đã tệ đi bao nhiêu. Điều thực sự thay đổi là có thật — hạng 14 là vị trí tệ hơn hạng 6 theo quy tắc của bảng xếp hạng hiện tại — nhưng phép tính kết nối chúng thì không tồn tại.
WeMM-Video-4B không có dòng nào trên bất kỳ bảng xếp hạng nào, và sự vắng mặt này mang tính cấu trúc chứ không phải đang chờ xem xét. Các bảng xếp hạng video AI xếp hạng các cảnh quay được tạo ra. Một mô hình đọc video và viết câu không thể được đưa vào một cuộc bình chọn giữa hai clip. Cho đến khi có một đấu trường hiểu video đa phương thức toàn diện, mọi con số của WeMM-Video-4B đều là của riêng Tencent.
API của HiDream thực sự chấp nhận những gì
Bề mặt phục vụ đã được tài liệu hóa và nó hẹp, theo những cách tương ứng trực tiếp với các tuyên bố khi ra mắt.
• Đầu vào — chính xác một hình ảnh tham chiếu, được cung cấp dưới dạng URL công khai hoặc Base64 trong khoảng 40 KB đến 20 MB. Lời nhắc là tùy chọn và mặc định là trống. Thông báo liệt kê video trong số các đầu vào của mô hình; lược đồ yêu cầu không có trường cho nó.
• Độ phân giải — không có bộ chọn. Kết quả giữ nguyên tỷ lệ khung hình của ảnh tham chiếu. Tuyên bố 1080p trong thông báo không thể điều chỉnh từ yêu cầu.
• Thời lượng — một giá trị boolean, force_10s, mặc định là false. Nếu để false, mô hình sẽ tự chọn; đặt true bạn sẽ nhận được mười giây. Dải năm đến hai mươi giây được quảng cáo không có trường số nào.
• Âm thanh — không có tham số đầu vào âm thanh hay tạo âm thanh nào được cung cấp, mặc dù bản phát hành mô tả âm thanh đồng bộ gốc.
• Quy ước kết quả — bất đồng bộ. Bạn gửi yêu cầu, nhận một task_id và thăm dò trạng thái. result.status = 1 có nghĩa là mọi tác vụ con đã đạt trạng thái kết thúc, không phải là quá trình tạo đã thành công; thành công là sub_task_results[].task_status = 1, với 3 là lỗi tạo và 4 là xem xét an toàn.
Vì vậy, mô hình mà bạn có thể gọi là một trình làm hoạt ảnh hình ảnh với hai chế độ thời lượng. Mô hình được mô tả trong bản phát hành là một trình tạo văn bản-video-âm thanh kết hợp với thời lượng theo kế hoạch. Cả hai tuyên bố đều được cùng một công ty ghi nhận, và sự khác biệt là một lộ trình chứ không phải một mâu thuẫn.
WeMM-Video-4B yêu cầu bạn xây dựng những gì
Phía bên kia không có ràng buộc nào buộc phải thu hẹp, vì không có điểm kết thúc. WeMM-Video-4B có 5.611.746.312 tham số — 10,45 GiB trọng số BF16 — được phát hành theo Apache 2.0 trong một họ gồm bốn kích cỡ, tất cả đều xuất hiện trong khoảng thời gian mười chín phút vào ngày 17 tháng 11 năm 2026, cùng với báo cáo kỹ thuật, arXiv 2611.26409, ra mắt tiếp theo vào ngày 19 tháng 11.
Để nó trả lời được đòi hỏi công sức mà người dùng HiDream không bao giờ thấy. Cả vLLM lẫn SGLang đều không hỗ trợ kiến trúc này ở thượng nguồn; kho lưu trữ cung cấp các bản vá lớp phủ mã nguồn cho bốn bản phát hành thượng nguồn chính xác — vLLM 0.18.0 và 0.31.0, SGLang 0.5.16 và 0.5.19 — mỗi bản được cố định vào một tổ hợp PyTorch, Transformers và CUDA 12.9 cụ thể, cùng với Python 3.12, FFmpeg, và bộ công cụ C++ cùng Ninja để biên dịch kernel ở lần sử dụng đầu tiên của SGLang. Gói GGUF được tạo cho một runtime native mà bạn tự biên dịch từ kho lưu trữ, không phải cho llama.cpp, và Tencent gắn nhãn nó là exported_unvalidated.
Đổi lại, bạn nhận được một bộ mô tả với ngăn xếp âm thanh lớn bất thường: 4,21 tỷ tham số của mô hình ngôn ngữ dẫn xuất từ Qwen3.5-4B, 0,33 tỷ tham số của tháp thị giác, và 1,07 tỷ tham số của bộ mã hóa-giải mã âm thanh kiểu Whisper cấp đầu vào cho Q-Former ở 10 token mỗi giây. Gần một phần năm checkpoint là tai, đó là lý do các điểm số âm thanh-thị giác kết hợp của nó mới là những điểm đáng chú ý.
Các chế độ dùng để so sánh từng mô hình
Một so sánh công bằng ở đây không phải là "cái nào tốt hơn" mà là "chế độ nào là thứ bạn thực sự có thể tiếp cận", và hai câu trả lời nằm ở những vị trí khác nhau.
• HiDream-O1-Video-1.0 — chế độ khả dụng: image-to-video, một khung tham chiếu, tỷ lệ khung hình cố định, mười giây hoặc theo lựa chọn của mô hình, không có điều khiển âm thanh. Chế độ tính điểm: image-to-video. Bảng xếp hạng và API khớp nhau.
• WeMM-Video-4B — chế độ có thể truy cập: video có âm thanh đầu vào, văn bản đầu ra, ở 16 khung hình được lấy mẫu và 8.192 token như được phát hành. Chế độ được chấm điểm: bài báo báo cáo chế độ Thinking trên các bảng video, Instruct trên bảng âm thanh, và Thinking một lần nữa trên hình ảnh và văn bản, và không nêu số khung hình hoặc độ dài ngữ cảnh được sử dụng.
• Cả hai — do nhà cung cấp tự báo cáo khi có số liệu, và chưa có bên thứ ba nào tái lập được cả hai. Lợi thế của HiDream là một cấu hình đã được bình chọn bởi những người không làm việc cho HiDream.


Câu hỏi về âm thanh, mà chỉ một bên có thể trả lời
HiDream tạo ra âm thanh và WeMM-Video-4B hiểu được nó. Những điều đó nghe như cùng một năng lực trong danh sách tính năng, nhưng thực tế không phải vậy, và với một nhóm đang xây dựng pipeline, sự khác biệt này quyết định cái nào mới thực sự liên quan.
Về phía tạo sinh, bản phát hành của HiDream mô tả một quy trình duy nhất mô hình hóa văn bản, video và âm thanh cùng nhau thay vì thêm âm thanh sau đó, nên chuyển động môi, không gian âm thanh và hành động vật lý dùng chung một dòng thời gian. Việc bạn có thể điều khiển điều đó hay không lại là chuyện khác: yêu cầu được tài liệu hóa không có tham số âm thanh nào, và thông báo không công bố số lượng track, nên thoại, nhạc và hiệu ứng dưới dạng các stem tách rời vẫn chưa được xác minh ở cả hai điểm.
Về khía cạnh hiểu, WeMM-Video-4B đạt 83.9 trên Video-MME có âm thanh, so với 77.3 của Qwen3-Omni-30B-A3B-Instruct và 69.2 của MiniCPM-o-4.5-9B, và đạt 82.5 trên Daily-Omni so với 70.7 và 80.2. Nó thua các benchmark thuần âm thanh trước một mô hình flash độc quyền — MMAU 75.2 so với 80.4, MMAR 67.3 so với 74.0 — nhưng thắng một lần trên MMAU-Pro với 68.1 so với 64.8. Đó là số liệu của Tencent từ Bảng 2, chạy ở chế độ Thinking, và chưa ai bên ngoài phòng thí nghiệm tái lập được chúng.
Vậy tóm tắt trung thực là một mô hình tạo ra âm thanh mà bạn chưa thể kiểm tra, còn mô hình kia kiểm tra âm thanh mà bạn phải cung cấp. Cả hai đều chưa phải là công cụ âm thanh mà một pipeline sản xuất mong muốn, cho đến khi mô hình đầu tiên có thêm tham số âm thanh và mô hình thứ hai có thêm host.
Router giúp ích ở đâu và không thể giúp ở đâu
OrcaRouter không cung cấp mô hình nào trong hai mô hình này. Không có endpoint WeMM — danh mục không chứa checkpoint WeMM nào — và cũng không có tuyến HiDream; HiDream-O1-Video-1.0 có thể truy cập qua nền tảng riêng của HiDream và một số nền tảng bên thứ ba. Không có nội dung nào dưới đây khẳng định rằng chúng tôi lưu trữ một trong hai mô hình đó.
Nơi một router chứng tỏ được giá trị của mình trong cuộc so tài này chính là bản thân việc di chuyển, và công cụ để làm việc đó là routing DSL chứ không phải danh sách mô hình. Cả hai mô hình này đều nằm sau một bề mặt phục vụ rõ ràng là tạm thời — một bên là bản xem trước một đầu vào với cờ đầu cuối hai trạng thái, bên kia là lớp phủ nguồn được ghim vào các bản phát hành thượng nguồn cụ thể — và một stack hard-code một trong hai là stack sẽ vỡ khi có ghi chú phát hành của người khác. Một chính sách định tuyến nêu rõ mô hình chính và mô hình dự phòng, đồng thời có thể so sánh hai mô hình trong cùng một yêu cầu thay vì hai tích hợp, biến rủi ro đó thành cấu hình. Điều đó chạy trên một endpoint tương thích OpenAI xuyên suốt hơn hai trăm mô hình với giá niêm yết của nhà cung cấp được chuyển nguyên với markup 0%, nên thay đổi giá từ nhà cung cấp được phản ánh ngay trong ngày. Đối với phần chỉ xử lý thị giác của khối lượng công việc WeMM, Qwen3-VL-235B-A22B-Thinking và Qwen3-VL-8B-Thinking hiện đều có trên nền tảng — đây là cách vòng qua checkpoint omni bị thiếu, chứ không phải vật thay thế cho tháp âm thanh của nó.

Bạn có thể sống chung với sự chật hẹp nào?
Nếu bạn cần cảnh quay trong quý này và một ảnh tham chiếu là đủ, thì HiDream-O1-Video-1.0 là cái duy nhất trong hai cái có endpoint có thể gọi được, và các ràng buộc của nó được ghi chú đủ rõ để có thể tích hợp trong một buổi chiều. Ngân sách $5.80 một phút, hãy tính cho mười giây hoặc theo lựa chọn của mô hình, và hãy đọc trạng thái tác vụ con thay vì cờ terminal.
Nếu bạn cần biết trong đoạn phim mình đã sở hữu có gì — kể cả những gì được nói trên đó — thì WeMM-Video-4B là lựa chọn duy nhất trong hai lựa chọn có thể trả lời, và cái giá phải trả là một engine suy luận đã được vá, một checkpoint 10.45 GiB, cùng ngân sách lấy mẫu 16 khung hình mà bạn nên tinh chỉnh trước khi tin vào kết quả video dài.
Điều mà cả hai đều không mang lại chính là thứ mà một trang so sánh thường hứa hẹn: một tác vụ chung để xếp hạng chúng. Chúng không phải là hai câu trả lời cho cùng một câu hỏi. Chúng là hai mô hình mà bề mặt công khai đều nhỏ hơn bài báo của chúng, và phán đoán kỹ thuật hữu ích là bạn có thể lấp khoảng cách nào trong số đó bằng phần cứng của riêng mình.
So sánh trong bài viết này1
Phát hiện từ bài viết này
