Thẻ tiêu đề ghi 'WeMM-Video-9B vs Alibaba Wan 2.7' với phụ đề 'Một hóa đơn và một checkpoint', hai bảng được chia tách bởi một đĩa “vs”: bên trái gắn nhãn 'chỉ trọng số' và liệt kê 9B tham số dense, 19,54 GiB phân mảnh BF16, Apache 2.0 và không có giá, bên phải gắn nhãn 'API tính phí theo mức dùng' và liệt kê Elo 1.074 trên AA-Video-Editing v1.1 và 16,90 USD mỗi phút.
Guides & Insights

WeMM-Video-9B so với Alibaba Wan 2.7: Một hóa đơn và một checkpoint

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Bắt đầu với hóa đơn. Alibaba Wan 2.7 có mức giá theo phút trên hai bảng xếp hạng video của Artificial Analysis và một phạm vi thời lượng được ghi chép rõ ràng, khiến nó trở thành một trong số ít mô hình video mà bạn có thể tính toán chi phí trước khi viết một dòng mã nào. WeMM-Video-9B hoàn toàn không có mức giá nào. Nhóm WeChat Vision của Tencent đã công bố nó vào ngày 17 tháng 11 năm 2026 dưới dạng mười chín gigabyte rưỡi trọng số Apache-2.0 — năm phân đoạn BF16, một thẻ mô hình và một bản tiền in arXiv mang số 2611.26409 — rồi sau đó không nói gì thêm. Không có bài đăng ra mắt, không có trang giá, không có điểm cuối được lưu trữ, không có bài gửi lên bảng xếp hạng. Ba ngày sau, các kho lưu trữ vẫn ghi nhận tổng cộng không lượt tải xuống nào. Vì vậy, so sánh trung thực không phải là Wan 2.7 với WeMM-Video-9B về chất lượng; mà là một dịch vụ tính phí theo mức dùng so với một hiện vật chưa được định giá, và hai con số mà bạn muốn đặt cạnh nhau lại không tồn tại vì cùng một lý do ở cả hai phía.

Tất cả nội dung dưới đây tách riêng ba thứ: những gì tài liệu Wan 2.7 và hai bảng xếp hạng nêu rõ, những gì kho mã nguồn và bài báo WeMM-Video-9B tuyên bố, và những gì chưa ai bên ngoài cả hai phòng thí nghiệm tái lập được. Nhóm thứ ba đó là nơi phần lớn tư liệu về WeMM-Video-9B nằm, và giả vờ ngược lại sẽ là cách nhanh nhất khiến bài viết này trở nên vô dụng.

Wan 2.7 được tính phí theo phút

Bảng giá của Alibaba cho Wan 2.7 dễ đọc một cách bất thường đối với một mô hình video. Bộ sản phẩm này là một sản phẩm bốn chế độ — văn bản thành video, hình ảnh thành video, tham chiếu thành video và chỉnh sửa video — và mức giá hiển thị trên các bảng giá là một con số tính theo phút thẳng thắn, chứ không phải một hệ thống tín dụng mà bạn phải tự suy ngược.

• AA-Video-Editing v1.1 — Wan 2.7 đứng thứ 9 với Elo 1,074 ±8 trên 22,754 mẫu, tháng phát hành là tháng 4 năm 2026 và $16.90 mỗi phút. Khoảng tin cậy này là hẹp nhất trên bảng xếp hạng ngoài top ba, và đó chính là điều mà hai mươi hai nghìn phiếu bầu mang lại cho bạn.

• AA-Video-T2V v2.1 — cùng dòng sản phẩm xuất hiện với tên Wan2.7-260612 ở vị trí thứ 20 trên Elo 1,035 ±13 với 6,965 mẫu, tháng 6 năm 2026, 9,00 đô la Mỹ mỗi phút. Cùng nhà cung cấp, tác vụ khác, mức giá khác và một Elo không quy đổi thành điểm chỉnh sửa.

• Wan 2.7 hoàn toàn không có trên bảng xếp hạng image-to-video. Wan 3.0 thì có — đứng thứ 12 với 1,109 — và sự vắng mặt đó đáng để đọc kỹ. Điều đó không có nghĩa là Wan 2.7 không thể làm sống động một ảnh tĩnh; mà có nghĩa là đấu trường chưa xếp hạng nó ở đó. Bộ sản phẩm Alibaba có quảng cáo khả năng điều khiển khung hình khóa đầu và cuối, tối đa năm ảnh chủ thể và năm clip tham chiếu, cùng đầu ra từ 720p đến 1080p với âm thanh gốc. Năng lực mà bảng xếp hạng không chấm điểm vẫn là năng lực.

Một lưu ý ngữ cảnh quan trọng đối với việc lập ngân sách: Wan 2.7 là thế hệ trước. Wan 3.0 hiện dẫn đầu cả bảng xếp hạng văn bản thành video (1.176) và bảng xếp hạng chỉnh sửa (1.197), đồng thời là lựa chọn rẻ hơn trong hai lựa chọn ở mảng văn bản thành video với mức $12.00 mỗi phút, so với mức $9.00 cho chỉnh sửa của Wan 2.7. Nếu hôm nay bạn đang chọn một mô hình Alibaba thay vì so sánh một mô hình, thì quyết định đã thay đổi rồi.

Checkpoint 9B thực chất là gì

WeMM-Video-9B không phải là trình tạo video, và chỉ riêng câu đó đã làm phần lớn công việc trong phép so sánh này. Đây là một mô hình hiểu video: bạn đưa cho nó các khung hình cùng với âm thanh gốc, và nó trả về văn bản. Mô tả, phiên âm, suy luận thời gian, trả lời câu hỏi trên đoạn phim bạn đã có.

Repository đặc biệt rõ ràng về những gì nằm bên trong nó, và đây chính là một trường hợp mà một bản phát hành kín tiếng lại thắng một bản phát hành ồn ào. Bản ghi trên Hugging Face liệt kê 10,488,603,384 tham số trên 1,305 tensor, BF16, 19.54 GiB chia thành năm shard. Thành phần được liệt kê chi tiết: một xương sống ngôn ngữ 7.94B bao gồm embedding token 1.02B, một output head 1.02B không chia sẻ trọng số, một audio tower kiểu Whisper 1.08B với 32 lớp ở độ rộng 1,280 phía sau một Q-Former hai lớp, và một vision tower 0.46B gồm 27 khối ở độ rộng ẩn 1,152 với kích thước patch 16 và phép gộp không gian 2×2. Ngăn xếp ngôn ngữ có 32 lớp ở hidden 4,096, 16 attention head với 4 key-value head ở chiều head 256, dùng attention tuyến tính lai — một lớp full-attention cho mỗi ba lớp tuyến tính — và 262,144 position embedding.

Điều đó mang lại cho bạn trên thực tế là đầu vào rộng và đầu ra hẹp. Video, âm thanh, hình ảnh và văn bản đi vào. Văn bản đi ra, bằng tiếng Anh hoặc tiếng Trung. Không có tổng hợp khung hình ở bất kỳ đâu trong kiến trúc, và dù có gợi ý bao nhiêu cũng không thể tạo ra một khung hình.

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

Hai chiếc đồng hồ không gặp nhau

Cuộc so sánh thực sự mang tính quyết định là về thời gian và tiền bạc, và cả hai bên đều có giới hạn.

• Giới hạn của Wan 2.7 là thời lượng. Từ hai đến mười lăm giây mỗi lần tạo, 720p đến 1080p, tính phí theo giây. Một clip 1080p dài mười lăm giây là một con số đã biết trước khi bạn nhấn bắt đầu.

• Giới hạn của WeMM-Video-9B là ngữ cảnh. Bộ xử lý mặc định ở 2 khung hình mỗi giây với tối thiểu 4 khung hình, tối đa 128 khung hình và tổng hạn mức 100.663.296 pixel. Cấu hình vLLM đi kèm ghi đè tất cả các giá trị đó xuống còn 2 fps và 16 khung hình ở 262.144 pixel — tương đương khoảng tám giây nội dung được lấy mẫu từ điểm giữa của đoạn clip. Mọi lệnh phục vụ trong kho lưu trữ cũng truyền độ dài ngữ cảnh 8.192 token, và với mười token âm thanh mỗi giây, đó là khoảng mười ba phút âm thanh nếu bạn chỉ dành ngân sách cho âm thanh.

• Sự không khớp. Wan 2.7 tạo ra mười lăm giây cảnh quay. WeMM-Video-9B, như được phát hành, chỉ nhìn tám giây. Nếu pipeline của bạn tạo một clip rồi hỏi một mô hình điều gì đã xảy ra trong đó, trình mô tả đang lấy mẫu một nửa đầu ra. Đó không phải lỗi của sản phẩm nào; đó là một cấu hình bạn phải thay đổi có chủ đích, và ví dụ của chính kho lưu trữ không thay đổi điều đó giúp bạn.

Hội đồng mà cả hai người họ đều không phải là thành viên.

Đây là vấn đề cấu trúc của màn đối đầu này, nói thẳng ra. Mọi bảng xếp hạng video của Artificial Analysis đều xếp hạng các cảnh quay được tạo ra. Văn bản thành video, hình ảnh thành video, chỉnh sửa video — cả ba đều lấy một mô hình xuất ra pixel và xếp hạng nó dựa trên sở thích của con người theo từng cặp. WeMM-Video-9B xuất ra token.

Không phải là WeMM-Video-9B đạt điểm kém. Mà là nó không thể được đưa vào. Wan 2.7 có hai dòng, cả hai đều có khoảng tin cậy đủ hẹp để còn tranh cãi; WeMM-Video-9B không có dòng nào và sẽ không có cho đến khi ai đó xây dựng một đấu trường hiểu video. Điều đó có nghĩa là bằng chứng chất lượng duy nhất cho chủ đề của bài viết này là bảng của chính các tác giả.

Bảng đó không phải chuyện nhỏ. Ở chế độ suy nghĩ trên các tác vụ âm thanh-hình ảnh kết hợp, checkpoint 9B đánh bại Qwen3-Omni-30B-A3B-Instruct trên 35 trong số 37 chỉ số chung — Video-MME có âm thanh 85.1 so với 77.3, Daily-Omni 83.6 so với 70.7, SciVideoBench 64.2 so với 49.9, OmniReasoningBench 43.9 so với 24.1 — và chỉ thua đúng một chỉ số, FutureOmni với 53.7 so với 55.1. Trên video không tiếng so với backbone Qwen3.5-9B của chính nó, nó cải thiện trên F-16-NBA (88.7 so với 75.8) và TimeLens, đồng thời giảm trên MLVU, LVBench, VideoVista, VSI-Bench và MVBench. Bài báo nói rằng họ báo cáo “các kết quả chính thức khi có sẵn và các đánh giá của riêng chúng tôi trong trường hợp còn lại”, đây là cách công bố phù hợp và cũng là lý do không có phần nào trong đó là độc lập.

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

OrcaRouter phù hợp ở đâu

Cả hai mô hình đều không được cung cấp qua OrcaRouter, và bài viết này sẽ không giả vờ điều ngược lại. Có thể truy cập Wan 2.7 thông qua API riêng của Alibaba và một số nền tảng bên thứ ba; có thể truy cập WeMM-Video-9B bằng cách tải xuống.

Điều thuộc về đây là khía cạnh thanh toán, bởi vì lý do các nhóm cuối cùng lại so sánh một trình tạo với một trình mô tả là cả hai đều được nối vào cùng một pipeline. OrcaRouter chuyển giá niêm yết của nhà cung cấp qua với mức đánh dấu 0%, nghĩa là việc cắt giảm giá của nhà cung cấp sẽ xuất hiện trên hóa đơn của bạn ngay ngày nó xuất hiện trên hóa đơn của họ, thay vì bất cứ khi nào một nhà bán lại định giá lại. Nếu mức giá chỉnh sửa $16.90 của Wan 2.7 trở thành $12.00 giống như mức giá của Wan 3.0 đã làm, bạn sẽ thấy điều đó trên hóa đơn tiếp theo. Đối với một khối lượng công việc mà một chặng được tính phí theo giây và chặng còn lại là một checkpoint bạn tự vận hành, việc nửa được tính phí báo cáo theo giá gốc chính là sự khác biệt giữa một ngân sách bạn có thể dự báo và một ngân sách bạn không thể.

Nên dự trù ngân sách cho cái nào?

Nếu sản phẩm bàn giao là cảnh quay, Wan 2.7 là lựa chọn duy nhất trong hai lựa chọn có thể tạo ra nó, và quyết định rút gọn lại thành việc liệu $16.90 một phút cho chỉnh sửa hay $9.00 một phút cho văn bản thành video có đủ sức cạnh tranh so với phần còn lại của bảng xếp hạng hay không. Ở vị trí thứ 9 và thứ 20 tương ứng, nó nằm ở tầm trung trên cả hai.

Nếu đầu ra bàn giao là một bản mô tả về tư liệu video bạn đã có sẵn, thì WeMM-Video-9B là cái duy nhất trong hai cái có thể tạo ra nó, và quyết định chỉ còn là liệu bạn có kham được bản cài vLLM hoặc SGLang đã vá, một checkpoint 19.54 GiB, và cửa sổ lấy mẫu tám giây để có được một bộ mô tả hạng 9B với các chỉ số nghe nhìn thực sự mạnh hay không.

Cái bẫy nằm ở việc đọc $16.90 và $0.00 như cùng một đại lượng. Một cái là mức giá tính theo mức sử dụng cho một dịch vụ mà bạn có thể gọi vào chiều nay. Cái còn lại là sự vắng mặt của một dịch vụ, và cái giá của sự vắng mặt đó được trả bằng công việc tích hợp và bằng việc không ai ngoài Tencent đã nói cho bạn biết liệu những con số đó có đứng vững hay không.