
WeMM-Video-9B so với HiDream-O1-Video-1.0: Hai eo 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 · 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
Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — Tencent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.
Vì thế, phép so sánh sau đây không phải về năng lực. Mà là về việc bạn có thể thiết kế để né ràng buộc nào, và câu trả lời hóa ra lại phụ thuộc vào việc bạn thà trả tiền cho một mức trần được ghi rõ hay tự vận hành một mức trần không được ghi rõ.
Điều mà bài báo nói và điều mà API chấp nhận
HiDream-O1-Video-1.0 được phát hành vào ngày 28 tháng 8 năm 2026 và lọt vào bảng xếp hạng image-to-video vào ngày 10 tháng 9. Thông báo của nhà cung cấp mang tính bao quát: đầu vào văn bản, hình ảnh và video, đầu ra 1080p dài từ năm đến hai mươi giây, âm thanh được đồng bộ hóa gốc, thời lượng được hoạch định theo mạch truyện, các ràng buộc vật lý.
API HiHarness không rộng. Nó nhận một ảnh tham chiếu — URL hoặc Base64, không lớn hơn 20 MB và không nhỏ hơn 40 KB — cộng với một prompt văn bản tùy chọn, cộng với một boolean force_10s. Không có bộ chọn độ phân giải. Không có trường video tham chiếu. Không có điều khiển âm thanh. Nếu bạn muốn năm giây, bạn nhận được mười; nếu bạn muốn hai mươi giây, bạn nhận được mười. Khoảng cách giữa bài báo và endpoint là sự thật cụ thể nhất về mô hình này và là điều có khả năng cao nhất khiến bạn phải thay đổi kiến trúc của mình.
• Đầu vào — HiDream-O1-Video-1.0: một hình ảnh tham chiếu cùng lời nhắc tùy chọn. WeMM-Video-9B: video, âm thanh, hình ảnh và văn bản, tối đa bốn hình ảnh, hai video và hai đoạn âm thanh mỗi yêu cầu.
• Đầu ra — HiDream-O1-Video-1.0: video 1080p với âm thanh đồng bộ, thời lượng thực tế mười giây. WeMM-Video-9B: văn bản bằng tiếng Anh hoặc tiếng Trung.
• Ràng buộc — HiDream-O1-Video-1.0: giao diện API. WeMM-Video-9B: công thức lấy mẫu được phát hành, 16 khung hình ở 2 fps.

Một hàng trên bảng, một ô trống
HiDream-O1-Video-1.0 chỉ có đúng một phép đo độc lập, và đó là một phép đo đáng để tranh luận.
• AA-Video-I2V v2.1 — đứng thứ 14 với Elo 1,101 ±14 trên 6,976 mẫu, phát hành tháng 8 năm 2026, $5.80 mỗi phút. Đó là một khoảng hẹp trên một mẫu lớn, và nó nằm giữa Wan 3.0 ở 1,109 và Agnes-Video-2.5 ở 1,105 — một dải đông đúc nơi mười bốn điểm chỉ là một khoảng.
• Không có trong AA-Video-T2V v2.1 và AA-Video-Editing v1.1. Việc thiếu text-to-video là điểm đáng chú ý, vì thông báo của chính nhà cung cấp mở đầu bằng đầu vào văn bản. Một mô hình không có hàng text-to-video và không có trường video tham chiếu thì có câu chuyện text-to-video chỉ tồn tại trong văn xuôi.
• WeMM-Video-9B — không có hàng nào trên bất kỳ bảng nào trong ba bảng, vì lý do cấu trúc: cả ba đều xếp hạng video được tạo ra, mà nó không tạo ra video nào. Một ô trống, chứ không phải điểm thấp.
Với $5.80 một phút, HiDream-O1-Video-1.0 là một trong những lựa chọn rẻ hơn trên bảng xếp hạng image-to-video. Chỉ có Pika H3 Flex ở mức $2.10, HeyGen Video 1 ở mức $2.40, Agnes-Video-2.5 ở mức $2.40, Vidu Q4 Preview ở mức $5.04 và P-Video-2-Pro ở mức $5.70 là có giá thấp hơn nó trong nhóm được xếp hạng, và nó vượt qua một số mô hình có giá cao gấp ba đến bốn lần.

Mười chín gigabyte rưỡi chi tiết
Điểm hào phóng của WeMM-Video-9B nằm ở những gì nó cho bạn biết về chính nó. Hồ sơ Hugging Face liệt kê 10,488,603,384 tham số trên 1,305 tensor — một backbone ngôn ngữ 7.94B bao gồm embedding token 1.02B, một head đầu ra 1.02B không chia sẻ trọng số, một tháp âm thanh 1.08B gồm 32 lớp kiểu Whisper ở độ rộng 1,280 phía sau một Q-Former hai lớp với mười token âm thanh mỗi giây, và một tháp thị giác 0.46B gồm 27 khối với kích thước ẩn 1,152, kích thước patch 16 và hợp nhất không gian 2×2.
Sự chính xác đó là một hình thức trung thực mà phía HiDream không đưa ra: Black Forest Labs và HiDream đều từ chối công bố số lượng tham số, và cả hai đều không có nghĩa vụ phải làm vậy. Nhưng nó cũng đặt ra một cái bẫy, bởi vì một kiến trúc chi tiết dễ khiến người ta giả định rằng cấu hình được phát hành khớp với nó. Thực tế thì không.
• Mặc định bộ xử lý — 2 fps, tối thiểu 4 khung hình, tối đa 128 khung hình, tổng cộng 100.663.296 pixel.
• Đã phát hành công thức vLLM — 2 fps, 16 khung hình, 262.144 pixel, được lấy mẫu quanh điểm giữa của clip.
• Ngữ cảnh — 8,192 token trên mọi lệnh phục vụ, so với 262,144 embedding vị trí trong kiến trúc.
Mười sáu khung hình ở tốc độ hai khung mỗi giây là tám giây phủ sóng, và việc lấy mẫu bắt đầu từ giữa. Một clip sáu mươi giây mất hai mươi sáu giây đầu và cuối. Kiến trúc cho phép nhiều hơn thế rất nhiều; công thức thì không, và công thức chính là thứ được xuất xưởng.

Mười giây đấu với tám
Đặt hai chiếc nắp cạnh nhau và hình dạng của quyết định hiện ra. HiDream-O1-Video-1.0 cho bạn mười giây 1080p hoàn chỉnh với âm thanh đồng bộ, bất kể bạn yêu cầu điều gì. WeMM-Video-9B xem xét tám giây cảnh quay bạn đã có, bất kể nó dài đến đâu.
Cả hai con số đều là tùy ý. Mười giây của HiDream là một quyết định sản phẩm được hiện thân trong một boolean; tám giây của WeMM-Video-9B là một giá trị mặc định trong một tệp công thức. Cả hai đều không phải là định luật vật lý. Nhưng chỉ một trong số chúng đi kèm với một nhà cung cấp sẽ cho bạn biết điều gì xảy ra ở ranh giới, và đó không phải là cái được phân phối dưới dạng checkpoint.
Nếu bạn tạo một clip mười giây bằng HiDream-O1-Video-1.0 rồi hỏi WeMM-Video-9B điều gì đã xảy ra trong đó, bộ mô tả sẽ lấy mẫu tám trong số mười giây đó từ phần giữa. Hai giây — giây đầu tiên và giây cuối cùng — không bao giờ đến được mô hình. Đó là một vấn đề phối hợp mà bạn giải quyết bằng một thay đổi cấu hình, và đây chính là kiểu vấn đề phối hợp mà cặp này tạo ra và cả hai nhà cung cấp đều không ghi lại trong tài liệu.
Hợp nhất mô hình, và nơi nó xứng đáng được nhắc đến
Cả hai mô hình đều không được lưu trữ tại OrcaRouter. Có thể truy cập HiDream-O1-Video-1.0 thông qua nền tảng riêng của HiDream và một số nền tảng bên thứ ba; có thể truy cập WeMM-Video-9B bằng cách tải xuống.
Lý do khiến một phép so sánh như thế này lại rơi vào một cuộc trò chuyện về điều phối là vì hai nửa của nó thất bại theo những cách khác nhau. Nửa chạy trên dịch vụ được lưu trữ thất bại một cách ồn ào — giới hạn tần suất, hết thời gian chờ, mã lỗi — và đó chính là việc mà cơ chế chuyển đổi dự phòng tự động sinh ra để xử lý. Nửa tự vận hành lại thất bại một cách âm thầm: nó trả về một mô tả đầy tự tin về tám giây cảnh quay và không nói gì về hai mươi sáu giây mà nó chưa từng thấy. Hợp nhất mô hình là công cụ thú vị hơn ở đây, bởi vì một mô hình thứ hai đọc cùng một đoạn clip theo một chính sách lấy mẫu khác sẽ bất đồng ở các ranh giới, và sự bất đồng đó là tín hiệu duy nhất bạn có được cho thấy cửa sổ đã quá nhỏ.
Đối với chặng chạy trên dịch vụ lưu trữ, giá niêm yết của nhà cung cấp được chuyển tiếp nguyên vẹn với mức markup 0%, điều này càng quan trọng hơn bình thường ở mức $5.80 một phút: thay đổi giá của nhà cung cấp đối với một mô hình rẻ là mức dao động phần trăm lớn hơn so với một mô hình đắt, và việc theo dõi mức giá đã công bố thay vì bản sao lưu đệm giúp dự báo cho lô một trăm clip vẫn đáng tin cậy.
Bạn có thể sống trong ràng buộc nào?
Chọn HiDream-O1-Video-1.0 nếu công việc chỉ gồm một ảnh tham chiếu và mười giây. Bạn nhận được endpoint có tài liệu, âm thanh đồng bộ, mức giá $5.80 và một dòng trên bảng xếp hạng ở vị trí thứ 14 về tạo video từ hình ảnh. Bạn đánh đổi tạo video từ văn bản, kiểm soát độ phân giải và mọi thời lượng khác ngoài mười giây.
Chọn WeMM-Video-9B nếu công việc là mô tả cảnh quay. Bạn nhận được một công cụ mô tả đa phương thức toàn diện 9B với các chỉ số nghe nhìn được báo cáo mạnh mẽ, giấy phép Apache-2.0 và số lượng tham số có thể kiểm tra. Bạn từ bỏ hợp đồng phục vụ, xác minh độc lập và mọi bảo đảm rằng khung tám giây đủ rộng cho các clip bạn thực sự có.
Điều bạn không nên làm là so sánh hai thứ ấy về chất lượng. Cả hai chưa từng được đánh giá trên cùng một công cụ, và một trong hai thì không thể. Phép so sánh đáng giá là giữa hai eo hẹp — một boolean và một tệp công thức — và việc bạn có thể xây dựng xoay quanh cái nào mà không tự lừa dối mình về những gì nó nhìn thấy.
