
WeMM-Video-9B vs Wan 3.0: Giây bán được, giây được xem
- 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
Wan 3.0 bán video theo từng giây. WeMM-Video-9B đọc lại chúng. Đó là toàn bộ phép so sánh, và đó là lý do một cuộc đối đầu thông số từng chiều giữa hai mô hình này sẽ gần như vô nghĩa: một bên là mô hình tạo sinh trả về một tệp MP4, bên kia là mô hình hiểu đa phương thức toàn diện trả về một câu. Chúng không phải đối thủ. Chúng là hai nửa của cùng một quy trình — tạo ra một đoạn clip, rồi kiểm tra nó — và câu hỏi thú vị không phải là bên nào thắng mà là mỗi bên dừng còn dùng được ở đâu.
Chỉ một trong số đó là tin mới. Tencent đã tải lên WeMM-Video-9B và mười tám kho lưu trữ anh em trong khoảng thời gian năm phút bắt đầu từ 08:53:50 UTC ngày 17 tháng 11 năm 2026, công bố báo cáo kỹ thuật dưới dạng arXiv 2611.26409 vào ngày 19 tháng 11, và chưa hề công bố bất kỳ điều gì về nó: không có bài đăng blog, không có trang ra mắt, không có gói trả phí. Vào thời điểm viết bài, kho lưu trữ 9B cho thấy không có lượt tải xuống nào, bộ sưu tập có vài lượt thích, và không có nhà cung cấp suy luận nào cung cấp mô hình này. Wan 3.0 là trường hợp hoàn toàn ngược lại — Alibaba đã đưa nó vào bản beta công khai vào ngày 6 tháng 8 năm 2026 và chính thức ra mắt vào ngày 24 tháng 8, tám mươi tám ngày trước bài viết này, và hiện tại nó đang đứng đầu hai bảng xếp hạng độc lập. Mọi thứ dưới đây về Wan 3.0 đều là một sản phẩm đã ra mắt, có giá bán và được đánh giá độc lập. Mọi thứ về WeMM-Video-9B đều đến từ kho lưu trữ của chính nó hoặc từ file PDF của các tác giả, và đó là hai nơi duy nhất tồn tại bất kỳ con số nào về nó.
Mỗi cái thực sự trả về gì
Các dòng thông số kỹ thuật đáng để đặt cạnh nhau chính vì chúng mô tả những công việc khác nhau.
• Đầu ra — WeMM-Video-9B trả về văn bản, bằng tiếng Trung hoặc tiếng Anh. Wan 3.0 trả về một clip được tạo có độ dài tối đa 30 giây kèm âm thanh gốc.
• Đầu vào — mô hình 9B nhận các khung hình video cùng âm thanh gốc, video không tiếng, âm thanh độc lập, hình ảnh và văn bản, và có thể suy luận trên tất cả cùng một lúc. Wan 3.0 nhận lời nhắc dạng văn bản, hình ảnh, video và âm thanh, cộng thêm điểm độc nhất trong dòng sản phẩm của nó là tài liệu: doc, xls, ppt, pdf, md, txt, tối đa 100 MB hoặc 50 trang mỗi tệp, được chuyển trực tiếp thành video.
• Trọng số — WeMM-Video-9B phát hành trọng số Apache 2.0 trên Hugging Face ở định dạng BF16 cùng bốn bản lượng tử hoá (FP8 Block128, AWQ W4A16, GGUF Q4_K_M, NVFP4 W4A16). Wan 3.0 không công bố trọng số; đây là một API đóng, tính phí theo mức sử dụng.
• Giá — 9B không có giá dịch vụ lưu trữ, vì không có dịch vụ nào lưu trữ nó; chi phí của bạn là một GPU, một runtime đã được vá và thời gian của chính bạn. Wan 3.0 tính phí theo từng giây đầu ra: 0,3, 0,6 và 1,2 nhân dân tệ mỗi giây ở 480p, 720p và 1080p — khoảng $0,05, $0,10 và $0,20 — mà Artificial Analysis chuẩn hóa thành $12,00 mỗi phút trên bảng xếp hạng của mình.
• Điểm số độc lập — không có điểm nào cho WeMM-Video-9B. Artificial Analysis không liệt kê mô hình WeMM nào trên bất kỳ bảng xếp hạng nào. Wan 3.0 đứng đầu bảng xếp hạng văn bản sang video của Artificial Analysis với Elo 1.176 (khoảng tin cậy 95% từ 1.163 đến 1.189, 8.243 mẫu), đứng đầu bảng chỉnh sửa video của nó với 1.197 (1.187 đến 1.207, 9.919 mẫu), và đứng thứ mười hai ở hạng mục hình ảnh sang video với 1.109.

Chênh lệch giá không phải là chênh lệch giá
Mười hai đô-la một phút là con số người ta sẽ nhắc đến, và đó là con số sai để so sánh với bất cứ điều gì về 9B, bởi vì hai cách tính phí đo những đại lượng khác nhau. Wan 3.0 tính phí theo thời lượng được tạo ra. WeMM-Video-9B không hề có phí theo đơn vị — nó tính phí bằng phần cứng bạn đã sở hữu, và cách định giá trung thực là tính xem nó chiếm bao nhiêu phần của một card đồ họa và bạn có thể xử lý được bao nhiêu clip mỗi giờ.
Con số chiếm dụng có thể đo được từ repository. Checkpoint BF16 gồm 19,54 GiB tệp trọng số và 10.488.603.384 tham số trên 1.305 tensor — 10,49 tỷ, không phải chín tỷ, vì “9B” trong tên ám chỉ phần backbone ngôn ngữ Qwen3.5-9B chứ không phải toàn bộ stack. Bản dựng AWQ W4A16 có dung lượng 12,86 GiB. Đó là mức giảm 34% chứ không phải 75% như một công thức bốn bit hàm ý, và lý do hiện rõ trong manifest của exporter: chỉ các ma trận feed-forward dense được nén, trong khi vision tower, bộ mã hóa âm thanh dựa trên Whisper, embedding, output head và mọi trọng số attention vẫn giữ độ chính xác ban đầu. Khoảng 5,7 tỷ tham số vẫn ở mức hai byte mỗi tham số, tạo ra mức sàn mà không công thức bốn bit nào có thể xuống thấp hơn. Bất kỳ ai định cỡ một triển khai dựa trên tên sẽ bị lệch khoảng 1,5 GiB và một bậc độ chính xác.
Vậy nên phép so sánh chi phí thực sự quan trọng không phải là đô la so với đô la. Mà là: một lệnh gọi API với giá $0.20 mỗi giây footage thành phẩm, so với một mô hình nằm thường trực 13 đến 20 GiB, một ngăn xếp phục vụ đã được vá và chi phí GPU-giờ của bạn ra sao. Với một nhóm đã chạy suy luận, phương án thứ hai có thể rẻ hơn. Với một nhóm muốn có clip trước thứ Sáu, phương án thứ nhất là phương án duy nhất hiện có.
9B đứng ở đâu so với 30B
Nơi duy nhất WeMM-Video-9B có số liệu cụ thể là phần đánh giá của các tác giả, và tuyên bố nổi bật trong bài báo nói về người anh em lớn hơn của nó — rằng mô hình 35B-A3B thiết lập trình độ tiên tiến nhất mới của mã nguồn mở trên video đa phương thức toàn diện và tiến gần Gemini-3.0-Flash. Mô hình 9B nhận được một tuyên bố khiêm tốn hơn: nó vượt trội Qwen3-Omni-30B-A3B-Instruct, một mô hình có kích thước gấp khoảng ba lần nó. Ở chế độ Thinking, trên bảng kết hợp âm thanh-hình ảnh, nó làm được điều đó.
• Video-MME có âm thanh — 85.1 cho 9B, 77.3 cho Qwen3-Omni-30B-A3B-Instruct, 69.2 cho MiniCPM-o-4.5-9B.
• Video-MME-v2 có âm thanh — 51,6 so với 36,3, chênh lệch 15,3 điểm.
• Các hàng thiên về suy luận — SciVideoBench 64.2 so với 49.9, MMOU 71.7 so với 60.5, EvaOmni 50.7 so với 26.1, OmniReasoningBench 43.9 so với 24.1.
• Điểm yếu — FutureOmni 53.7 so với 55.1, và JointAVBench hòa ở 64.6.
Phép so sánh thú vị hơn là so sánh nội bộ, và đây là điều mà không ai trích dẫn bài báo nhắc đến. Chạy 9B đối chiếu với mẫu chủ lực 35B-A3B trên cùng 17 dòng và khoảng cách là nhỏ: 85,1 so với 86,4 trên Video-MME có âm thanh, 51,6 so với 54,9 trên Video-MME-v2, 71,7 so với 74,5 trên MMOU. Ở một dòng, mô hình nhỏ hơn thắng hẳn — SVHalluc 86,8 so với 80,3. Một mô hình chỉ mang một phần nhỏ tham số hoạt động của mẫu chủ lực chỉ kém 1,3 điểm trên benchmark chủ đạo. Đó là lập luận mạnh nhất trong kho mã dành riêng cho 9B, và đó là lập luận về chi phí triển khai, không phải về năng lực.
{{1}}9B{{/1}} cũng không phải là một bản nâng cấp đồng đều so với backbone mà nó kế thừa. So sánh nó với {{2}}Qwen3.5-9B{{/2}} thường trên bảng {{3}}video câm{{/3}} cho thấy một mô hình được tinh chỉnh theo hướng khi nào và ở đâu một sự việc đã xảy ra, với cái giá đo được ở những chỗ khác: {{4}}F-16-NBA{{/4}} {{5}}88.7{{/5}} so với {{6}}75.8{{/6}}, {{7}}TimeLens-QVHighlights{{/7}} {{8}}66.8{{/8}} so với {{9}}64.3{{/9}}, {{10}}TOMATO{{/10}} {{11}}48.5{{/11}} so với {{12}}45.0{{/12}} — nhưng {{13}}MLVU{{/13}} {{14}}82.4{{/14}} so với {{15}}84.4{{/15}}, {{16}}LVBench{{/16}} {{17}}68.2{{/17}} so với {{18}}70.0{{/18}}, {{19}}VSI-Bench{{/19}} {{20}}54.5{{/20}} so với {{21}}58.3{{/21}}, {{22}}MVBench{{/22}} {{23}}71.4{{/23}} so với {{24}}74.4{{/24}}. Nếu tác vụ của bạn là tóm tắt video dài, bộ máy nghe nhìn đã khiến bạn mất đi thứ mà backbone vốn đã làm tốt hơn.
Theo mặc định, tám giây phủ sóng.
Đây là điểm mà hai mô hình trở nên có thể so sánh trực tiếp, bởi vì đó là một giới hạn về thời lượng — và các con số không hề gần nhau.
Wan 3.0 tạo ra tối đa 30 giây trong một lần chạy, gấp đôi mức trần 15 giây của Wan 2.7, với công cụ mở rộng video để nối các mạch truyện dài hơn. WeMM-Video-9B, như khi xuất xưởng, nhìn vào tám.
Sự chênh lệch không nằm ở checkpoint. Mô hình 9B khai báo 262.144 embedding vị trí trong cấu hình văn bản của nó, đây là một hạn mức rất lớn. Mà nằm ở các recipe. Bộ xử lý mặc định ở 2 fps với tối thiểu bốn khung hình, tối đa 128 khung hình và tổng cộng 100.663.296 pixel, và lệnh vLLM mà Tencent công bố ghi đè cả bốn thành 2 fps, 16 khung hình và 262.144 pixel. Ở 2 fps, mười sáu khung hình là tám giây nội dung được lấy từ giữa một clip. Mọi lệnh serving trong kho lưu trữ cũng truyền --max-model-len 8192 hoặc --context-length 8192, và không có gì trong kho lưu trữ giải thích cách đạt tới con số khai báo lớn hơn.
• Ngân sách khung hình — mặc định giao 16 khung hình ở 2 fps, tức khoảng 8 giây, so với một lần tạo 30 giây của Wan 3.0.
• Chi phí âm thanh — ngăn xếp âm thanh phát ra 10 token mỗi giây, vì vậy ngân sách 8,192 token tương đương khoảng mười ba phút âm thanh và không còn gì khác; một clip có nhạc nền sẽ dùng cùng ngân sách đó cho cả khung hình lẫn âm thanh.
• Phương tiện theo từng yêu cầu — bốn hình ảnh, hai video và hai mục âm thanh, theo các giới hạn được đưa vào bản phát hành trong cả recipe vLLM và SGLang.
Chưa ai ngoài WeChat Vision công bố các lượt chạy benchmark đã dùng cách lấy mẫu nào. Nếu bạn đang tái tạo một con số từ bảng trên, đó là ẩn số đầu tiên cần xác định, và mặc định 16 khung hình đi kèm là điểm khởi đầu sai. Nhưng giới hạn trần là có thật: với bất cứ thứ gì dài hơn một cảnh quay, 9B chỉ là công cụ kiểm tra nhanh, không phải người đánh giá, trừ khi bạn nâng giới hạn số khung hình và trả giá cho điều đó bằng ngữ cảnh.

Con số chưa ai đo được
Có ba sự thật nằm giữa mô hình này và bất kỳ khuyến nghị chắc chắn nào, và chúng đáng được nói thẳng ra thay vì che giấu.
Điều đầu tiên là mọi điểm số ở trên đều do nhà cung cấp tự báo cáo. Không có bất kỳ đánh giá độc lập nào về WeMM-Video-9B ở bất cứ đâu — không có Elo đấu trường, không có bản tái tạo của bên thứ ba, không có mục nào trên bảng xếp hạng. Các bảng số liệu đến từ chính những tác giả đã huấn luyện mô hình, trên hơn 120 chuẩn đánh giá do họ tự chọn, và một số chuẩn trong đó sử dụng các giám khảo khác nhau: phần đánh giá của bài báo dựa trên GPT-6.1-Sol, GPT-4o và Qwen3-235B-A22B tùy theo tác vụ. Do đó, các so sánh giữa các mô hình trong bài báo là so sánh những con số được tạo ra dưới các giám khảo khác nhau, một lưu ý mà bài báo có nêu ra và mà bất kỳ ai trích dẫn bảng số liệu thường bỏ qua.
Điểm thứ hai là sự phân tách chế độ khiến hai hàng không thể so sánh được. Bảng video đa phương thức toàn diện chạy các mô hình WeMM ở chế độ Thinking; bảng âm thanh chạy chúng ở chế độ Instruct, dựa trên đánh giá của các tác giả rằng các benchmark âm thanh tiêu chuẩn là những nhiệm vụ tri giác trực tiếp. Điều đó có thể biện minh được, và nó cũng có nghĩa là một hàng WeMM trong bảng này không thể được đặt ngang hàng với một hàng đối thủ trong bảng kia.
Điều thứ ba là phân phối. Không có lượt tải nào không chứng minh được chất lượng tốt hay xấu, nhưng nó thực sự có nghĩa là không có tập hợp báo cáo nào từ người thực hành — không có các kiểu lỗi, không có kiểu “nó bị ảo giác trên video nhạc”, không có chuỗi thảo luận của những người phát hiện giới hạn khung hình theo cách khó khăn. Wan 3.0 đã có tám mươi tám ngày như vậy, cộng với các tích hợp khi ra mắt trong ComfyUI, Leonardo.Ai và Envato. Với câu hỏi “điều gì thực sự hỏng trong môi trường sản xuất”, một trong hai mô hình có câu trả lời còn mô hình kia có một kho mã nguồn.

Hôm nay chạy cặp đôi
Nếu bạn muốn cả hai, chúng được cài đặt theo những cách hoàn toàn khác nhau, và cả hai đều không nằm trên một nền tảng định tuyến.
Wan 3.0 là một lệnh gọi API tính phí theo mức sử dụng. Có thể truy cập nó qua các bảng điều khiển của chính Alibaba và qua các công cụ sáng tạo bên thứ ba; nó tính phí theo giây ở mức 0,3, 0,6 và 1,2 nhân dân tệ cho 480p, 720p và 1080p, và câu hỏi mua sắm thực sự duy nhất là bước đánh giá của bạn cần độ phân giải nào, vì đó chính là hệ số nhân.
WeMM-Video-9B là một tác vụ tự lưu trữ. Bạn cần Python 3.12, GPU NVIDIA trên trình điều khiển CUDA 12.9, FFmpeg và các thư viện chia sẻ TorchCodec, sau đó là bản vá runtime của kho lưu trữ: vLLM 0.18.0 đã vá, hoặc 0.31.0 cho BF16, hoặc SGLang 0.5.16 hoặc 0.5.19 đã vá, được ghim vào đúng tổ hợp PyTorch, Transformers và CUDA mà manifest bản vá chỉ định cho phiên bản engine của bạn. Việc tải còn yêu cầu trust_remote_code, vì mô hình đi kèm mã mô hình hóa và bộ xử lý tùy chỉnh. Tencent đã xác thực rằng vLLM đã vá tải được checkpoint và hoàn tất các kiểm tra tạo văn bản, hình ảnh, âm thanh và video có nhạc nền trên H20, đây là xác thực tải-và-chạy, không phải tuyên bố về độ chính xác. Lộ trình GGUF cần runtime gốc được build từ mã nguồn.
OrcaRouter không phục vụ WeMM-Video-9Bvà danh mục của nó không liệt kê bất kỳ checkpoint WeMM nào, vì vậy không có giá dịch vụ lưu trữ nào để báo và không có endpoint nào để gọi. Điều nền tảng này thực sự có là nửa phần thị giác của cùng công việc — Qwen3-VL-8B-Thinking và Qwen3-VL-235B-A22B-Thinkingcả hai đều nhận hình ảnh và khung hình video — phía sau một khóa tương thích OpenAI cùng với hơn 200 mô hình khác, được tính theo giá niêm yết của nhà cung cấp chuyển thẳng với mức chênh lệch 0%. Cả hai đều không nghe được gì, nên không cái nào thay thế được nửa phần nghe nhìn. Nếu kế hoạch là dùng thử một mô hình 9B tự lưu trữ mà không đưa nó vào đường dẫn sản xuất, thì định tuyến nó phía sau một quy tắc chuyển đổi dự phòng là cách rẻ để biết liệu runtime đã được vá có trụ được ở mức đồng thời của bạn trước khi bạn cam kết gắn một card cho nó hay không.
Việc ghép cặp này tự nó là một quy trình làm việc, không phải một phép đánh giá chuẩn. Tạo bằng Wan 3.0, rồi đưa clip cho một mô hình trả về mô tả thay vì pixel: cảnh có khớp với câu lệnh không, lời nói có dễ hiểu không, âm thanh có khớp với hành động không. Ở đây không có gì đo lường liệu WeMM-Video-9B có làm tốt công việc đó so với chính các đầu ra của Wan 3.0 hay không — chưa ai chạy thử. Ngân sách khung hình tám giây là ràng buộc cần kiểm tra trước, vì nếu clip của bạn dài ba mươi giây, người đánh giá chỉ đang xem một phần tư của mỗi clip.
Điều gì sẽ làm thay đổi câu trả lời
Ba thứ có thể xác định ngày, theo thứ tự mức độ chúng sẽ làm thay đổi khuyến nghị.
Một điểm số độc lập cho WeMM-Video-9B. Một mục Artificial Analysis duy nhất, hoặc một kết quả đấu trường từ một bên không cùng cơ quan với các tác giả, sẽ biến bảng trên từ một lời khẳng định thành một phép đo. Cho đến lúc đó, cách diễn giải trung thực là một checkpoint 10,49B với xương sống 9B đạt điểm gần với mô hình chủ lực 35B-A3B của chính nó trên các benchmark của chính Tencent, và đó là tất cả những gì có thể nói.
Một endpoint được host. Mô hình cần một runtime đã được vá, mã tùy chỉnh và mức chiếm dụng bộ nhớ thường trú từ 13 đến 20 GiB; vào ngày một nhà cung cấp cung cấp nó qua API, phép so sánh giá trong bài viết này sẽ không còn là lỗi phạm trù nữa mà trở thành phép tính số học.
Một công thức sử dụng ngữ cảnh đã khai báo. Checkpoint đã tuyên bố 262,144 vị trí. Nếu Tencent phát hành một cấu hình phục vụ nâng giới hạn khung hình và thực sự khai thác nó, thì mặc định tám giây sẽ trở thành một chi tiết cấu hình thay vì một mức trần — và 9B không còn chỉ là công cụ kiểm tra nhanh cho các cảnh quay ngắn.
Hiện tại, sự phân chia đã rõ ràng. Chọn Wan 3.0 khi bạn cần cảnh quay; nó đã ra mắt, đã có giá, đứng đầu hai bảng xếp hạng độc lập và là mô hình duy nhất trong hai mô hình mà bạn có thể gọi ngay chiều nay. Chọn WeMM-Video-9B khi bạn cần một mô hình nghe được cả nhạc nền lẫn nhìn được khung hình, bạn có dư một chiếc card, và bạn sẵn sàng là người đầu tiên tìm ra liệu công thức tám giây là mặc định hay là giới hạn. Hai mô hình không cạnh tranh cho cùng một quyết định.
So sánh trong bài viết này2
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
