标题卡上写着“WeMM-Video-4B vs FLUX 3 Video”,副标题为“读取片段或制作一个”,两个面板由一个“vs”圆盘分隔,左侧标有“开放权重”,列出每分钟 $0.00、5.61B 参数和 8,192 token 上下文,右侧标有“按量计费”,列出每分钟 $17.40、最长 20 秒,并在 AA-Video-T2V v2.1 上排名第 10,页脚写着“Artificial Analysis 数据读取于 2026 年 11 月 20 日”。
Guides & Insights

WeMM-Video-4B vs FLUX 3 Video:解读片段,还是生成片段?

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

浪费一个下午的最快方式,就是比较 WeMM-Video-4B与FLUX 3 Video的质量。其中一个有数字,另一个没有,而这个数字并不是质量分数——它是价格。来自 Black Forest Labs 的 FLUX 3 Video 于 2026 年 8 月 4 日全面可用,公布了每分钟费率,并在 Artificial Analysis 的两个视频榜单上都有条目。来自腾讯微信视觉团队的 WeMM-Video-4B 于 2026 年 11 月 17 日出现,是 10.5 GB 的 Apache-2.0 权重,没有端点、没有价格,也完全没有排行榜条目。你要在二者之间选择的,是一个按量计费的生成器和一个免费的描述器,而诚实的比较应关注你的流水线缺少这两者中的哪一个。

本文余下部分将三类事实区分开来:代码仓库和两个委员会所陈述的内容,供应商在其论文和文档中所声称的内容,以及两个实验室之外无人核实过的内容。截至2026年11月20日,第三类构成了大部分有意思的材料。

一个在两个董事会任职,另一个则不在任何董事会任职。

Artificial Analysis 对 FLUX 3 Video 进行两次评分,而这两个分数采用不同的评分尺度,因此二者不能相互换算。

• AA-Video-T2V v2.1 — FLUX 3 Video 排名第 10,Elo 为 1,137 ±13(基于 7,406 票),标价每分钟 17.40 美元。更大的 FLUX 3 Video Max 以 1,151 ±14(基于 4,708 票)位列第 7,价格为每分钟 8.70 美元,这是榜单上较大模型反而更便宜的不寻常情况。

• AA-Video-I2V v2.1 — FLUX 3 Video 以 1,069 ±14(共 6,838 票)排名第 16,价格同样为 $17.40。FLUX 3 Video Max 以 1,068 ±14(共 6,848 票)排名第 17,价格为 $8.70。

• WeMM-Video-4B——在两个榜单上均无条目,在视频编辑榜单上也无条目。这不是缺少测量数据;而是根本无法录入。AA 视频榜单对生成的视频素材进行排名,而 WeMM-Video-4B 不生成任何视频素材。

看区间,而不是看名次。FLUX 3 Video 在文生视频和图生视频两个榜单上的两个名次之间相差六十八分——相当于五个区间的差距——这才是关于一个用两种无法相互换算的测评工具打分的模型的有用事实:它是一个有能力的生成器,其位置取决于你给它什么任务。这是一项真实但不算大的独立测量——而且已经比这场对比的另一方所拥有的更多。

每分钟 17.40 美元能买到什么

FLUX 3 Video 是一款多模态生成器,其输入项列表比任何单个展示行所显示的都更广泛。文本提示词、作为首帧的静态图像、用于视频到视频和续写的视频,以及用于受控转场的关键帧。单次生成时长最高可达 20 秒,其中文本到视频和图像到视频为 5 到 20 秒,续写为 5 到 15 秒。分辨率按像素档位而非宽高比出售——HD 每帧约 100 万像素,FHD 为 200 万,QHD/2K 为 400 万,UHD/4K 为 800 万。原生音频包含多语言对白、同步语音、音效和环境声,为可选功能,并已包含在按秒计价的价格中。

• Draft HD—— 每秒 0.06 美元。一段五秒的测试片段为 30 美分。

• 高清 / 720p — 每秒 0.17 美元,五秒约 0.85 美元。

• FHD / 1080p — 每秒 $0.29。QHD/2K 为 $0.40,UHD/4K 为 $0.80。

• 视频转视频与续写 — 草稿版 $0.12,高清版 $0.41 至 $0.43,全高清版 $0.53 至 $0.54,2K 版 $0.65,4K 版 $0.95。

董事会给出的每分钟 17.40 美元是一个经标准化处理的 1080p 数值,因此无法用该价格卡进行整齐的整除。它是一个比较单位,而不是收据。若干第三方摘要也指出,2K 和 4K 档位仍在逐步推出,而非全面可用,因此应将价格卡的顶部视为账户层面的问题。

WeMM-Video-4B 免费为你带来什么

这场对比的另一方每次调用都不花钱,而且根本买不到。WeMM-Video-4B 有 5,611,746,312 个参数——BF16 下为 10.45 GiB——其仓库以 Qwen3.5-4B 语言主干命名,而不是按其实际规模命名。多出来的部分才是关键:42.1 亿参数属于语言模型,3.3 亿属于视觉塔,10.7 亿属于 Whisper 风格音频栈,并带有一个 Q-Former,可从 16 kHz 音频中以 30 秒分块每秒输出 10 个音频 token。

它接收文本、图像、视频以及带原始音轨的视频,并返回文本。在作者联合的音视频表格中,它在带音频的 Video-MME 上以 83.9 比 77.3 击败 Qwen3-Omni-30B-A3B-Instruct,在 Video-MME v2 上以 48.1 比 36.3 领先。在无声视频上,它在 LVBench 上以 65.3 比 50.2 领先,在 LongVideoBench 上以 74.8 比 63.5 领先。与 Qwen3.5-Omni-Flash 相比,它在音频基准上落败——MMAU 75.2 比 80.4,MMAR 67.3 比 74.0——并在 OCRBench 上以 85.7 比 89.1、GPQA 上以 73.2 比 76.4 落后。

这些每一项都是腾讯自己的测量结果。论文称,它在有官方结果时报告官方结果,否则报告自己的评估,而且没有任何第三方复现过其中任何一行。基准运行所用的帧数、像素预算和上下文长度均未说明——这一点很重要,因为已发布的 vLLM 配方将视频限制为 16 帧和 262,144 个总像素,而处理器默认值为 128 帧。

Two-column contrast headed 'WeMM-Video-4B vs FLUX 3 Video', the left listing describe footage, 5.61B parameters, text image video and audio inputs, text output, no price and self-hosting, and no independent score, the right listing generate footage, parameters not published, text image video and keyframe inputs, up to 20 seconds with native audio, $0.06 to $0.80 per second and 10th at Elo 1,137, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM figures vendor-reported.'

两个永远不会相遇的时钟

任何一个模型都无法替代另一个,而让这一点成立的这两项约束都来自预算,而非能力。

• 输出预算 — FLUX 3 Video 每次调用最多可生成 20 秒、最高 4K 且带音频的素材。WeMM-Video-4B 完全不生成帧,因此其输出预算是 token 预算:按出厂配置,每次请求 8,192 个 token;在计算帧之前,音频每秒消耗 10 个 token。

• 输入额度 — WeMM-Video-4B 每次请求接受四张图像、两个视频和两个音频项,帧率为每秒 2 帧,最多 16 帧。FLUX 3 Video 接受一个提示词、一个首帧、一个参考视频或一组关键帧,并且不接受任何类型的音频输入。

• 成本结构 — FLUX 3 Video 按输出秒数计费,因此成本随规模野心增长。WeMM-Video-4B 按自有硬件的 GPU 小时计费,因此成本随批量大小变化,与源片段时长无关,只取决于采样后保留多少帧。

• 许可证 — WeMM 集合采用 Apache 2.0 许可,但对第三方组件设有一项未逐项列明的例外;FLUX 方面则提供托管商业 API,且未发布权重。

简而言之:一个是按秒计费、附带排行榜的开销,另一个是固定资本支出、附带一篇论文。需要一条成品镜头的团队用不了 WeMM-Video-4B,而需要为一万条已有素材建立可搜索索引的团队也用不了 FLUX 3 Video——不是因为贵,而是因为它根本无法回答关于并非由它生成的素材的问题。

音频是这场对比出现转折的地方

FLUX 3 Video 能生成音频。WeMM-Video-4B 能理解音频。这是两种不同的能力,在功能列表里听起来很像,而这一区别决定了流水线该怎么搭。

FLUX 的音频属于生成输出:多语言对白、同步语音、音效与环境声,均为可选并打包计入按秒计费的价格中。Black Forest Labs 并未公布音轨数量,因此如果你需要将对白、音乐和音效作为可分离的独立音轨,无论是价目表还是文档,都不会告诉你能否获得它们。请预留出在 DAW 中进行第二轮处理的时间。

WeMM 的音频是一条输入通路:一个 10.7 亿参数的塔式模块,将音轨转换为每秒 10 个 token,并按时间顺序将其与视觉 token 融合,同时带有显式的文本时间戳。这正是带音频的 Video-MME 上 83.9 分所衡量的内容,也是 MMAU 上 75.2 分所衡量的内容——衡量的是它听得有多好,而不是说得有多好。

因此,一个工作流如果先编写场景、再带声音渲染,然后还需要知道对白是否真正达到效果,就需要两者各自负责的那一半,而两个模型都无法覆盖对方负责的那一半。这是这场对比中,两者真正互补而非仅仅不同的唯一一处。

路由问题,诚实陈述

OrcaRouter 对这两个模型均不提供支持。既没有 WeMM-Video-4B 端点——该平台的目录中根本没有 WeMM checkpoint——也没有 FLUX 3 Video 路由。FLUX 3 Video 可通过 Black Forest Labs 自己的 API 以及若干第三方平台获取;WeMM-Video-4B 可作为下载获取,需配合打过补丁的 vLLM 或 SGLang overlay,因为这两个引擎在上游均不支持该架构。

平台确实覆盖的是围绕任一工作流的文本层,而在这一组合中,有用的部分是 模型融合,而不是单纯的路由。“这段片段是否值得保留”这一决定属于主观判断,而把廉价分类器与昂贵推理器放在同一提示词上的融合调用,能以仅为对每个候选都运行昂贵模型的成本的一小部分做出该判断。这运行在 一个兼容 OpenAI 的密钥上,覆盖 200 多个模型,按提供商标价、0% 加价,因此当供应商降价时,降价当天即生效,而不是等到下一个计费周期。具体到 WeMM 工作中仅涉及视觉的那一半,Qwen3-VL-235B-A22B-Thinking 和 Qwen3-VL-8B-Thinking 都能接收图像和视频帧,并且目前已在平台上——这是绕过缺失的 omni 模型的一条路径,而不是其音频塔的替代品。

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and cost per minute, including FLUX 3 Video at Elo 1,069 and FLUX 3 Video Max at 1,068.Screenshot of the Artificial Analysis text-to-video leaderboard, AA-Video-T2V v2.1, showing ranked rows with Elo, confidence interval, sample counts, release month and per-minute pricing, with FLUX 3 Video Max at rank 7 on Elo 1,151 and FLUX 3 Video at rank 10 on Elo 1,137.

究竟什么才能真正了结此事

三项进展将使这一比较摆脱目前依赖供应商报告数据的局面。

首先,在任何独立榜单上,都找不到 WeMM-Video-4B 的条目。确实没有,而原因是结构性的,不是阴谋论的:AA 的视频榜单排名的是生成影像,而理解模型无法参赛。一个全模态视频理解竞技场正是缺失的工具;在它存在之前,每一个 WeMM 数字都只是 Tencent 的一面之词。

其次,是 FLUX 3 Video 的权重发布。Black Forest Labs 一向以开放发布著称,而这个检查点并没有可供下载的许可证,因此目前的比较是在一个开放模型与一个封闭模型之间进行的,而这种差异是任何基准测试的表格行都无法体现的。

第三,WeMM 系列的托管价格。如果有一个兼容的托管方开始按供应商标价、以 0% 加价透传的方式提供这些权重,那么本文中成本这一侧的局面将在一周内改观。这是一个条件,而非当前事实,本文中的任何内容都不应被解读为我们在声称自己托管了它。

你到底需要哪一个?

如果交付物是视频素材,那么 FLUX 3 Video 是两者中唯一能产出它的,决策就归结为:与同一榜单上的其他替代生成器相比,720p 每秒 $0.17 的价格是否可接受——而在文生视频中排名第 10 的情况下,这一定价处于中游水平。

如果交付成果是一份关于你已拥有素材的陈述,那么两者中只有 WeMM-Video-4B 能产出它;决策就归结为,你是否能携带一个用于 vLLM 或 SGLang 的源码覆盖层以及一个 10.45 GiB 的检查点,从而得到一个 4B 级、长视频表现异常出色的描述器。

陷阱在于把 $17.40 和 $0.00 当成同一个量。一个是服务的按量计费费率;另一个是根本没有服务。WeMM-Video-4B 的免费,就像研究发布版的免费——你付出的是集成成本、未经验证的 GGUF 包,以及没有任何其他人对它能用与否发表过意见。

本文中的对比1

根据本文内容识别