标题卡写着“WeMM-Video-4B vs HiDream-O1-Video-1.0”,副标题为“两种‘窄’”,两个面板由一个“vs”圆盘分隔,左侧副标题为“开放权重,无端点”,列出 56.1 亿参数、Apache 2.0 以及打过补丁的 vLLM 或 SGLang,右侧副标题为“托管,单一输入”,列出未公开的参数量、一张参考图和每分钟 5.80 美元,页脚写着“Artificial Analysis 榜单读取于 2026 年 11 月 20 日。”
Guides & Insights

WeMM-Video-4B 与 HiDream-O1-Video-1.0:两种“窄”

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

HiDream-O1-Video-1.0和WeMM-Video-4B两者对自身的描述都比其实际行为更宽泛。HiDream 的发布公告宣传的是一个接收文本、图像和视频,并返回 5 到 20 秒、带同步音频的 1080p 视频的模型;而文档中记录的 API 只接受恰好一张参考图像和一个可选提示词。WeMM-Video-4B 接收文本、图像、视频和音频并返回文本,这一点是准确的——而且该模型未在任何地方提供服务,因此它在理论上接受什么,只有在你自行修补推理引擎之后才能实际得到。一个受其服务契约限制而变窄,另一个则因完全没有服务契约而变窄。这就是全部对比,下面所有内容都是依附于此的细节。

这两个模型都不是你今天能按其论文所强调的模式调用的。这有多重要,取决于差距中你能自己弥合哪一半,而这是许可证和 GPU 的问题,不是质量问题。

此行及其所在的版本

HiDream-O1-Video-1.0 有一项独立测评。根据 2026 年 11 月 20 日读取的数据,在 AA-Video-I2V v2.1 榜单上,它以 Elo 1,101 排名第 14,95% 区间为 ±14,即 1,087 至 1,115,基于 6,976 票,记录为 2026 年 8 月发布,价格为每生成一分钟视频 5.80 美元。

六周前,在v1.0榜单上,同一模型以 1,175 ±10 位居第六,共获得 3,231 票。粗心解读,这像是崩塌。其实并非如此,原因值得直说,因为这是使用这些榜单时最常见的错误:v1.0 和 v2.1 是不同的工具,具有不同的 Elo 评分尺度、不同的投票池和不同的分类体系。分数不能在两者之间迁移,因此 1,175 与 1,101 之间的差距并不是模型变差了多少的度量。真正改变的是真实存在的——在现行榜单规则下,第 14 名比第 6 名更糟——但连接两者的算术并不存在。

WeMM-Video-4B 在任何榜单上都没有条目,这种缺席是结构性的,而非尚待审核。AI 视频榜单排名的是生成影像。一个能读取视频并写出句子的模型,无法进入两个片段之间的投票。在全模态视频理解竞技场出现之前,WeMM-Video-4B 的每个数字都是 Tencent 自己的。

HiDream 的 API 实际接受什么

服务暴露面已有文档记录,而且范围很窄,其狭窄之处直接对应发布时的宣称。

• 输入 — 恰好一张参考图像,以公共 URL 或 Base64 形式提供,大小在 40 KB 到 20 MB 之间。提示词为可选项,默认为空。公告将视频列为该模型的输入之一;但请求 schema 中没有对应字段。

• 分辨率 — 无选择器。结果会保留参考图像的宽高比。公告中的 1080p 说法无法通过请求来控制。

• 时长 — 一个布尔值,force_10s,默认值为 false。若保持为 false,则由模型选择;设为 true 则会得到十秒。宣传的 5 到 20 秒范围没有对应的数值字段。

• 音频——尽管该版本声称具备原生同步音频,却未提供任何音频输入或音频生成参数。

• 结果契约——异步。你提交后获得 task_id,然后进行轮询。result.status = 1 表示所有子任务都已达到终态,而非生成成功;成功与否取决于 sub_task_results[].task_status = 1,其中 3 表示生成失败,4 表示安全审核。

因此,你可以调用的模型是一个具有两种时长模式的图像动画器。发布说明中描述的模型是一个带有计划时长的文本-视频-音频联合生成器。这两种说法都由同一家公司记录在文档中,区别在于路线图,而不是矛盾。

WeMM-Video-4B 要求你构建什么

另一方没有必须收窄的约定,因为不存在终点。WeMM-Video-4B 拥有 5,611,746,312 个参数——10.45 GiB 的 BF16 权重——以 Apache 2.0 许可发布,属于一个包含四种尺寸的系列,这些尺寸全部在 2026 年 11 月 17 日一个十九分钟的时间窗口内出现,技术报告 arXiv 2611.26409 则于 11 月 19 日跟进。

让它能够回答需要付出 HiDream 用户永远看不到的工作。vLLM 和 SGLang 都没有在上游支持该架构;该仓库为四个确切的上游版本提供了源码覆盖补丁——vLLM 0.18.0 和 0.31.0、SGLang 0.5.16 和 0.5.19——每个版本都固定搭配特定的 PyTorch、Transformers 和 CUDA 12.9 组合,并依赖 Python 3.12、FFmpeg,以及 C++ 工具链和 Ninja(用于 SGLang 首次使用时的内核编译)。GGUF 包是为一个你从该仓库编译的原生运行时构建的,而不是为 llama.cpp 构建的,并且 Tencent 将其标记为 exported_unvalidated。

这样得到的是一个音频栈异常庞大的描述器:由 {{1}}Qwen3.5-4B{{/1}} 衍生的语言模型有 42.1 亿参数,视觉塔有 3.3 亿参数,Whisper 风格的音频编码器-解码器有 10.7 亿参数,并以每秒 10 个 token 的速度向 Q-Former 馈送。近五分之一的检查点都是“耳朵”,正因如此,它的联合音视频得分才格外值得关注。

每个模型进行比较时所依据的模式

这里一个公正的对比不是“哪个更好”,而是“哪种模式才是你真正能够达到的”,而这两个答案会落在不同的地方。

• HiDream-O1-Video-1.0 — 可用模式:图生视频,单参考帧,固定宽高比,时长十秒或由模型决定,无音频控制。评分模式:图生视频。榜单与 API 一致。

• WeMM-Video-4B — 可达模式:输入带音轨的视频,输出文本,采用发布时的 16 个采样帧和 8,192 个 token。评分模式:论文在视频表格中报告的是 Thinking 模式,在音频表格中报告的是 Instruct,在图像和文本上又报告的是 Thinking,且未说明所用的帧数或上下文长度。

• 两者——在存在数字的情况下由供应商报告,且没有任何第三方复现过其中任一结果。HiDream 的优势在于,有一种配置是由不在 HiDream 工作的人投票选出的。

Two-column contrast headed 'WeMM-Video-4B vs HiDream-O1-Video-1.0', the left listing open weights under Apache 2.0, video and audio in with text out, a patched vLLM or SGLang overlay and no independent score, the right listing a hosted API, one reference image with ten seconds or the model's choice, vendor-hosted runtime and 14th at Elo 1,101, with a footer reading 'Artificial Analysis board read 20 November 2026; WeMM figures vendor-reported.'Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 with a plus-or-minus 14 interval over 6,976 votes, an August 2026 release and $5.80 per minute.

只有一方能回答的音频问题

HiDream 生成音频,而 WeMM-Video-4B 理解音频。在功能列表里,这两者听起来像是同一种能力,但事实并非如此;对于正在搭建流水线的团队而言,这一区别决定了究竟哪一个才真正与之相关。

在生成侧,HiDream 的发布说明描述了一个单一流程,将文本、视频和音频一起建模,而不是事后添加声音,因此唇部动作、环境声和身体动作共享同一条时间线。你能否对此进行控制则是另一回事:文档中记录的请求没有暴露任何音频参数,公告也没有公布音轨数量,因此对白、音乐和音效能否作为可分离的分轨,在这两点上都未得到验证。

在理解方面,WeMM-Video-4B 在带音频的 Video-MME 上得 83.9 分,而 Qwen3-Omni-30B-A3B-Instruct 为 77.3 分、MiniCPM-o-4.5-9B 为 69.2 分;在 Daily-Omni 上得 82.5 分,而两者分别为 70.7 分和 80.2 分。它在纯音频基准上输给了一款专有的 Flash 模型——MMAU 为 75.2 对 80.4,MMAR 为 67.3 对 74.0——但在 MMAU-Pro 上以 68.1 对 64.8 取得一项胜利。这些是 T​encent 在表 2 中给出的数字,在 Thinking 模式下运行得出,实验室之外还没有人复现过。

所以,诚实的总结是:一个模型生成的声音你目前还无法检查,而另一个模型检查的是你必须提供的声音。在第一个模型获得音频参数、第二个模型获得宿主之前,二者都还不是音频制作流程想要的那种音频工具。

路由器在哪些方面有帮助,在哪些方面无能为力

OrcaRouter 不提供这两个模型中的任何一个。不存在 WeMM 端点——目录中没有任何 WeMM 检查点——也没有 HiDream 路由;HiDream-O1-Video-1.0 可通过 HiDream 自有平台及多个第三方平台访问。下文任何内容均不构成我们托管其中任一模型的声明。

在这场对比中,路由器真正发挥价值的地方在于迁移本身,而用于此的工具是 路由 DSL,而不是模型列表。这两个模型都位于一个明显临时的服务接口之后——一个是带有双状态终止标志的单输入预览版,另一个是固定到特定上游版本的源叠加层——而将其中任一硬编码的栈,都是会在别人的发布说明上出问题的栈。一个指定主模型和回退模型、并且能在单个请求内而不是在两个集成之间比较两个模型的路由策略,可以把这种风险转化为配置。它通过 一个 OpenAI 兼容端点运行,覆盖两百多个模型,按提供商标价透传、0% 加价,因此供应商价格变化当天就会反映出来。对于 WeMM 工作负载中仅视觉的部分,Qwen3-VL-235B-A22B-Thinking 和 Qwen3-VL-8B-Thinking 现在都已上线平台——这是绕过缺失的 omni checkpoint 的一种方式,而不是对其音频塔的替代。

Screenshot of the OrcaRouter models catalogue showing a filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, with a header reading 229 models across 17 providers on one API key and one bill.

你能接受哪种狭隘?

如果你本季度需要视频素材,而一张参考图就足够,那么 HiDream-O1-Video-1.0 是两者中唯一提供可调用端点的,其各项限制的文档也足够完善,一个下午就能完成对接集成。预算按每分钟 5.80 美元计算,按十秒或模型自行选择的时长来规划,并且要读取子任务状态,而不是终端标志位。

如果你需要了解自己已拥有的视频素材里有什么——包括其中说了什么——WeMM-Video-4B 是两者中唯一能回答的,而入门代价是一个打过补丁的推理引擎、一个 10.45 GiB 的检查点,以及一个在信任长视频结果之前应当调整好的 16 帧采样预算。

两者都没有给你的,恰恰是比较页面通常承诺的东西:一个可以用来给它们排名的共同任务。它们并不是同一个问题的两个答案,而是两个模型——其公开可用的接口都小于论文所描述的规模,而真正有用的工程判断在于:这些差距中,哪一个是你能够用自己的硬件补上的。

本文中的对比1

根据本文内容识别