
WeMM-Video-9B 对比 Alibaba Wan 2.7:一份账单与一个检查点
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 182 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 356 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 147 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
从账单开始。Alibaba Wan 2.7 在两个 Artificial Analysis 视频榜单上都有每分钟费率,并且有明确记录的时长范围,这使其成为少数几个能在你写下一行代码之前就估算成本的视频模型之一。WeMM-Video-9B 则完全没有费率。腾讯微信视觉团队于 2026 年 11 月 17 日发布了它,内容包括 19.5GB 的 Apache-2.0 权重——五个 BF16 分片、一份模型卡,以及编号为 2611.26409 的 arXiv 预印本——然后便再无下文。没有发布帖,没有定价页,没有托管端点,也没有提交到榜单。三天后,这些仓库合计下载量仍为零。因此,诚实的比较不是 Wan 2.7 与 WeMM-Video-9B 在质量上的比较;而是一个按量计费的服务与一个未定价的产物之间的比较,而你想并排放在一起的那两个数字并不存在,且双方不存在的原因相同。
下文将区分三件事:Wan 2.7 文档和两个排行榜所陈述的内容,WeMM-Video-9B 仓库和论文所声称的内容,以及两个实验室之外无人复现的内容。第三类正是 WeMM-Video-9B 大部分材料所在之处,若假装并非如此,这篇文章就会迅速变得毫无用处。
Wan 2.7 按分钟计费
阿里巴巴为 Wan 2.7 制定的价目表对视频模型而言异常清晰易懂。该套件是一款四模式产品——文生视频、图生视频、参考生视频和视频编辑——而价目板上显示的价格是直接的按分钟计费数字,而不是需要你逆向推算的积分系统。
• AA-Video-Editing v1.1 — Wan 2.7 以 Elo 1,074 ±8 位列第 9,基于 22,754 个样本,发布于 2026 年 4 月,价格为每分钟 16.90 美元。该区间是榜单上除前三名之外最窄的,这就是两万两千张投票所能换来的结果。
• AA-Video-T2V v2.1——同一系列以 Wan2.7-260612 之名出现,在 6,965 个样本上取得 Elo 1,035 ±13,位列第 20,时间为 2026 年 6 月,价格为每分钟 $9.00。同一厂商,不同任务,不同价格,而该 Elo 并不能换算为编辑得分。
• Wan 2.7 完全不在图生视频排行榜上。Wan 3.0 在榜——以 1,109 分位列第 12——这一缺席值得仔细解读。这并不意味着 Wan 2.7 无法让静态图像动起来;而是意味着竞技场尚未将其列入该榜单。阿里巴巴的套件确实宣传首尾关键帧控制、最多五张主体图像和五段参考片段,以及带原生音频的 720p 至 1080p 输出。榜单未予评分的能力依然是能力。
有一条对预算编制很重要的背景说明:Wan 2.7 是上一代产品。Wan 3.0 目前在文生视频榜单(1,176)和编辑榜单(1,197)上均位居榜首,而且在文生视频方面,它是两者中更便宜的那个,每分钟 $12.00,而 Wan 2.7 的编辑费率为 $9.00。如果你今天是在挑选一款阿里巴巴模型,而不是在对比某一款,那么决策其实已经向前推进了。
9B 检查点究竟是什么
WeMM-Video-9B 并不是视频生成器,而这一句话在本次对比中就起到了大部分作用。它是一个视频理解模型:你向它提供帧和原始音轨,它返回文本。描述、转写、时序推理,以及对你已有影像的问答。
该仓库对其内部内容的具体说明异常详尽,而这正是低调发布能胜过高调发布的地方。Hugging Face 记录列出 10,488,603,384 个参数,分布于 1,305 个张量,采用 BF16,总大小为 19.54 GiB,分为五个分片。拆分情况逐项列明:一个 7.94B 的语言主干,包括一个 1.02B 的 token 嵌入、一个非绑定的 1.02B 输出头、一个 1.08B 的 Whisper 风格音频塔,包含 32 层、宽度为 1,280,位于一个两层 Q-Former 之后,以及一个 0.46B 的视觉塔,包含 27 个模块,隐藏宽度为 1,152,patch 大小为 16,并采用 2×2 空间合并。语言栈为 32 层,隐藏维度为 4,096,16 个注意力头对应 4 个键值头,头维度为 256,采用混合线性注意力——每三个线性层配一个全注意力层——以及 262,144 个位置嵌入。
这在实践中带来的是宽输入、窄输出。视频、音频、图像和文本都可以输入,输出的是文本——英文或中文。整个架构中没有任何帧合成,无论怎样提示都无法生成一帧。


两个不会相遇的时钟
真正能起决定作用的比较,关乎时间和金钱,而双方都有上限。
• Wan 2.7 的上限是时长。每次生成 2 到 15 秒,720p 到 1080p,按秒计费。一段 15 秒的 1080p 片段在你按下开始前就是确定的量。
• WeMM-Video-9B 的上限在于上下文。 处理器默认每秒 2 帧,最少 4 帧、最多 128 帧,总像素预算为 100,663,296。随附的 vLLM 方案将上述所有设置覆盖为 2 fps 和 16 帧、262,144 像素——大约相当于从片段中点采样的八秒覆盖范围。仓库中的每条服务命令还都会传入 8,192 个 token 的上下文长度;按每秒十个音频 token 计算,如果只把预算花在声音上,这大约相当于十三分钟的音频。
• 这种不匹配。Wan 2.7 会生成十五秒的素材。WeMM-Video-9B 按发布状态只查看八秒。如果你的流水线生成一段视频,然后让模型描述其中发生了什么,那么描述器只采样了输出的一半。这不是任一产品的缺陷;这是你必须刻意更改的配置,而仓库自带的示例并不会替你更改它。
他们俩都不在的那个董事会
这就是这场对比中的结构性问题,直白地说。每个 Artificial Analysis 视频榜单都会对生成的视频进行排名。文生视频、图生视频、视频编辑——这三者都是采用一个输出像素的模型,并依据成对的人类偏好对它进行排名。WeMM-Video-9B 输出的则是 token。
并不是说 WeMM-Video-9B 的得分很差,而是它根本无法被录入。Wan 2.7 有两行,且两行的区间都窄到足以引发争论;WeMM-Video-9B 一行也没有,而且在有人搭建出视频理解竞技场之前也不会有了。这意味着,本文研究对象唯一的品质证据,就是作者自己的表格。
那张表并非无足轻重。在思考模式下处理联合音视频任务时,9B 检查点在 37 个共同指标中的 35 个上胜过 Qwen3-Omni-30B-A3B-Instruct——Video-MME 含音频为 85.1 对 77.3,Daily-Omni 为 83.6 对 70.7,SciVideoBench 为 64.2 对 49.9,OmniReasoningBench 为 43.9 对 24.1——并且恰好只输掉一项,即 FutureOmni 的 53.7 对 55.1。在无声视频上,与其自身的 Qwen3.5-9B 主干相比,它在 F-16-NBA(88.7 对 75.8)和 TimeLens 上有所提升,但在 MLVU、LVBench、VideoVista、VSI-Bench 和 MVBench 上落后。论文称其报告的是“有官方结果时采用官方结果,否则采用我们自己的评估”,这是正确的披露,也正是其中没有一项是独立结果的原因。

OrcaRouter 的定位
这两个模型均未通过 OrcaRouter 提供服务,本文也不会假装并非如此。Wan 2.7 可通过阿里巴巴自家 API 以及若干第三方平台访问;WeMM-Video-9B 则可通过下载获取。
真正该放在这里的是计费侧,因为团队最终会把生成器与描述器拿来比较,原因在于两者都会被接入同一条流水线。OrcaRouter 会以供应商标价透传,并采用0% 加价,这意味着供应商降价会在其生效当天就落到你的账单上,而不是等转售商重新定价时才体现。如果 Wan 2.7 的 16.90 美元编辑费率像 Wan 3.0 那样变成 12.00 美元,你在下一张账单上就能看到。对于一条链路按秒计费、另一条链路是你自己托管的检查点这样的工作负载,让按量计费的那一半按成本上报,正是你能预测的预算与无法预测的预算之间的区别。
该为哪一个做预算?
如果交付物是视频素材,Wan 2.7 是两者中唯一能产出它的,那么决定就归结为:每分钟 16.90 美元的剪辑,或每分钟 9.00 美元的文生视频,与榜单上的其余选项相比是否具有竞争力。它分别排在第 9 和第 20 位,在这两项上都处于中游。
如果交付物是针对你已持有的视频素材给出的一份陈述,那么两者中只有 WeMM-Video-9B 能生成它;此时决策就归结为:你是否能承担一套打过补丁的 vLLM 或 SGLang 安装、一个 19.54 GiB 的检查点,以及一个八秒的采样窗口,以得到一个在音视频指标上真正强劲的 9B 级描述器。
陷阱在于把 $16.90 和 $0.00 读成同一个量。前者是一项服务的计量费率,这项服务你今天下午就能调用。后者则是一项服务的缺席,而这份缺席的代价,要用集成工作来偿付,还要用这样一个事实来偿付:除了腾讯,没有任何局外人告诉过你这些数字是否站得住脚。
