标题卡上写着“WeMM-Video-9B vs HiDream-O1-Video-1.0”,副标题为“两个窄腰”;两个面板由一个“vs”圆盘分隔:左侧标题为 WeMM-Video-9B,带有“开放权重”徽章,各行内容为“无 Elo,无排行榜”“读取视频,返回文本”“19.54 GiB BF16”“Apache 2.0”“未公布”;右侧标题为 HiDream-O1-Video-1.0,带有“按量计费 API”徽章,各行内容为“Elo 1,101,排名第 14”“6,976 票”“每分钟 $5.80”“一张参考图像”“最长 10 秒”。
Guides & Insights

WeMM-Video-9B 与 HiDream-O1-Video-1.0:两个狭窄的腰部

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

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 — T​encent'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.

因此,接下来的比较并不关乎能力。它关乎的是你可以围绕哪一种约束来设计,而答案最终取决于:你更愿意为有文档记录的上限付费,还是更愿意托管一个没有文档记录的上限。

论文所述内容与 API 所接受的内容

HiDream-O1-Video-1.0 于 2026 年 8 月 28 日发布,并于 9 月 10 日登上图生视频榜单。厂商的公告涵盖面很广:文本、图像和视频输入,五到二十秒的 1080p 输出,原生同步音频,按叙事规划的时长,物理约束。

HiHarness API 的功能并不宽泛。它接收一张参考图像——URL 或 Base64,不得大于 20 MB,也不得小于 40 KB——外加一个可选的文本提示词,以及一个 force_10s 布尔值。没有分辨率选择器。没有参考视频字段。没有音频控制。如果你想要五秒,你得到的是十秒;如果你想要二十秒,你得到的还是十秒。论文与端点之间的落差,是关于这个模型最具体的事实,也是最有可能改变你架构的一点。

• 输入 — HiDream-O1-Video-1.0:一张参考图像加可选提示词。WeMM-Video-9B:视频、音频、图像和文本,每次请求最多四张图像、两个视频和两个音频片段。

• 输出 — HiDream-O1-Video-1.0:1080p 视频,音频同步,实际时长十秒。WeMM-Video-9B:支持英文或中文文本。

• 约束 — HiDream-O1-Video-1.0:API 接口。WeMM-Video-9B:随附的采样配方,2 fps 下 16 帧。

Two-column scoreboard headed 'WeMM-Video-9B vs HiDream-O1-Video-1.0 — the scoreboard', six shared dimensions in rows: Price ('$0.00, no endpoint' against '$5.80 per minute'), Board position ('none, unrankable' against 'Elo 1,101, I2V rank 14'), Input ('video, audio, images' against 'one reference image'), Output length ('text only' against '10 s in practice'), Audio ('reads the soundtrack' against 'synchronised in-pass'), Release ('17 Nov 2026' against '28 Aug 2026'), with a footer reading 'Artificial Analysis AA-Video-I2V v2.1 read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

一行棋盘,一个空单元格

HiDream-O1-Video-1.0 恰好只有一项独立测量,而这项测量很适合拿来争论。

• AA-Video-I2V v2.1 — 基于 6,976 个样本,以 Elo 1,101 ±14 排名第 14,2026 年 8 月发布,每分钟 5.80 美元。这是大样本上的一个窄区间,它介于 Elo 1,109 的 Wan 3.0 与 1,105 的 Agnes-Video-2.5 之间——在一个拥挤的分数带里,14 分就是一个区间。

• 未出现在 AA-Video-T2V v2.1 和 AA-Video-Editing v1.1 中。 文生视频的缺失才是值得关注的一点,因为厂商自己的公告以文本输入打头。一个既没有文生视频行、也没有参考视频字段的模型,其文生视频叙事只存在于文字描述中。

• WeMM-Video-9B——三张榜单上均无其行,原因在于结构层面:三者都对生成的视频进行排名,而它不生成任何视频。是空白单元格,而非低分。

每分钟 5.80 美元,HiDream-O1-Video-1.0 是图生视频榜单上较便宜的选项之一。在上榜模型中,只有每分钟 2.10 美元的 Pika H3 Flex、2.40 美元的 HeyGen Video 1、2.40 美元的 Agnes-Video-2.5、5.04 美元的 Vidu Q4 Preview 和 5.70 美元的 P-Video-2-Pro 比它更便宜,而它还胜过几款价格高出三到四倍的模型。

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 per-minute price, including HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 over 6,976 samples at $5.80 per minute, between Wan 3.0 at 1,109 and Agnes-Video-2.5 at 1,105.

十九点五GB的细节

WeMM-Video-9B 的慷慨之处在于它向外界披露了大量关于自身的信息。Hugging Face 记录列出了跨 1,305 个张量的 10,488,603,384 个参数——其中包括一个 7.94B 的语言主干,含 1.02B 的 token 嵌入、一个未绑定的 1.02B 输出头、一个 1.08B 的音频塔(32 层 Whisper 风格层、宽度 1,280,位于每秒十个音频 token 的两层 Q-Former 之后),以及一个 0.46B 的视觉塔(27 个块、隐藏维度 1,152、patch 大小 16,并采用 2×2 空间合并)。

这种精确性正是 HiDream 一方所不具备的一种诚实:Black Forest Labs 和 HiDream 都拒绝公布参数数量,而且两者都没有义务这样做。但这也设下了一个陷阱,因为详细的架构会让人以为实际交付的配置与之相符。事实并非如此。

• 处理器默认值 — 2 fps,最少 4 帧,最多 128 帧,总计 100,663,296 像素。

• 已发布 vLLM 配方 — 2 fps、16 帧、262,144 像素,在片段中点附近采样。

• 上下文 — 每条服务命令为 8,192 个 token,而架构中包含 262,144 个位置嵌入。

每秒两帧、共十六帧,就是八秒的覆盖范围,而采样从中间开始。一段六十秒的片段会丢失开头和结尾各二十六秒。架构本可允许更多;但这套配方不允许,而最终交付的正是这套配方。

Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, English and Chinese languages, the arXiv identifier 2611.26409, an Apache 2.0 licence, a model card overview stating 19.54 GiB of BF16 weight files, and a file panel reading 10B params and BF16 tensor type.

十秒对八秒

把两个“帽子”并排放在一起,决策的轮廓就浮现了。HiDream-O1-Video-1.0 无论你提出什么要求,都能给你十秒完成度极高的 1080p 视频,并配有同步音频。WeMM-Video-9B 则审视你已有的八秒片段,无论原始素材有多长。

这两个数字都是任意的。HiDream 的十秒是体现在一个布尔值中的产品决策;WeMM-Video-9B 的八秒则是配方文件中的一个默认值。两者都不是物理定律。但只有其中一个背后有厂商会告诉你边界处会发生什么,而它并不是以检查点形式分发的那个。

如果你用 HiDream-O1-Video-1.0 生成一个十秒的片段,然后问 WeMM-Video-9B 里面发生了什么,描述器会从这十秒的中间采样八秒。开头和结尾各一秒——这两秒永远不会进入模型。这是一个通过修改配置就能解决的协调问题,而这正是这对组合会造成、且两家厂商都没有文档说明的那类协调问题。

模型融合,以及它在何处配得上这句话

这两个模型均未托管在 OrcaRouter。HiDream-O1-Video-1.0 可通过 HiDream 自家平台及多个第三方平台访问;WeMM-Video-9B 可通过下载获取。

像这样的比较之所以会出现在编排讨论中,是因为这两部分失败的方式不同。托管的那一半会大声失败——速率限制、超时、错误码——而自动故障转移正是为此而生。自托管的那一半则安静地失败:它对八秒素材返回一段自信的描述,却对从未看到的二十六秒只字不提。模型融合在这里是更有意思的工具,因为第二个模型以不同的采样策略读取同一段片段时,会在边界处产生分歧,而这种分歧是你得到的唯一信号:窗口太小了。

对于托管环节,供应商标价按0% 加价传导,这在每分钟 5.80 美元时比平时更重要:廉价模型的供应商价格变动所带来的百分比波动比昂贵模型更大,而跟踪公布费率而非缓存副本,能让一百个片段的批量预测保持可靠。

你能接受生活在哪种约束之中?

如果任务是一张参考图和十秒视频,就选择 HiDream-O1-Video-1.0。你将获得有文档记录的端点、同步音频、$5.80 的费率,以及在图生视频榜单上第 14 名的排位。你要放弃的是文生视频、分辨率控制以及十秒以外的任何时长。

如果任务就是描述影像素材,那就选 WeMM-Video-9B。你会得到一个 9B 的全模态描述器,据报告其音视频指标强劲,采用 Apache-2.0 许可证,且参数量可供审计。你放弃的是服务合同、独立验证,以及任何能保证八秒窗口足以覆盖你实际拥有的片段的承诺。

你不该做的是从质量上比较这两者。它们都没有在同一台仪器上被评估过,而且其中一个也不可能这样评估。真正值得做的比较,是在两个窄腰之间——一个布尔值和一个配方文件——以及哪一个能让你围绕它来构建,同时不必就它所看到的东西自欺欺人。