主视觉标题卡写着“WeMM-Video-9B vs Wan 3.0”,副标题为“一个售卖秒数。一个将它们回读。”,并带有三个数据标签,分别写着 10.49B 开放权重、默认 8 秒视图和 30 秒片段上限;页脚说明 WeMM-Video-9B 的数据来自腾讯的代码仓库和 arXiv 2611.26409,而 Wan 3.0 的数据来自阿里巴巴和 Artificial Analysis。
Guides & Insights

WeMM-Video-9B 对比 Wan 3.0:售出的秒数,观看的秒数

作者

Alistair Wren

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

Wan 3.0按秒出售视频。WeMM-Video-9B则把它们读回来。这就是全部的比较,也正因如此,在这两者之间进行逐维度的规格之争几乎毫无意义:一个是返回 MP4 的生成模型,另一个是返回一句话的全模态理解模型。它们不是对手。它们是同一条流水线的两半——先产出一个片段,再检查它——而有趣的问题不是谁胜出,而是各自在哪里开始变得不可用。

它们当中只有一个是新闻。腾讯上传了WeMM-Video-9B以及十八个同系列仓库,时间窗口从 UTC 2026 年 11 月 17 日 08:53:50 起的五分钟内;随后于 11 月 19 日以 arXiv 2611.26409 发布技术报告,却对此全程未作任何公告:没有博客文章,没有发布页面,也没有付费层级。截至本文写作时,9B 仓库显示零下载,合集只有零星几个赞,且没有任何推理服务商提供该模型。Wan 3.0则完全相反——阿里巴巴于 2026 年 8 月 6 日将其投入公测,并于 8 月 24 日正式发布,比本文早八十八天,目前它位居两个独立排行榜榜首。下文关于 Wan 3.0 的一切,都是一个已发布、已定价、经过独立评分的产品。而关于WeMM-Video-9B的一切都来自其自己的仓库或作者们的 PDF,而这两处也是任何有关它的数字唯一存在的地方。

每一个实际返回什么

这些规格行值得并排对照,正是因为它们描述的是不同的用途。

• 输出 — WeMM-Video-9B返回文本,支持中文或英文。Wan 3.0返回最长 30 秒、带原生音频的生成片段。

• 输入——9B 可接收带原始音轨的视频帧、无声视频、独立音频、图像和文本,并能同时对所有内容进行推理。Wan 3.0 支持文本、图像、视频和音频提示词,并且在其系列中独有地支持文档:doc、xls、ppt、pdf、md、txt,每个文件最大 100 MB 或 50 页,可直接转换为视频。

• 权重 — WeMM-Video-9B在 Hugging Face 上以 Apache 2.0 协议发布 BF16 权重,另提供四种量化版本(FP8 Block128、AWQ W4A16、GGUF Q4_K_M、NVFP4 W4A16)。Wan 3.0 未公开权重,是计量收费的闭源 API。

• 价格——9B 没有托管价格,因为没有任何服务托管它;你的成本是一块 GPU、一个打过补丁的运行时,以及你自己的时间。Wan 3.0 按输出秒数计费:在 480p、720p 和 1080p 下分别为每秒 0.3、0.6 和 1.2 元——约合 $0.05、$0.10 和 $0.20——Artificial Analysis 在其排行榜上将其折算为每分钟 $12.00。

• 独立评分——没有针对WeMM-Video-9B的评分。Artificial Analysis 未在任何榜单上列出 WeMM 模型。Wan 3.0 在 Artificial Analysis 的文生视频榜单上以 Elo 1,176 排名第一(95% 区间 1,163 至 1,189,8,243 个样本),并在其视频编辑榜单上以 1,197 排名第一(1,187 至 1,207,9,919 个样本),在图生视频榜单上以 1,109 排名第十二。

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

价格差距并不是价格差距

每分钟十二美元是人们会引用的数字,但用它来和 9B 的任何方面作比较都是错误的,因为这两类账单衡量的是不同的量。Wan 3.0 按产出的时长收费。WeMM-Video-9B则完全没有按单位收费——它是以你已经拥有的硬件来计费,而诚实地为它定价的方法是:算出它占用一张显卡的多少,以及你每小时能跑出多少条片段。

占用数值可以从仓库中测得。BF16 检查点的权重文件为 19.54 GiB,包含 1,305 个张量、共 10,488,603,384 个参数——是 104.9 亿,而不是 90 亿,因为名称中的“9B”指的是 Qwen3.5-9B 语言主干,而非整个堆栈。AWQ W4A16 构建版本为 12.86 GiB。这是 34% 的缩减,而不是四比特方案所暗示的 75%,原因在导出器清单中显而易见:只有稠密前馈矩阵被压缩,而视觉塔、基于 Whisper 的音频编码器、嵌入层、输出头以及每个注意力权重都保持原始精度。约 57 亿个参数每个仍保持两个字节,这设定了一个任何四比特方案都无法低于的下限。任何仅凭名称来估算部署规模的人,都会偏差约 1.5 GiB 和一个精度层级。

所以真正重要的成本对比,并不是美元对美元。而是:一次 API 调用,按成片每秒 0.20 美元计费,对比一个 13 到 20 GiB 的常驻模型、一套打过补丁的 serving 栈,以及你 GPU 每小时无论多少的成本。对于已经在跑推理的团队,后者可能更便宜。对于想在周五前拿到片子的团队,前者是唯一存在的选择。

9B 在与 30B 的对比中处于什么水平

唯一有确凿数据的地方WeMM-Video-9B是作者的评测,而论文中的核心主张针对的是它更大的同门模型——35B-A3B 模型在全模态视频上树立了新的开源最先进水平,并逼近 Gemini-3.0-Flash。9B 得到的说法则更低调:它优于 Qwen3-Omni-30B-A3B-Instruct,一个规模约为其自身三倍的模型。在 Thinking 模式下,在音视频联合表格上,它确实做到了。

• 带音频的 Video-MME —— 9B 为 85.1,Qwen3-Omni-30B-A3B-Instruct 为 77.3,MiniCPM-o-4.5-9B 为 69.2。

• 带音频的 Video-MME-v2 — 51.6 对 36.3,相差 15.3 个百分点。

• 推理风格的行 — SciVideoBench 64.2 对比 49.9,MMOU 71.7 对比 60.5,EvaOmni 50.7 对比 26.1,OmniReasoningBench 43.9 对比 24.1。

• 落后之处——FutureOmni 为 53.7 对 55.1,而 JointAVBench 以 64.6 持平。

更有意思的对比是内部对比,也是引用这篇论文的人没有人提到的那一个。让 9B 与 35B-A3B 旗舰模型在同样的 17 行上对比,差距很小:带音频的 Video-MME 上是 85.1 对 86.4,Video-MME-v2 上是 51.6 对 54.9,MMOU 上是 71.7 对 74.5。在其中一行上,较小模型直接胜出——SVHalluc 86.8 对 80.3。一个只承载旗舰模型一小部分激活参数的模型,在主要基准上相差不到 1.3 个百分点。这是该仓库中针对 9B 的最有力论据,而这是一个关于部署成本、而非能力的论据。

9B 也并非对其所继承的主干模型的全面升级。在无声视频表格上将其与纯 Qwen3.5-9B 对比可以看出,这是一个偏向“事件发生的时间和地点”的模型,并在其他方面付出了可测量的代价:F-16-NBA 为 88.7 对 75.8,TimeLens-QVHighlights 为 66.8 对 64.3,TOMATO 为 48.5 对 45.0——但 MLVU 为 82.4 对 84.4,LVBench 为 68.2 对 70.0,VSI-Bench 为 54.5 对 58.3,MVBench 为 71.4 对 74.4。如果你的任务是长视频摘要,那么音视频机制让你损失了主干模型本来做得更好的某些能力。

默认情况下,覆盖时长为八秒

这正是两种模型可以直接比较的地方,因为这是对持续时间的限制——而两者的数字相差悬殊。

Wan 3.0 单次运行最长可生成 30 秒,是 Wan 2.7 15 秒上限的两倍,并配有视频扩展工具,可将更长的叙事串联起来。WeMM-Video-9B按出厂配置会查看八个。

缺口不在 checkpoint 里。9B 在其文本配置中声明了 262,144 个位置嵌入,这是一个非常大的预算。缺口出在 recipes 中。processor 默认是 2 fps,最少四帧、最多 128 帧和 100,663,296 个总像素,而 Tencent 发布的 vLLM 命令将这四个值全部覆盖为 2 fps、16 帧和 262,144 像素。在 2 fps 下,十六帧就是从片段中间截取的八秒覆盖范围。仓库中的每条 serving 命令还都传入 --max-model-len 8192 或 --context-length 8192,仓库中没有任何内容解释如何达到声明中更大的数值。

• 帧预算 — 已交付默认 16 帧、2 fps,即约 8 秒,而 Wan 3.0 的单次生成可达 30 秒。

• 音频开销——音频栈每秒产生 10 个 token,因此 8,192 个 token 的预算大致只能容纳十三分钟的音频,别无其他;带配乐的片段会把同一预算同时用于画面帧和音频。

• 每个请求的媒体——四张图片、两个视频和两个音频项,依据 vLLM 和 SGLang 配方中随附的限制。

微信视觉之外,没有人公布过基准测试运行使用了哪种采样。如果你要复现上表中的某个数字,这就是第一个需要确定的未知项,而随附的 16 帧默认设置并不是合适的起点。但上限确实存在:对于任何长于单个镜头的视频,9B 只能做抽查,不能做审阅,除非你提高帧数上限并在上下文上为此付出代价。

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

尚无任何人测量过的数字

有三项事实横亘在该模型与任何有把握的推荐之间,值得直截了当地说明,而不是加以掩盖。

第一点是,上述所有分数均为厂商自行报告。不存在对WeMM-Video-9B的任何独立评估——无论是竞技场 Elo、第三方复现,还是排行榜条目,都没有。这些表格来自训练该模型的同一批作者,基于他们自行选定的 120 多项基准,而且其中若干基准使用了不同的评审者:论文的评估视任务而定,分别使用 GPT-6.1-Sol、GPT-4o 和 Qwen3-235B-A22B。因此,论文内部的跨模型比较,实际上是在不同评分者下产生的数字之间的比较;论文说明了这一注意事项,而任何引用该表格的人往往会略去这一点。

第二点是模式划分,使两行不可比较。全模态视频表在 Thinking 模式下运行 WeMM 模型;音频表则在 Instruct 模式下运行这些模型,依据是作者判断标准音频基准属于直接的感知任务。这是站得住脚的,但这也意味着,一张表中的 WeMM 行无法与另一张表中的竞品行进行对等比较。

第三是分发。零下载量无论怎样都不能证明质量好坏,但它确实意味着没有一批从业者报告——没有故障模式,没有“它在音乐视频上会产生幻觉”,也没有人们艰难发现帧数上限的讨论串。Wan 3.0 已经积累了八十八天的这类反馈,再加上在 ComfyUI、Leonardo.Ai 和 Envato 的发布集成。在“生产环境中实际会出什么问题”这个问题上,其中一个模型有答案,另一个只有一个仓库。

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

今天跑这一对

如果你两者都要,它们的安装方式完全不同,而且两者都不在路由平台上。

Wan 3.0 是按量计费的 API 调用。可通过阿里自有控制台和第三方创意工具使用;480p、720p 和 1080p 分别按每秒 0.3 元、0.6 元和 1.2 元计费。真正需要确定的采购问题只有一个:你的审核环节需要哪种分辨率,因为分辨率就是费用乘数。

WeMM-Video-9B 是自托管任务。你需要 Python 3.12、使用 CUDA 12.9 驱动的 NVIDIA GPU、FFmpeg 和 TorchCodec 共享库,然后还需要仓库的运行时补丁:已打补丁的 vLLM 0.18.0,或用于 BF16 的 0.31.0,或已打补丁的 SGLang 0.5.16 或 0.5.19,并固定到补丁清单为你的引擎版本指定的确切 PyTorch、Transformers 和 CUDA 组合。加载还需要 trust_remote_code,因为模型附带自定义建模和处理器代码。腾讯验证了已打补丁的 vLLM 能加载检查点,并在 H20 上完成文本、图像、音频和带配乐视频的生成检查;这是加载并运行验证,不是准确性声明。GGUF 路线需要从源码构建原生运行时。

OrcaRouter 不提供 WeMM-Video-9B,其目录中根本没有列出任何 WeMM checkpoint,因此没有可报价的托管价格,也没有可调用的端点。该平台确实提供的是同一任务的视觉部分——Qwen3-VL-8B-Thinking 和 Qwen3-VL-235B-A22B-Thinking 均可接收图像和视频帧——通过一个兼容 OpenAI 的密钥提供,并与 200+ 个其他模型一起按提供商目录价计费,0% 加价 原样传递。二者都听不到任何声音,因此都不能替代音视频那一半。如果计划是在不把它放到生产路径上的情况下尝试自托管的 9B,那么将其置于故障转移规则之后进行路由,就是在你为它投入一张卡之前,低成本查明修补后的运行时能否在你的并发量下撑住的办法。

这种搭配本身是一套工作流,而不是基准测试。用 Wan 3.0 生成,然后把片段交给一个返回描述而不是像素的模型:场景是否与提示词相符,语音是否清晰可懂,音频是否与动作对得上。这里没有任何内容衡量WeMM-Video-9B在这项工作上与 Wan 3.0 自身输出相比具体表现如何——没有人跑过。八秒的帧预算是最先要测试的约束,因为如果你的片段是三十秒,评审者看到的只是每一段的四分之一。

什么会改变答案

三件可确定日期的事,按它们可能改变建议的程度排序。

一个针对WeMM-Video-9B的独立评分。来自 Artificial Analysis 的一条记录,或者来自与作者不共享雇主的第三方的一个 arena 结果,都能让上表从一项声明变成一次实测。在此之前,诚实的解读只能是:一个拥有 9B 骨干的 10.49B 检查点,在腾讯自己的基准上得分接近其自家的 35B-A3B 旗舰,仅此而已。

托管式端点。该模型需要经过修补的运行时、自定义代码,以及 13 到 20 GiB 的常驻内存占用;一旦有提供商通过 API 提供它,本文中的价格比较就不再是范畴错误,而会变成一道算术题。

一个会用到所声明上下文的配方。该检查点已经声称具备 262,144 个位置。如果腾讯推出一个服务配置,提高帧数上限并真正利用它,那么八秒的默认值就会变成配置细节,而不是上限——9B 也不再只是短片段用的抽查器。

目前分工很清晰。需要素材时,就选 Wan 3.0;它已经发布、已有定价、位居两个独立榜单之首,而且是两者中唯一一个你今天下午就能调用的。选 WeMM-Video-9B,如果你需要的是一个既能看画面、也能听音轨的模型,你手头有多余的显卡,并且愿意做第一个弄清楚八秒配方究竟是默认设置还是硬性限制的人。这两者并不是在争夺同一个决策。

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新