主視覺標題卡寫著「WeMM-Video-2B vs Seedance 2.5 Flash」,副標題為「沒人定價的品管關卡」,並有兩張相連的卡片:左卡標題為 Seedance 2.5 Flash,寫著 480p 下每秒 0.07 美元,標示為「生成」;右卡標題為 WeMM-Video-2B,寫著 6.12 GiB、Apache 2.0,標示為「評判」。
Engineering & Research

WeMM-Video-2B 對決 Seedance 2.5 Flash:無人定價的 QC 關卡

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

七美分可以買到Seedance 2.5 Flash在 480p 下的一秒,或 720p 下的十五美分——這是位元組跳動於 2026 年 11 月 13 日透過 BytePlus 公布的價目表。至於判斷回傳的片段究竟能不能用,得花多少成本,則沒有人公布。WeMM-Video-2B——騰訊的 328 億參數全模態檢查點,於 2026 年 11 月 17 日悄然上傳,截至 11 月 20 日下載量仍為零——是這個系列中第一個以開放授權釋出、小到足以扮演守門員而非生成器的模型。兩者合在一起,描繪出的是一條流程:昂貴的那一段有標價,而決定你是否付了兩次錢的那一段卻沒有。

這就是完整的論點,而且並不是在推銷這兩個模型中的任何一個。Seedance 2.5 Flash 是影片生成器,有價目表,卻沒有能力表。WeMM-Video-2B 是影片理解模型,有儲存庫,卻沒有獨立評測。兩者都不在我們能請你直接存取的託管端點上。以下說明兩者各自究竟是什麼、為何主導這個類別的「每秒價格」框架並不完整,以及迴路中的閘門在值得接上之前必須長成什麼樣子。

每秒七美分無法涵蓋的是什麼

先從算術說起,因為這是這項比較中唯一已經確定下來的部分。在沒有輸入影片的情況下,Seedance 2.5 Flash 在 480p 的收費為每秒 0.07 美元,在 720p 則為每秒 0.15 美元;而 Seedance 2.5 則分別是 0.103 美元與 0.231 美元——兩個層級的價格都約為其三分之二,這是根據每單位 7.00 美元的 token 費率,對比母模型的 10.70 美元換算而來。480p 的五秒短片為 0.34 美元。一千支則是 340 美元。

那些數字是正確的,但它們也是這個模型最不有趣的部分,因為它們為「一次生成」定價,而不是為「一個決策」定價。每個經營影片方案的工作室,最終都會發現帳單不是它生成了多少支片段,而是它為了得到一支願意交出去的片段,總共生成了多少支。如果 Flash 要試四次才得到一支可用鏡頭,它每可用秒數的實際成本就是 28 美分,那它相較於自己標榜的數字毫無優勢。如果母模型兩次就成功,那麼儘管每次嘗試貴了 47%,母模型每可用秒數反而更便宜。價目表無法告訴你哪一種情況為真,只有實測可以。

那項測量正是理解模型的用途所在——而這也正是比較不再是一對一的「vs」對照、而變成描述兩項相鄰工作的地方。

一個負責生成,一個負責評判,兩者都不兼做兩件事。

Generated two-column scoreboard titled 'WeMM-Video-2B vs Seedance 2.5 Flash - the scoreboard' with six labelled rows: what goes in, what comes out, resolution, duration, weights and independent evaluation. WeMM-Video-2B reads text out only, Apache 2.0 with four quantised builds, 10 frames per 5 seconds at 2 fps. Seedance 2.5 Flash reads 480p and 720p with no 1080p, a closed endpoint, 5 seconds in the worked example. A footer reads neither is independently evaluated.

Seedance 2.5 Flash 接收提示詞、可選的首幀與參考素材,並回傳影片。WeMM-Video-2B 接收影片幀加上原始音軌,並回傳文字。兩者在能力上毫無重疊,也無法互相替代。生成器的模型識別碼是 dreamina-seedance-2-5-flash-261115,其中的日期戳記——2026 年 11 月 15 日——是 BytePlus 所宣傳的 API 視窗,時間點在該模型於一家經銷合作夥伴上現身的兩天後。

• 輸入內容 — Flash 使用提示詞與參考圖片;WeMM-Video-2B 每次請求最多可包含四張圖片、兩段影片與兩個音訊項目。

• 輸出內容 — 適用於 Flash 的 mp4 影片(含同步音訊);WeMM-Video-2B 則輸出文字回應,語言為中文或英文。

• 解析度 — Flash 上為 480p 與 720p,完全沒有 1080p 等級;不適用於 WeMM-Video-2B,因其沒有視訊輸出。

• 時長 — 五秒是費率表上的範例;WeMM-Video-2B 以 2 fps 取樣,影格數下限為 4、上限為 128,因此五秒的片段預設為十個影格。

• 權重 — Flash 是封閉式端點,沒有可供下載的內容;WeMM-Video-2B 採用 Apache 2.0 授權且可下載,但 GPU 需由你自行提供。

• 獨立評測——兩者皆無。我們在11月20日能找到的第三方排行榜中,沒有任何一個收錄 Seedance 2.5 Flash 的條目;而 WeMM-Video 論文的主要結果屬於 35B-A3B 和 9B,並非 2B。

把那張清單讀兩遍,事情的全貌就清楚了。這不是在兩個影片模型之間做選擇,而是在為生成付費與為判斷付費之間做選擇;而大多數團隊早已在為前者付費,卻從未把後者的成本算進去。

T​encent 究竟打造了什麼

2B 是四種尺寸系列中最緊湊的成員——2B、4B、9B 稠密模型,以及 35B-A3B 混合專家模型——於 11 月 17 日 UTC 08:53 至 08:59 之間,以十七個 Hugging Face 儲存庫一同發布;arXiv 論文隨後於 11 月 19 日發布,而儲存庫 README 在 20 日上午仍在編輯中。授權條款為 Apache 2.0,架構是在單一 `WeMMVideoForConditionalGeneration` 包裝器下的三塔堆疊:一個 24 區塊的視覺編碼器,隱藏維度 1,024、使用 16 像素 patch;一個 32 層 Whisper 音訊編碼器,寬度 1,280、具有 128 個梅爾頻帶;以及一個 24 層文字模型,隱藏維度 2,048、8 個注意力頭與 2 個鍵值頭,詞彙表為 248,320 個 token,最大位置數為 262,144。

決定它能否作為閘門、而非僅供示範的細節:

• 權重大小 — 6.12 GiB 的 BF16 safetensors,分為兩個分片,索引中共 6,567,256,208 位元組,計入編碼器後約為 32.8 億個參數。名稱僅計入語言模型。

• 兩種模式、同一個檢查點——`enable_thinking=False` 會回傳直接答案,而 `enable_thinking=True` 會回傳推理軌跡;由聊天模板旗標來選擇,而不是下載第二個模型。

• 服務 — 修補後的 vLLM 0.18.0 或 0.31.0、修補後的 SGLang 0.5.16 或 0.5.19、CUDA 12.9 映像檔,以及 GGUF 建置版本的原生執行階段路徑。騰訊自家驗證的說法是,修補後的 vLLM「已在 L20 與 H20 上載入檢查點,並完成文字、影像、音訊及含配樂影片的生成檢查。」

• 量化 — FP8 Block128、AWQ W4A16、GGUF Q4_K_M 與 NVFP4 W4A16,各自位於自己的儲存庫中。以 4 位元建置的 2B 模型小到足以與呼叫產生器的用戶端放在同一台機器上。

• 輸入限制——每次請求最多四張圖片、兩段影片和兩個音訊項目,且須置於 8,192 個 token 的上下文中;此限制由服務配方強制執行,而非僅供建議。

缺失的部分同樣重要。整個發布內容中,任何地方都沒有針對 2B 的準確率數字——該系列聲稱勝過 Qwen3.5-Omni-Flash 與 Seed2.0-Mini-0428 的說法,是屬於 35B-A3B 的;而 9B 聲稱超越 Qwen3-Omni-30B-A3B-Instruct 的說法,則是 9B 的。這個精簡版模型是否保留讓該系列值得報導的視聽推理能力,在公開層面上尚未經過測試。截至 11 月 20 日,該儲存庫零次下載、兩個讚,這大致可作為它受到多少外部檢視的合理指標。

ByteDance 尚未公布的能力表

Screenshot of ByteDance's BytePlus ModelArk documentation for Seedance 2.5 Flash, showing the model identifier dreamina-seedance-2-5-flash-261115 and the API availability window of 14:00 UTC plus 8 on 15 November 2026, with no duration, reference-budget or audio row on the page.

Flash 有相反的問題。它的價格精確到分都有記錄,能力卻完全沒有記錄。BytePlus 公布了價目表、模型識別碼與解析度上限。但在我們於 11 月 20 日能載入的任何頁面上,它都沒有公布最大時長、參考預算、音訊是否在同一次生成中產生、定義 Seedance 2.5 的編輯與延長模式是否沿用,或是否提供 mov 輸出格式。

父模型回答了所有這些——四到三十秒、五十個參考素材拆分為三十張圖片、十段影片和十段音訊、音訊與視訊聯合生成、十一種語言、24 fps 的 mp4 與 mov。Flash 完全沒有說明這些。這不是往最壞處想的理由;而是不該預設任何情況的理由。一個以三分之二價格保留三十秒與五十個參考素材的層級,和一個只保留 720p、其他什麼都沒有的層級,是截然不同的產品,而這個差異正是 QC 關卡必須衡量的東西——只不過,關卡無法衡量一份從未寫下來的規格。

而這正是整個構想誠實的侷限所在。你今天就能把這個迴圈建起來。但你還說不出這個迴圈究竟是以什麼為基準在做測試,因為它的一端送出的是價目表,另一端送出的則是一份文件。

迴圈中設置一道閘門的代價會是什麼

假設由你來建置。生成器呼叫會送到 BytePlus,或送到使用其金鑰的經銷合作夥伴。把關機制則是你自己託管的 WeMM-Video-2B 實例,它會接收回傳的片段與其聲軌,並回答一個問題——這是否符合簡報要求,以及音訊是否同步。以 2 fps、五秒片段取十幀來說,這在單一 GPU 上只是小型推論工作,而 4-bit 版本又讓它更小。

經濟帳失衡得值得直說。生成每秒要七到十五美分,而且付費前無法檢查。一次閘門檢查只花不到一美分的 GPU 時間,而且想跑幾次就跑幾次。如果閘門每四個片段就拒絕一個,你就省下了原本會在盲目付費下買到的重新生成的四分之三——而且不需要第二份供應商合約,因為閘門就是你自家硬體上的權重。

你得不到的是一個數字。沒有人公布過 WeMM-Video-2B 的判斷與人類編輯判斷之間的一致率,而在有人公布之前,這道關卡就是一個偽陽性率未知的過濾器。這確實是該先讓它以影子模式運行一週、再讓它拒絕任何東西的正當理由。

路由層在哪裡證明其價值

Screenshot of the OrcaRouter model page for Tencent Hy4 Flash, showing the identifier tencent/hy4-flash, a 1,048,576-token context window, 65,536 maximum output tokens, text and image input with text output, and per-million pricing of 0.0175 dollars in and 0.07025 dollars out.

這兩個模型都不在我們的目錄中,而且這兩點都值得毫不含糊地說清楚:我們不提供 WeMM-Video-2B,也不提供 Seedance 2.5 Flash。圍繞其中任何一個建置的流程,都是建立在他人的金鑰之上的流程。

我們所走的路線是周邊工作,而在這個特定設計中,這並不是安慰獎。 Tencent Hy4 Flash 是 T​encent 的 Hunyuan 旗艦系列中具成本效益的等級——文字與圖像輸入、文字輸出,一百萬個 token 的上下文,最多 64,000 個輸出 token,每百萬輸入 token 為 $0.0175,每百萬輸出 token 為 $0.07025。那就是把一行簡報擴充成鏡頭清單、在每次嘗試之間改寫提示詞,並讀取關卡的拒絕原因來決定要改什麼的模型。它是做文字工作的文字模型,而在這樣的費率下,影片管線外圍的提示詞工程迴圈成本比影片本身還低。

結構性重點在於,無論你選擇哪家供應商,這一點都成立。供應商定價會以 0% 加價 原樣傳遞,因此當 ByteDance 調降某一層級——就像它把這一層砍到母層級的三分之二——調降當天就會在我們這邊生效,而不是等到下一個帳務週期重置。 跨供應商自動容錯移轉 意味著當某個端點效能下降時,迴圈中的文字部分不會拖垮整條管線。而且把 200 多個模型 放在同一個與 OpenAI 相容的金鑰之後,意味著你終究會做的比較——用這個閘道對上更大的理解模型,用這個提示擴展器對上更便宜的模型——只需改一個參數,而不是做一次整合。

該看什麼,以及按什麼順序看

有三件事能讓它從一個論點變成一份建議。第一,Flash 的能力表:時長、參考素材、音訊,以及 1080p 究竟是永久缺席,還是 merely 遲到。第二,任何對 2B 的獨立評估——只要有一個公開的、對照人類判斷的一致性數字,就能讓這道關卡從設計變成元件。第三,Flash 首份公開的延遲比較,因為「更快」正是這個名字的全部前提,而在 720p 下輸出 24 fps、為時三十秒,需要加速的推論量實在太大了。

在那之前,總結起來就是兩個價格,外加一個缺失的數字。Seedance 2.5 Flash 是一個真實存在、價格低廉、規格範圍明確的影片方案,費率是其同系列產品的三分之二。WeMM-Video-2B 則是一個完整、以開放授權釋出的理解模型,卻沒有人正式發布,也幾乎沒有人下載過。那七分錢是有明確記載的;但「花這七分錢是否值得」的判斷成本,卻沒有記載——而該編進預算的,正是這道落差,而不是那張價目表。