
WeMM-Video-4B 與 FastFrames 影片生成:無聲的接縫
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 182 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 356 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
FastFrames Video Generation於 2026 年 11 月 16 日登場,而WeMM-Video-4B則於 11 月 17 日推出;兩者皆以權重下載形式發布,並附有論文,且都沒有值得一提的發布貼文。這個巧合是唯一值得把兩者對照閱讀的理由,因為它們做的不是同一件事:FastFrames 把一句話變成 81 幀無聲影片,而 WeMM-Video-4B 則把影片變成描述,包括描述影片裡正在說些什麼。有趣的問題不是哪個更好,而是把其中一個接在另一個後面會發生什麼事——而答案是:它們之間的接縫是無聲的,這悄悄使 WeMM 檢查點中最昂貴的部分失效。
以下所有內容,要嘛可在這兩個儲存庫中實際測量,要嘛由兩篇論文的作者所報告。這兩個模型都未曾由未撰寫其評測章節的任何人實際運行過,且兩者都沒有託管價格、競技場排行資料列或第三方重現結果。若某項數據來自廠商表格,則會如此標註。
FastFrames 在磁碟上存放的內容
FastFrames 是從 Wan2.1 蒸餾而來的自迴歸影片擴散模型,由 Apple 與 Cornell 於 11 月 17 日以 arXiv 2611.23226 發表,權重則提前一天上線。它提供兩種規模:FastFrames-S 為 13 億參數,FastFrames-L 為 140 億參數;其核心主張是延遲而非保真度。在單一 B200 上,小模型每 36 毫秒產生一個影格,比影片播放速度還快:生成 5.06 秒的內容約需 2.9 秒。大型模型分散在八張 B200 上時,每影格為 45 毫秒;在單一 GPU 上則退化為每影格 158 毫秒,慢於即時。Apple 也回報,若改用 H100 而非 B200,會有 25% 到 50% 的效能折損。
輸出格式固定且範圍狹窄:832×480、每秒 16 幀、每次生成 81 幀——略超過五秒——僅由文字提示驅動。在釋出的配置中,沒有影像條件輸入、沒有關鍵影格輸入、沒有續接模式,也沒有鏡頭控制。同樣沒有音訊:沒有音訊解碼器、沒有音訊潛在表徵、沒有配樂。作者報告,在 480p、相同提示與隨機種子下,VBench 總分為小型模型 84.23、大型模型 84.44;對於一款以「快」為賣點的模型而言,這是相當不錯的分數,而這也是此次釋出中唯一的品質數字。
10.7 億個參數都去了哪裡
WeMM-Video-4B 是 Tencent 的 WeChat Vision 團隊「四種尺寸家族」中的中間成員——2B、4B、9B 稠密模型,以及 35B-A3B 混合專家模型——全部都在 11 月 17 日一個十九分鐘的時間窗內上傳,技術報告 arXiv 2611.26409 則於 11 月 19 日隨後發布。這個名稱低估了它:safetensors 中繼資料記錄了 5,611,746,312 個參數,也就是 BF16 格式下的 10.45 GiB,因為「4B」指的是 Qwen3.5-4B 語言主幹,而不是該檢查點。
讀取張量索引就能解釋原因。在 1,268 個張量中,語言模型承載 42.1 億個參數,視覺塔 3.3 億個,音訊堆疊 10.7 億個。這個檢查點將近五分之一是 Whisper 風格的編碼器-解碼器——32 個編碼器層與 32 個解碼器層、寬度為 1,280,並搭配一個視窗級 Q-Former,將 0.1 秒的視窗壓縮成每秒 10 個音訊 token,以 16 kHz、30 秒區塊輸入。該堆疊是從 Qwen2.5-Omni 初始化而來。

• FastFrames 影片生成 — 輸入文字,輸出影格,整個流程中皆無聲音。
• WeMM-Video-4B — 輸入影格與聲音,輸出文字,聲音由專用的 1.07B 塔處理,而非從像素推斷。
• 重疊 — 在模型層級沒有重疊。兩者都是採用 Apache 或 Apple 授權的權重包,背後沒有端點,且兩者都預期你自己擁有加速器。
FastFrames 唯一製作的短片是無聲的。
順著這個思路推下去,組合問題就變得具體了。如果你把 WeMM-Video-4B 接在 FastFrames Video Generation 後面——先渲染一個鏡頭,再對它進行描述,以便建立索引、篩選或做 QA——你交給描述器的每個片段都沒有音軌。這個 10.7 億參數的音訊塔無物可聽。Q-Former 不會輸出任何東西,融合階段就退化為視覺路徑。
那不是任一模型的缺陷;而是管線本身的一項事實,而且這項事實有可量測的後果,因為 WeMM 論文會分開報告無聲影片基準。僅就視覺而言,WeMM-Video-4B 在 Video-MME 上得分 75.7、在 LVBench 上 65.3、在 LongVideoBench 上 74.8、在 EgoSchema 上 74.2。它的聯合音視覺數據——在含音訊的 Video-MME 上為 83.9、在 Daily-Omni 上為 82.5——才是足以證明該檔案大小合理的數據,而這些數據也正是以 FastFrames 餵入的管線無法達到的。
誠實地說,這個搭配的定位是:FastFrames 大約只會用到 WeMM 檢查點的 80%。如果你的目標是對生成的影片跑字幕生成迴圈,那麼一個只有視覺、規模只有一半的模型也能完成同樣的工作;如果你的目標是理解帶有聲音的影片,FastFrames 無法提供所需的輸入。這兩個工具的交會點,正是其中一方處於半閒置狀態的地方。

兩個速度數值,沒有共用單位
兩次發布都主打延遲方面的說法,但這些說法無法相提並論,而這正是網路上這類比較最常被扭曲的方式。
FastFrames 的 36 毫秒是在單一 B200 上每個輸出影格的耗時,並以播放為基準測量。WeMM-Video-4B 不會產生影格;其成本是在受限的媒體預算下解碼文字的成本。該預算比處理器預設值所暗示的更緊。儲存庫中的 vLLM 配方設定 max_frames 16,而處理器預設為 128,fps 2,總像素上限為 262,144,上下文長度為 8,192 個 token。在計入任何單一影格之前,音訊每秒會消耗 10 個 token。
實務上的解讀是:一支 20 秒的片段和一支 5 秒的片段,送到描述器時都是十六幀;而帶有原聲的片段,則是一次把上下文花在兩路串流上。FastFrames 以每秒輸出 16 幀的方式呈現動作;WeMM-Video-4B 看到的是一張張投影片,再據此推斷動作。這兩個數字彼此說明不了對方任何事,而一個把「36 ms」擺在「8K context」旁邊的頁面,其實是拿渲染預算去比閱讀預算。

在這裡,牌照比分數更能決定結果。
對於一場獨立證據如此薄弱的比較而言,授權條款那句話所承載的決策份量,勝過兩篇論文裡的任何基準測試,而這兩者正處於光譜的兩端。
• FastFrames 影片生成 — weights 適用 Apple 的 AMLR 條款,而 LingBot-World v2 示範元件則採用 CC BY-NC-SA 4.0 授權。當中的「NC」才是關鍵限制:權重開放,但不開放商業使用。
• WeMM-Video-4B — 整個集合採用 Apache 2.0,並附有 Tencent 授權檔案,載明第三方元件「仍受其各自原始條款約束」。這類除外項目並未逐項列出,這是有實質影響的缺口,而非形式問題,因為音訊堆疊源自 Qwen2.5-Omni,主幹則源自 Qwen3.5,兩者皆為 Apache 2.0。
• 兩者—— 儲存庫中提供完整的訓練階段檢查點與評估流程,這在同類發布中異常可重現,也是兩者皆缺乏的獨立評估的最佳可用替代方案。
將描述器串接在渲染器後方
如果你無論如何都要建立這個迴圈,工程上的問題就是文字模型該放在哪裡,因為其中有三次文字傳遞,而只有一次是可選的。
• 提示詞擴展 — 將鏡頭筆記轉化為 FastFrames 提示詞。這是必要的,因為 1.3B 的蒸餾擴散模型沒有餘裕解讀含糊的指令。
• 描述 — 渲染後的片段會送到 WeMM-Video-4B,再以文字敘述的形式回傳,而這一步正是讓影片素材可供搜尋的關鍵。
• 篩選 — 文字內容決定該片段是否保留,而這一步必須成本低廉,因為你是在每個候選片段上付費,而不是在每個存活下來的片段上付費。
那兩個外層跳轉是一般的文字補全,而它們正是這個堆疊中 OrcaRouter 實際涵蓋的部分:一組與 OpenAI 相容的金鑰可橫跨 200 多個模型,供應商牌價以 0% 加價原樣傳遞,因此廠商調價當天就會反映,並且自動容錯切換,讓一千個影片片段的批次處理到一半遇到速率限制時,變成重試而不是缺口。FastFrames Video Generation 和 WeMM-Video-4B 都不在平台上——兩者都是權重下載,而沒有任何路由層能把檢查點變成端點。路由器省去的是圍繞你自行託管的這兩個模型所做的整合工作。
還有什麼仍未確認
• 獨立品質 — 兩個模型都沒有 Artificial Analysis 評測列、沒有競技場收錄項目,也沒有第三方重現。VBench 84.44 與 Video-MME 83.9 為作者自行回報,並未由其他人執行。
• 評估條件——WeMM 論文並未說明其影片基準測試所使用的影格數、像素預算或上下文長度,而隨附的配方使用 16 個影格,處理器卻預設為 128。這個差距大到足以在長影片的資料列上造成影響。
• 價格——兩者都沒有。沒有託管端點、沒有每秒費率、沒有合作夥伴名單。成本是你自己擁有的 GPU,再加上 WeMM 儲存庫所需的已修補 vLLM 或 SGLang 覆蓋層,因為這兩個引擎在上游皆不支援該架構。
• Apple 端的商業可用性 — AMLR 加上非商業示範授權,意味著法務審查會擋下的是這條流程中的渲染器,而非描述器。
選出一個的那個問題
先問你的產物是什麼。如果它是檔案,就只有 FastFrames 能產出它,而你要以 480p、五秒、無聲和非商業授權來規劃。如果它是關於你手上已有影片素材的主張——發生了什麼、誰在說話、聽得到什麼——就只有 WeMM-Video-4B 能產出它,而你要以十六個取樣影格和八千個 token 來規劃。
如果兩者皆是,你正在打造一個接縫無聲的雙模型系統,而該系統最便宜的正確版本,不會用 5.61B omni 檢查點來為無聲輸出生成字幕。對渲染後的片段使用視覺模型,並把 WeMM-Video-4B 保留給帶有聲音的來源素材。這比起用一個模型處理所有事情較不優雅,但這正是數字所支持的架構。
這兩次發布目前都還沒提供的,正是能讓事情定案的那項東西:一次由論文作者以外的人所進行的跑分。兩間實驗室在同一週內推出了扎實的影片成果,卻沒有任何公告;對 2026 年 11 月來說,這比任何單一基準測試表格中的格子都更有趣。
