
WeMM-Video-4B 與 FLUX 3 Video:解讀短片,還是生成短片?
- 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
浪費一個下午最快的方法,就是比較WeMM-Video-4B與FLUX 3 Video的品質。其中一個有數字,另一個沒有,而那個數字不是品質分數——它是價格。來自 Black Forest Labs 的 FLUX 3 Video 於 2026 年 8 月 4 日正式全面推出,公布了每分鐘費率,並在 Artificial Analysis 的兩個影片排行榜上都占有一席之地。來自 Tencent WeChat Vision 團隊的 WeMM-Video-4B 於 2026 年 11 月 17 日現身,是 10.5 GB 的 Apache-2.0 權重,完全沒有端點、沒有價格,也沒有任何排行榜條目。你真正要抉擇的,是一台按用量計費的生成器,還是一個免費的描述器;而誠實的比較,是要看你的管線缺少這兩者之中的哪一個。
本文其餘部分將三類事實區分開來:各程式碼儲存庫與兩個董事會所陳述的內容、供應商在自家論文與文件中宣稱的內容,以及兩間實驗室之外無人驗證過的內容。截至 2026 年 11 月 20 日,第三類占了大部分有趣的素材。
一個人在兩個董事會任職,另一個人則沒有。
Artificial Analysis 對 FLUX 3 Video 評分兩次,而這兩項分數分屬不同的量表,因此兩者無法互相換算。
• AA-Video-T2V v2.1 — FLUX 3 Video 排名第 10,Elo 1,137 ±13,基於 7,406 票,標價為每分鐘 $17.40。較大的 FLUX 3 Video Max 以 1,151 ±14、4,708 票位居第 7,價格為每分鐘 $8.70,這是榜單上較大模型反而較便宜的不尋常情況。
• AA-Video-I2V v2.1 — FLUX 3 Video 以 1,069 ±14、共 6,838 票排名第 16,價格同為 $17.40。FLUX 3 Video Max 以 1,068 ±14、共 6,848 票排名第 17,價格為 $8.70。
• WeMM-Video-4B — 在兩個排行榜上都沒有任何一列,在影片剪輯排行榜上也沒有。這不是缺少測量數據;而是它無法被列入。AA 的影片排行榜評比的是生成的影片素材,而 WeMM-Video-4B 完全不會生成任何影片素材。
要看區間,而不是看排名。FLUX 3 Video 在文字轉影片與圖像轉影片兩個榜單上的兩個名次相差六十八分——相當於五個區間——這正是關於一個在兩種無法互相換算的衡量工具上評分的模型的有用事實:它是個稱職的生成器,而其位置取決於你交給它哪項任務。這是一項真實但不算大的獨立測量——而且這比這場對決的另一方所擁有的還多。
每分鐘 17.40 美元能買到什麼
FLUX 3 Video 是一款多模態生成器,其輸入清單比任何單一產品列表列所呈現的都要廣泛。支援文字提示、作為首幀的靜態圖像、用於影片轉影片與續接的影片,以及用於受控轉場的關鍵幀。單次生成時長可達 20 秒,其中文字轉影片與圖像轉影片為 5 至 20 秒,續接則為 5 至 15 秒。解析度以像素級距而非長寬比來區分——HD 約為每幀一百萬像素,FHD 為兩百萬,QHD/2K 為四百萬,UHD/4K 為八百萬。原生音訊包含多語言對白、同步語音、音效與環境音,為選配項目,且已計入每秒價格。
• Draft HD — 每秒 $0.06。五秒的測試短片為三十美分。
• HD / 720p — 每秒 $0.17,或五秒約 $0.85。
• FHD / 1080p — 每秒 $0.29。QHD/2K 為 $0.40,UHD/4K 為 $0.80。
• 影片轉影片與續接 — 草稿 $0.12,HD $0.41 至 $0.43,FHD $0.53 至 $0.54,2K $0.65,4K $0.95。
看板上的每分鐘 $17.40 是經過標準化的 1080p 數字,這就是為什麼它無法整齊地對應到那張卡。它是比較單位,不是收據。幾份第三方摘要也指出,2K 和 4K 級距仍在逐步推出,而非全面提供,因此請把卡片最上方的數字視為帳戶層級的問題。
WeMM-Video-4B 免費為你提供什麼
對戰組合的另一方每次呼叫皆零成本,而且根本買不到。WeMM-Video-4B 有 5,611,746,312 個參數——BF16 格式下為 10.45 GiB——其儲存庫是以 Qwen3.5-4B 語言主幹命名,而非其實際規模。多出來的正是重點:42.1 億參數的語言模型、3.3 億參數的視覺塔,以及 10.7 億參數的 Whisper 式音訊堆疊,搭配 Q-Former 從 16 kHz 音訊以 30 秒區塊每秒輸出 10 個音訊 token。
它接收文字、圖像、影片,以及帶有原始聲軌的影片,並回傳文字。在作者聯合的視聽表格上,它在帶音訊的 Video-MME 上以 83.9 比 77.3 擊敗 Qwen3-Omni-30B-A3B-Instruct,在 Video-MME v2 上則以 48.1 比 36.3 勝出。在無聲影片方面,它以 65.3 比 50.2 領先 LVBench,並以 74.8 比 63.5 領先 LongVideoBench。對上 Qwen3.5-Omni-Flash 時,它在音訊基準測試中落敗——MMAU 為 75.2 比 80.4,MMAR 為 67.3 比 74.0——並在 OCRBench 以 85.7 比 89.1、GPQA 以 73.2 比 76.4 落後。
上述每一項都是 {{1}}Tencent 自家的量測結果。{{/1}} 論文表示,若有官方結果就報導官方結果,否則報導自家評估,且沒有任何第三方重現過其中任何一列。並未說明基準測試執行時的影格數、像素預算與上下文長度——這點很重要,因為隨附的 vLLM 配方將影片上限設為 16 個影格與總計 262,144 像素,相對於處理器預設的 128 個影格。

兩個從不相遇的時鐘
這兩個模型都無法取代彼此,而讓這一點成立的限制,兩者都是預算而非能力。
• 輸出預算 — FLUX 3 Video 每次呼叫最多可產生 20 秒、最高 4K 且含音訊的影片。WeMM-Video-4B 完全不會產生任何畫面,因此其輸出預算其實是 token 預算:出貨時每個請求為 8,192 個 token,音訊在計入畫面之前每秒消耗 10 個 token。
• 輸入預算 — WeMM-Video-4B 每次請求接受四張圖片、兩段影片和兩個音訊項目,以每秒 2 幀、上限 16 幀。FLUX 3 Video 接受一個提示詞、一個首幀、一個參考影片或一組關鍵幀,且不接受任何形式的音訊輸入。
• 成本型態 — FLUX 3 Video 依輸出影片的秒數計費,因此成本會隨規模而增加。WeMM-Video-4B 則依自有硬體的 GPU 小時數計費,因此成本取決於批次大小,且不在乎來源片段有多長,只在乎取樣後有多少影格留存。
• 授權——WeMM 系列採用 Apache 2.0,但針對第三方元件設有未逐項列出的例外條款;FLUX 方面則提供託管的商業 API,且未公開權重。
簡單來說:一個是按秒計費、附帶計分板的支出,另一個是固定資本成本、附帶一份論文。需要成品鏡頭的團隊不能用 WeMM-Video-4B,而需要可搜尋的一萬段現有影片索引的團隊也不能用 FLUX 3 Video——不是因為它貴,而是因為它無法回答關於並非由它製作的素材的問題。
音訊正是比較開始出現偏差的地方。
FLUX 3 Video 會生成音訊。WeMM-Video-4B 則理解音訊。這是兩種不同的能力,在功能清單上聽起來很相似,但箇中差異決定了管線的選擇。
FLUX 的音訊是生成輸出:多語言對白、同步語音、音效與環境音,皆為選項並已包含在每秒價格中。Black Forest Labs 並未公布的是音軌數量,因此若你需要將對白、音樂和音效作為可分離的分軌,無論是價目表還是文件,都不會告訴你能否取得這些分軌。請在 DAW 中預留第二輪處理的預算。
WeMM 的音訊是一條輸入路徑:一座 10.7 億參數的塔,能將音軌轉換為每秒 10 個 token,並按時間順序將其與視覺 token 融合,且帶有明確的文字時間戳記。這正是帶音訊的 Video-MME 上 83.9 分所衡量、以及 MMAU 上 75.2 分所衡量的——它聽得有多好,而不是說得有多好。
所以,一個工作流程若要寫出一個場景、連同聲音一起渲染,然後還需要知道對白是否真的奏效,就需要兩半都具備,而兩個模型都無法涵蓋對方的那一半。這是這場對決中,兩者真正互補、而不只是有所不同的唯一一處。
誠實陳述的路由問題
OrcaRouter 這兩個模型都不提供。平台上沒有 WeMM-Video-4B 端點——其型錄中完全沒有 WeMM 檢查點——也沒有 FLUX 3 Video 路由。FLUX 3 Video 可透過 Black Forest Labs 自家的 API 及數個第三方平台取得;WeMM-Video-4B 則可透過下載取得,並需搭配修補過的 vLLM 或 SGLang 覆蓋層,因為這兩個引擎上游都不支援該架構。
平台確實涵蓋的,是圍繞這兩種工作流程的文字層,而在這項搭配上,有用的部分是模型融合,而非單純的路由。「這段片段值不值得保留」是個判斷題,而把便宜的分類器與昂貴的推理模型放在同一個提示上做融合判斷,能用遠低於對每個候選都跑昂貴模型的成本做出決定。這一切只要一組相容於 OpenAI 的金鑰,就能在超過 200 個模型上執行,依供應商定價、零加成,因此當廠商降價時,降價當天就生效,而不是等到下一個計費週期。就 WeMM 工作中純視覺的那一半而言,Qwen3-VL-235B-A22B-Thinking 與 Qwen3-VL-8B-Thinking 都能接收圖像與影片幀,且今日已在平台上——這是繞過缺漏 omni 模型的一條路,而非其音訊塔的替代品。


究竟什麼才能真正解決這件事?
三項進展將使這項比較擺脫目前立足於廠商自行通報資料的狀態。
首先,任何獨立榜單上都找不到 WeMM-Video-4B 的條目;這不是陰謀,而是結構性原因:AA 的影片排行榜評比的是生成影片,而理解模型無法參賽。全模態影片理解競技場正是缺失的工具;在它出現之前,每一個 WeMM 數字都只是 Tencent 的一面之詞。
第二,FLUX 3 Video 的權重釋出。Black Forest Labs 一向以開放釋出著稱,而這個檢查點並沒有可供下載的授權,因此目前的比較是開放模型與封閉模型之間的對比,而這是任何基準測試的表格都無法呈現的差異。
第三,WeMM 系列的託管價格。若相容的託管主機商開始以供應商牌價、0% 加成轉嫁的方式提供這些權重,本文的成本面將在一週內改觀。那是一項條件,而非當前事實,本文任何內容都不應被解讀為我們宣稱自身提供此託管服務。
你真正需要的是哪一個?
若交付物是影片素材,FLUX 3 Video 是兩者中唯一能產出這類素材的選擇,而決策就取決於 720p 每秒 0.17 美元的價格,相較於同一榜單上的其他替代生成器是否可接受——而它在文字轉影片項目排名第 10,定價屬於中段。
如果交付物是關於你已持有素材的陳述,那麼兩者之中只有 WeMM-Video-4B 能產出它,而決策就歸結為:你是否能為 vLLM 或 SGLang 引入原始碼覆蓋層,並帶上一個 10.45 GiB 的檢查點,以取得一個在長影片指標上異常出色的 4B 級描述器。
陷阱在於把 $17.40 和 $0.00 當成同一種數量。前者是服務按用量計費的費率;後者則是沒有服務。WeMM-Video-4B 的免費,就像研究發布的免費——你要付出的是整合成本、未經驗證的 GGUF 套件,以及沒有任何其他人對它是否有效的看法。
本文中的比較1
根據本文內容識別
