
WeMM-Video-4B 對比 HiDream-O1-Video-1.0:兩種「窄」
- 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
HiDream-O1-Video-1.0與WeMM-Video-4B對自身的描述都比實際行為更廣泛。HiDream 的發布公告宣傳的模型可接收文字、圖像與影片,並回傳五到二十秒、具同步音訊的 1080p 影片;但文件所載的 API 只接受恰好一張參考圖像與一個可選提示。WeMM-Video-4B 接收文字、圖像、影片與音訊並回傳文字,這點準確——而且該模型未在任何地方提供服務,因此理論上它接受什麼,只有在你自行修補推論引擎之後才能得到。一個是被其服務契約限縮,另一個則是根本沒有服務契約。這就是全部的比較,以下所有內容都只是由此延伸的細節。
這兩個模型目前都無法以各自論文所強調的模式來呼叫。這有多大關係,取決於你能靠自己補上這段差距的哪一半;而這是授權與 GPU 的問題,不是品質的問題。
該資料列,以及它所依據的版本
HiDream-O1-Video-1.0 有一項獨立測量。根據 2026 年 11 月 20 日於 AA-Video-I2V v2.1 排行榜上的讀數,它以 Elo 1,101 排名第 14,95% 區間為 ±14,即範圍介於 1,087 至 1,115,基於 6,976 票,記錄為 2026 年 8 月發布,生成影片每分鐘 $5.80。
六週前,在v1.0排行榜上,同一個模型以 1,175 ±10、共 3,231 票的成績排名第六。粗心解讀的話,這像是崩盤。其實不然,而箇中原因值得直說,因為這是使用這些排行榜時最常犯的錯誤:v1.0 和 v2.1 是不同的工具,具有不同的 Elo 量表、不同的投票池和不同的分類體系。分數不會在兩者之間轉移,因此 1,175 與 1,101 之間的差距,並不是模型變差多少的測量。真正改變的部分確實存在——在現行排行榜規則下,第 14 名比第 6 名更不利——但連結兩者的算術並不存在。
WeMM-Video-4B 在任何排行榜上都沒有對應的欄位,而這種缺席是結構性的,並非待審核。AI 影片排行榜評比的是生成影片。一個能讀取影片並寫出句子的模型,無法被放進兩段影片之間的投票中。在全模態影片理解競技場出現之前,WeMM-Video-4B 的每一個數字都是騰訊自家的。
HiDream 的 API 實際上接受哪些內容
服務介面已有文件記載,而且範圍很窄,其狹窄之處直接對應到發布時的主張。
• 輸入 — 恰好一張參考影像,以公開 URL 或 Base64 形式提供,大小介於 40 KB 至 20 MB 之間。提示詞為選填,預設為空白。公告中將影片列為此模型的輸入之一;但請求結構中並沒有對應的欄位。
• 解析度 — 無選擇器。結果會保留參考影像的長寬比。公告中的 1080p 說法無法透過請求控制。
• 持續時間 — 一個布林值,force_10s,預設為 false。保留為 false 時由模型決定;設為 true 則會得到十秒。宣稱的五到二十秒範圍並沒有數值欄位。
• 音訊 —— 儘管此版本說明了原生同步音訊,卻未提供任何音訊輸入或音訊生成參數。
• 結果約定 — 非同步。你提交後會取得 task_id,然後進行輪詢。result.status = 1 表示每個子任務都已達到終止狀態,並不代表生成成功;成功要看 sub_task_results[].task_status = 1,其中 3 代表生成失敗,4 代表安全審查。
所以你可以呼叫的模型是一個具備兩種時長模式的圖像動畫工具。發布說明中所描述的模型,則是一個具備計畫時長的文字、影片、音訊聯合生成器。這兩種說法皆由同一家公司記錄在案,而其中的差異屬於路線圖規劃,並非相互矛盾。
WeMM-Video-4B 要求你打造什麼
另一方沒有必須狹窄的契約,因為根本沒有端點。WeMM-Video-4B 有 5,611,746,312 個參數——10.45 GiB 的 BF16 權重——以 Apache 2.0 授權發布,屬於一個包含四種尺寸的系列,而這四種尺寸全都在 2026 年 11 月 17 日的一個十九分鐘窗口內出現,技術報告 arXiv 2611.26409 則於 11 月 19 日跟進。
要讓它真正給出回答,得先做許多 HiDream 使用者從未看見的工作。vLLM 與 SGLang 的上游都不支援這個架構;該儲存庫為四個確切的上游版本提供原始碼疊加修補程式——vLLM 0.18.0 與 0.31.0、SGLang 0.5.16 與 0.5.19——每個版本都鎖定在特定的 PyTorch、Transformers 與 CUDA 12.9 組合,並搭配 Python 3.12、FFmpeg,以及 C++ 工具鏈與 Ninja,以供 SGLang 首次使用時編譯核心。GGUF 套件是為你從該儲存庫編譯的原生執行環境而建,並非供 llama.cpp 使用,且 Tencent 將其標記為 exported_unvalidated。
為此,你得到的是一個音訊堆疊異常龐大的描述器:42.1 億個參數的 Qwen3.5-4B 衍生語言模型、3.3 億的視覺塔,以及 10.7 億的 Whisper 風格音訊編碼器-解碼器,並以每秒 10 個 token 饋入 Q-Former。這個檢查點將近五分之一是耳朵,也難怪它的音視覺聯合分數會是值得注意的那些。
各模型進行比較時所處的模式
這裡一個公平的對照不是「哪個更好」,而是「哪一種模式才是你真正能觸及的」,而這兩個答案會落在不同的地方。
• HiDream-O1-Video-1.0 — 可達模式:影像轉影片,單一參考影格,固定長寬比,十秒或由模型決定,無音訊控制。評分模式:影像轉影片。排行榜與 API 一致。
• WeMM-Video-4B — 可達模式:輸入含音軌的影片、輸出文字,出廠設定為 16 個取樣幀與 8,192 個 token。計分模式:論文在影片表格中採 Thinking 模式,在音訊表格中採 Instruct 模式,在圖像與文字上再次採 Thinking 模式,且未說明所使用的幀數或上下文長度。
• 兩者——凡有數據者皆為廠商自行報告,且尚無第三方重現其中任何一項。HiDream 的優勢在於,其中一項配置是由非 HiDream 員工的人投票評選。


只有一方能回答的音訊問題
HiDream 生成音訊,而 WeMM-Video-4B 理解音訊。在功能清單裡,這兩者聽起來像是同一種能力,但其實不是;對正在建置管線的團隊來說,這項區別決定了哪一個才是真正相關的。
在生成端,HiDream 的發布說明描述了一個單一流程,將文字、影片與音訊一起建模,而非事後再加入聲音,因此脣形動作、環境氛圍與肢體動作共享同一條時間軸。能否操控這一點則是另一回事:已記載的請求並未暴露任何音訊參數,且公告也未公布音軌數量,因此對白、音樂與音效是否能作為可分離的音軌,在這兩方面都未經證實。
在理解方面,WeMM-Video-4B 在帶音訊的 Video-MME 上得分 83.9,對比 Qwen3-Omni-30B-A3B-Instruct 的 77.3 與 MiniCPM-o-4.5-9B 的 69.2;在 Daily-Omni 上則得分 82.5,對比 70.7 與 80.2。它在純音訊基準上輸給一款專有 flash 模型——MMAU 75.2 對 80.4、MMAR 67.3 對 74.0——但在 MMAU-Pro 上以 68.1 對 64.8 取得一勝。那些是 Tencent 在表 2 中、以 Thinking 模式跑出的數字,而實驗室之外沒有人重複過。
所以,誠實的總結是:其中一個模型能產生聲音,但你還無法檢視;另一個模型則能檢視你必須提供的聲音。在前者取得音訊參數、後者取得宿主之前,兩者都還不是製作流程會想要的音訊工具。
路由器能幫上忙的地方,以及幫不上忙的地方
OrcaRouter 這兩個模型都不提供。沒有 WeMM 端點——型錄中沒有任何 WeMM 檢查點——也沒有 HiDream 路由;HiDream-O1-Video-1.0 可透過 HiDream 自家平台及數個第三方平台存取。以下內容均不表示我們託管其中任何一個。
在這場對決中,路由器真正派上用場的地方是遷移本身,而為此所用的工具是路由 DSL,而不是模型清單。這兩個模型都位於一個明顯仍屬臨時性的服務介面之後——一個是帶有雙態終端旗標的單輸入預覽版,另一個是鎖定特定上游版本的來源覆蓋層——而把其中任一種寫死的堆疊,就是會因為別人的發布說明而壞掉的堆疊。能指定主要與備援,且能在單一請求內比較兩個模型、而非透過兩套整合來比較的路由策略,能把那種風險轉化為設定。這樣的做法運行在一個 OpenAI 相容端點之上,涵蓋超過兩百個模型,價格按供應商定價清單原樣傳遞、0% 加價,因此供應商一調價,當天就會反映。就 WeMM 工作負載中僅涉及視覺的部分而言,Qwen3-VL-235B-A22B-Thinking 與 Qwen3-VL-8B-Thinking 現在都已登上平台——這是繞開缺少 omni 檢查點的一種方法,而不是其音訊塔的替代品。

你能忍受哪一種狹隘?
若你本季度需要影片素材,而且一張參考圖像就足夠,HiDream-O1-Video-1.0 是兩者中唯一有可呼叫端點的,且其限制文件記載得夠清楚,一個下午就能據此完成整合。預算每分鐘 $5.80,請規劃十秒或由模型自行選擇,並讀取子任務狀態,而不是終端旗標。
如果你需要知道已有影片素材中有什麼——包括影片中說了什麼——WeMM-Video-4B 是兩者中唯一能回答的,而入場代價是一個已修補的推論引擎、一個 10.45 GiB 的檢查點,以及一個你應該在信任長影片結果之前調整的 16 幀取樣預算。
兩者都沒有提供比較頁面通常承諾的東西:一個可用來替它們排序的共同任務。它們不是同一個問題的兩個答案。它們是兩個模型,公開呈現的範圍都比論文來得小;而真正有用的工程判斷,是其中哪些落差是你能用自己的硬體彌補的。
本文中的比較1
根據本文內容識別
