標題卡寫著「WeMM-Video-9B vs Alibaba Wan 2.7」,副標題為「一張帳單與一個檢查點」,兩個面板由一個「vs」圓形標籤分隔:左側標示「僅權重」,列出 9B 稠密參數、19.54 GiB 的 BF16 分片、Apache 2.0 且未標價;右側標示「計量 API」,列出在 AA-Video-Editing v1.1 上的 Elo 1,074 以及每分鐘 16.90 美元。
Guides & Insights

WeMM-Video-9B 對比 Alibaba Wan 2.7:帳單與檢查點

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

先從帳單開始。Alibaba Wan 2.7在兩個 Artificial Analysis 影片排行榜上都有每分鐘費率,也有文件記載的時長範圍,這使它成為少數你能在寫下第一行程式碼之前就估算成本的影片模型之一。WeMM-Video-9B則完全沒有費率。騰訊的微信視覺團隊於 2026 年 11 月 17 日發布它,內容是十九點五 GB 的 Apache-2.0 權重——五個 BF16 分片、一張模型卡,以及編號 2611.26409 的 arXiv 預印本——然後就什麼也沒說。沒有發布文章、沒有定價頁面、沒有託管端點、沒有提交到排行榜。三天後,這些儲存庫合計仍顯示零次下載。所以,誠實的比較不是 Wan 2.7 與 WeMM-Video-9B 在品質上的較量;而是按量計費的服務與未定價的產物之間的對比,而你想拿來並排比較的那兩個數字,在兩邊都因同樣的原因而不存在。

以下內容區分三件事:Wan 2.7 文件與兩個排行榜所陳述的內容、WeMM-Video-9B 儲存庫與論文所宣稱的內容,以及兩個實驗室之外無人重現的內容。第三類正是 WeMM-Video-9B 大部分資料所在之處;若假裝不是如此,將是讓本文最快失去價值的方式。

Wan 2.7 以分鐘計費

Alibaba 的 Wan 2.7 費率表對影片模型來說異常清晰易懂。這套產品具備四種模式——文字轉影片、圖片轉影片、參考轉影片與影片編輯——而價目表上顯示的定價是直接的每分鐘金額,而不是你得逆向推敲的點數制度。

• AA-Video-Editing v1.1 — Wan 2.7 以 Elo 1,074 ±8、涵蓋 22,754 個樣本排名第 9,發佈月份為 2026 年 4 月,價格為每分鐘 $16.90。在前三名之外,這個區間是整個榜單上最窄的,而這正是兩萬兩千張選票所換來的。

• AA-Video-T2V v2.1 — 同一系列以 Wan2.7-260612 之名出現,於 2026 年 6 月,在 6,965 個樣本上以 Elo 1,035 ±13 排名第 20,每分鐘 $9.00。同一供應商、不同任務、不同價格,且其 Elo 無法轉換為編輯分數。

• Wan 2.7 完全沒有出現在圖生影音排行榜上。Wan 3.0 有——以 1,109 分排名第 12——而這個缺席值得仔細解讀。這並不代表 Wan 2.7 無法讓靜態圖片動起來;而是代表該競技場尚未將其列入排名。阿里巴巴的這套產品確實標榜首尾關鍵影格控制、最多五張主體圖片與五段參考片段,以及 720p 至 1080p 的原生音訊輸出。排行榜未予評分的能力,依然是能力。

有一點與預算編列有關的背景值得說明:Wan 2.7 是前一代產品。Wan 3.0 如今同時稱霸文生影片榜(1,176)與剪輯榜(1,197),而且在文生影片方面是兩者中較便宜的,每分鐘 $12.00,對比 Wan 2.7 每分鐘 $9.00 的剪輯費率。如果你現在是要從阿里巴巴的模型裡挑一個來用,而不是在做評比,那結論早就已經往前走了。

9B 檢查點究竟是什麼

WeMM-Video-9B 不是影片生成器,而光是這句話,就在這項比較中發揮了大部分作用。它是一個影片理解模型:你將影格連同原始音軌交給它,它就會回傳文字。描述、轉錄、時間推理,以及針對你已持有影片素材的問答。

這個儲存庫對其內部內容的說明異常具體,而這正是低調發布勝過高調宣傳的一處。Hugging Face 紀錄列出橫跨 1,305 個張量的 10,488,603,384 個參數,BF16,19.54 GiB 分成五個分片。分項列出如下:7.94B 語言主幹,包含 1.02B token 嵌入、未綁定的 1.02B 輸出頭、1.08B Whisper 風格音訊塔(32 層、寬度 1,280,位於兩層 Q-Former 之後),以及 0.46B 視覺塔(27 個區塊、隱藏寬度 1,152、patch 大小 16、2×2 空間合併)。語言堆疊為 32 層、隱藏維度 4,096、16 個注意力頭對上 4 個鍵值頭、頭維度 256,並採用混合線性注意力——每三個線性層搭配一個全注意力層——以及 262,144 個位置嵌入。

實務上,這帶來的是寬廣的輸入與狹窄的輸出。影片、音訊、圖像和文字都能輸入。輸出的是文字,英文或中文皆可。整個架構中完全沒有影格合成,而且再怎麼提示也無法產生影格。

Two-column contrast headed 'WeMM-Video-9B vs Alibaba Wan 2.7', the left listing 9B dense parameters, 19.54 GiB of BF16 shards, Apache 2.0 and no price, the right listing Elo 1,074 on AA-Video-Editing v1.1, $16.90 per minute and 2 to 15 seconds per clip, with a footer reading 'Artificial Analysis figures read 20 November 2026; WeMM-Video-9B figures from the repository.'Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, the arXiv identifier 2611.26409, an Apache 2.0 licence, and model card text stating 19.54 GiB of BF16 weight files.

兩個不會相遇的時鐘

真正能決定結果的比較,在於時間與金錢,而雙方都有上限。

• Wan 2.7 的上限是時長。每次生成二至十五秒,720p 至 1080p,按秒計費。在按下開始前,一支十五秒的 1080p 片段就是可預期的已知量。

• WeMM-Video-9B 的上限就是上下文。此處理器預設為每秒 2 幀,最少 4 幀、最多 128 幀,總預算為 100,663,296 像素。隨附的 vLLM 配方會將上述全部覆寫為 2 fps 與 16 幀、262,144 像素——大約是從片段中點取樣得到的八秒涵蓋範圍。儲存庫中的每個服務指令也都會傳入 8,192 個 token 的上下文長度;以每秒十個音訊 token 計算,若把預算全花在聲音上,那大約是十三分鐘的音訊。

• 不匹配之處。Wan 2.7 可生成十五秒的影片,而 WeMM-Video-9B 在出廠設定下只看八秒。若你的流程先產生一段影片,再請模型描述其中發生了什么,那麼描述端實際上只取樣了輸出的一半。這並非任一產品的缺陷,而是你必須刻意調整的設定,而該儲存庫自帶的範例並不會替你改動它。

他們兩人都沒加入的董事會

這場對決的結構性問題,直說就是這樣。Artificial Analysis 的每一張影片排行榜,評的都是生成出來的影片素材。文字轉影片、圖像轉影片、影片編輯——這三類做法都是拿一個輸出像素的模型,再依人類兩兩比較的偏好來替它排名。WeMM-Video-9B 輸出的卻是 token。

這並不是說 WeMM-Video-9B 得分很差,而是它根本無法列入評比。Wan 2.7 有兩列,兩者的區間都窄到足以引人爭論;WeMM-Video-9B 則一列也沒有,而且在有人建立影片理解競技場之前也不會出現。這意味著,關於本文主題的唯一品質證據,就是作者自己的表格。

那張表並非無足輕重。在音視訊聯合任務的思考模式下,9B 檢查點在 37 項共同數據中有 35 項勝過 Qwen3-Omni-30B-A3B-Instruct——Video-MME 含音訊為 85.1 對 77.3、Daily-Omni 為 83.6 對 70.7、SciVideoBench 為 64.2 對 49.9、OmniReasoningBench 為 43.9 對 24.1——且恰好只輸一項,FutureOmni 為 53.7 對 55.1。在無聲影片上,與自身的 Qwen3.5-9B 主幹相比,它在 F-16-NBA(88.7 對 75.8)和 TimeLens 上有所提升,並在 MLVU、LVBench、VideoVista、VSI-Bench 和 MVBench 上落後。論文表示,其報告「有官方結果時採用官方結果,否則採用我們自己的評估」,這是正確的揭露,也正是這些結果全都不具獨立性的原因。

Screenshot of the Artificial Analysis video-editing leaderboard, AA-Video-Editing v1.1, with ranked rows carrying Elo, confidence interval, sample count, release month and per-minute price, including Wan 2.7 at rank 9 on Elo 1,074 over 22,754 samples at $16.90 per minute.

OrcaRouter 的定位

這兩款模型都不是透過 OrcaRouter 提供的,而本文也不會假裝不是如此。Wan 2.7 可透過阿里巴巴自家的 API 及數個第三方平台存取;WeMM-Video-9B 則可透過下載取得。

這裡真正該談的是計費層面,因為團隊最後會拿生成器與描述器來比較,原因在於兩者都會接入同一條管線。OrcaRouter 會將供應商牌價以0% 加價透傳,這表示供應商降價在他們那邊生效的當天,就會反映到你的發票上,而不是等到經銷商重新定價時才反映。如果 Wan 2.7 的 $16.90 編輯費率像 Wan 3.0 那樣變成 $12.00,你在下一張帳單上就會看到。對於其中一部分按秒計量、另一部分是你自行託管的檢查點的工作負載來說,讓按計量計費的那一半以成本價列報,就是能否預測預算的差別所在。

應該為哪一個編列預算?

如果交付成果是影片素材,Wan 2.7 是兩者中唯一能產出這類成果的模型,那麼決策就簡化為:每分鐘 16.90 美元的剪輯,或每分鐘 9.00 美元的文生影片,相較於排行榜其餘選項是否具競爭力。兩者分別排名第 9 與第 20,皆處於中段。

如果交付成果是針對你已持有的影片素材所作的陳述,那麼兩者之中只有 WeMM-Video-9B 能產出它;此時決策就取決於你是否能負擔一套修補過的 vLLM 或 SGLang 安裝、一個 19.54 GiB 的檢查點,以及八秒的取樣視窗,以換取一個具備真正強勁影音指標的 9B 等級描述器。

陷阱在於把 $16.90 和 $0.00 讀成同一種數量。前者是一項你今天下午就能呼叫的服務的計量費率。後者則是服務的缺席,而這種缺席的代價,要付在整合工作上,也要付在這件事實上:Tencent 以外沒有人告訴過你這些數字是否成立。