標題卡寫著「WeMM-Video-9B vs HiDream-O1-Video-1.0」,副標題為「兩個窄腰」。兩個面板由一個 vs 圓形標籤分隔:左側標題為 WeMM-Video-9B,帶有「開放權重」徽章,各行寫著「無 Elo、無排行榜」、「讀取影片,回傳文字」、「19.54 GiB BF16」、「Apache 2.0」、「未公布」;右側標題為 HiDream-O1-Video-1.0,帶有「按量計費 API」徽章,各行寫著「Elo 1,101,排名第 14」、「6,976 票」、「每分鐘 $5.80」、「一張參考圖片」、「最長 10 秒」。
Guides & Insights

WeMM-Video-9B 與 HiDream-O1-Video-1.0:兩個狹窄的瓶頸

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

Both of these models are narrower in production than they are on paper, and they are narrowed by different things. HiDream-O1-Video-1.0 is narrowed by its own API: the announcement describes text, image and video input with five-to-twenty-second 1080p output and natively synchronised audio, and the HiHarness endpoint that actually exists accepts exactly one reference image, an optional prompt, and a boolean. WeMM-Video-9B is narrowed by having no serving contract at all — T​encent's WeChat Vision group published it on 17 November 2026 as Apache-2.0 weights and an arXiv preprint, 2611.26409, with no endpoint, no price and no announcement, so the sixteen-frame limit in its shipped vLLM recipe is not a policy anyone can appeal, it is just what the repository does when you follow its instructions.

因此,接下來的比較並不是在比能力,而是在比你能針對哪一種限制來做設計;而答案取決於你寧可付費換取有文件記載的上限,還是自行承載一個沒有文件記載的上限。

論文所述與 API 所接受的內容

HiDream-O1-Video-1.0 於 2026 年 8 月 28 日發布,並於 9 月 10 日登上圖像轉影片排行榜。廠商的公告內容相當廣泛:支援文字、圖像與影片輸入,可輸出五至二十秒的 1080p 影片,具備原生同步音訊、敘事規劃時長與物理約束。

HiHarness API 的範圍並不廣。它接受一張參考圖片——URL 或 Base64,不得大於 20 MB,也不得小於 40 KB——外加一個選用的文字提示,以及一個 force_10s 布林值。沒有解析度選擇器。沒有參考影片欄位。沒有音訊控制。如果你想要五秒,你會得到十秒;如果你想要二十秒,你會得到十秒。論文與端點之間的落差,是關於這個模型最具體的事實,也是最有可能改變你架構的一點。

• 輸入 — HiDream-O1-Video-1.0:一張參考影像加上選填提示詞。WeMM-Video-9B:影片、音訊、影像與文字,每次請求最多四張影像、兩段影片與兩段音訊。

• 輸出 — HiDream-O1-Video-1.0:1080p 影片搭配同步音訊,實際長度十秒。WeMM-Video-9B:文字支援英文或中文。

• 限制條件 — HiDream-O1-Video-1.0:API 介面。WeMM-Video-9B:隨附的取樣配方,16 幀、2 fps。

Two-column scoreboard headed 'WeMM-Video-9B vs HiDream-O1-Video-1.0 — the scoreboard', six shared dimensions in rows: Price ('$0.00, no endpoint' against '$5.80 per minute'), Board position ('none, unrankable' against 'Elo 1,101, I2V rank 14'), Input ('video, audio, images' against 'one reference image'), Output length ('text only' against '10 s in practice'), Audio ('reads the soundtrack' against 'synchronised in-pass'), Release ('17 Nov 2026' against '28 Aug 2026'), with a footer reading 'Artificial Analysis AA-Video-I2V v2.1 read 20 November 2026; WeMM-Video-9B figures vendor-reported.'

棋盤的一行,一個空格

HiDream-O1-Video-1.0 恰好只有一項獨立測量,而這是一項很適合拿來爭論的測量。

• AA-Video-I2V v2.1 — 在 6,976 個樣本上,以 Elo 1,101 ±14 排名第 14,2026 年 8 月發佈,每分鐘 $5.80。這是在大樣本上的緊密區間,且它夾在 Elo 1,109 的 Wan 3.0 與 1,105 的 Agnes-Video-2.5 之間——一個擁擠的分數帶,在這裡十四分的差距不過是一個區間。

• 未見於 AA-Video-T2V v2.1 與 AA-Video-Editing v1.1。文字轉影片的缺席才是耐人尋味之處,因為廠商自家的公告是以文字輸入為開頭。一個沒有文字轉影片資料列、也沒有參考影片欄位的模型,其文字轉影片的故事只存在於文字敘述中。

• WeMM-Video-9B — 在三個榜單上皆無列名,原因在於結構性差異:三者評比的皆為生成的影片內容,而它完全不生成影片。是空白格,而非低分。

每分鐘 $5.80,HiDream-O1-Video-1.0 是圖像轉影片排行榜上較便宜的選項之一。在已排名的模型中,只有每分鐘 $2.10 的 Pika H3 Flex、$2.40 的 HeyGen Video 1、$2.40 的 Agnes-Video-2.5、$5.04 的 Vidu Q4 Preview 和 $5.70 的 P-Video-2-Pro 價格低於它,而且它還勝過數款價格高出三到四倍的模型。

Screenshot of the Artificial Analysis image-to-video leaderboard, AA-Video-I2V v2.1, with ranked rows carrying Elo, confidence interval, vote count, release month and per-minute price, including HiDream-O1-Video-1.0 at rank 14 on Elo 1,101 over 6,976 samples at $5.80 per minute, between Wan 3.0 at 1,109 and Agnes-Video-2.5 at 1,105.

十九點五 GB 的細節

WeMM-Video-9B 大方之處,在於它對自身資訊的揭露。Hugging Face 紀錄列出橫跨 1,305 個張量的 10,488,603,384 個參數——一個 7.94B 語言主幹,包含 1.02B 詞元嵌入、未共享的 1.02B 輸出頭、一個 1.08B 音訊塔(由 32 層 Whisper 風格、寬度 1,280 的層組成,接在兩層 Q-Former 之後,每秒十個音訊詞元),以及一個 0.46B 視覺塔(27 個區塊、隱藏維度 1,152、patch 大小 16,並採用 2×2 空間合併)。

這種精確度是 HiDream 一方並未提供的誠實表現:Black Forest Labs 和 HiDream 都拒絕公布參數數量,而兩者也都沒有義務這樣做。但這也埋下了陷阱,因為詳盡的架構說明會讓人假設實際出貨的配置與之相符。事實並非如此。

• 處理器預設值 — 2 fps,最少 4 幀,最多 128 幀,總像素 100,663,296。

• 已發布 vLLM 配方 — 2 fps、16 幀、262,144 像素,約在片段中點附近取樣。

• 上下文 — 每個服務指令 8,192 個 token,而架構中有 262,144 個位置嵌入。

十六幀、每秒兩幀,就是八秒的涵蓋範圍,而取樣是從中間開始。一段六十秒的片段會失去開頭和結尾各二十六秒。架構本身允許遠比這更多的量;但這套配方不允許,而實際出貨的就是這套配方。

Screenshot of the Hugging Face model page for tencent/WeMM-Video-9B showing the image-text-to-text pipeline tag, Transformers and Safetensors libraries, English and Chinese languages, the arXiv identifier 2611.26409, an Apache 2.0 licence, a model card overview stating 19.54 GiB of BF16 weight files, and a file panel reading 10B params and BF16 tensor type.

十秒對八秒

把這兩個上限並排放在一起,決策的輪廓便會浮現。{{1}}無論你要求什麼,HiDream-O1-Video-1.0 都能給你十秒鐘、附有同步音訊的 1080p 成品。{{/1}} {{2}}無論你現有的影片素材有多長,WeMM-Video-9B 都只檢視其中八秒的片段。{{/2}}

這兩個數字都是任意的。HiDream 的十秒是體現於一個布林值的產品決策;WeMM-Video-9B 的八秒則是配方檔案中的預設值。兩者都不是物理定律。但只有其中一個附帶的廠商會告訴你邊界處會發生什麼事,而那不是以檢查點形式發佈的那一個。

如果你用 HiDream-O1-Video-1.0 生成一段十秒的影片,然後問 WeMM-Video-9B 裡面發生了什麼事,描述器會從這十秒的中間取樣八秒。有兩秒——最前面和最後面——永遠不會送達模型。那是個只要改設定就能解決的協調問題,而這正是這對組合會產生、且兩家廠商都未記錄的那種協調問題。

模型融合,以及它在何處值得這句話

這兩個模型都未託管於 OrcaRouter。HiDream-O1-Video-1.0 可透過 HiDream 自家平台及數個第三方平台取得;WeMM-Video-9B 則可透過下載取得。

像這樣的比較之所以會出現在編排對話裡,是因為這兩半失敗的方式不同。託管的那一半會明顯失敗——速率限制、逾時、錯誤碼——而這正是自動容錯移轉的用途。自架的那一半則是無聲地失敗:它對八秒的影片素材回傳一段信心滿滿的描述,卻對自己從未看見的那二十六秒隻字不提。模型融合在這裡是更有意思的工具,因為第二個模型以不同的取樣策略讀取同一段片段時,會在邊界處產生分歧,而這種分歧正是你唯一能得到的訊號,告訴你視窗太小了。

就託管環節而言,供應商牌價以0% 加成直接傳遞,這在每分鐘 5.80 美元時比平常更重要:便宜模型的供應商價格變動,百分比波動幅度會比昂貴模型更大;而追蹤公布的費率而非快取副本,能讓一百個短片的批次預測保持可靠。

你能活在什麼樣的限制之中?

如果任務是一張參考圖片加十秒,就選擇 HiDream-O1-Video-1.0。你會得到有文件說明的端點、同步音訊、$5.80 的費率,以及在圖生影片排行榜上第 14 名的位置。你要放棄文字生影片、解析度控制,以及十秒以外的任何時長。

如果工作內容是描述影片素材,就選 WeMM-Video-9B。你會得到一個 9B 全模態描述器,據報具備強勁的影音數據、Apache-2.0 授權,以及可稽核的參數數量。你則要放棄服務合約、獨立驗證,以及任何保證八秒視窗足以涵蓋你實際持有片段的承諾。

你不該做的是就品質來比較這兩者。兩者都沒有用同一種工具評估過,而且其中一個根本無法如此評估。真正值得做的比較,是兩個窄腰之間的比較——一個布林值和一個配方檔——以及哪一個你能圍繞它來建構,同時不對它實際看見什麼自欺。