主視覺標題卡寫著「WeMM-Video-9B 對決 Wan 3.0」,副標為「一個賣的是秒數。一個把秒數讀回來。」,並有三個數據標籤分別寫著 10.49B 開放權重、預設 8 秒檢視與 30 秒片段上限,頁尾則寫著 WeMM-Video-9B 的數據來自騰訊的儲存庫與 arXiv 2611.26409,而 Wan 3.0 的數據則來自阿里巴巴與 Artificial Analysis。
Guides & Insights

WeMM-Video-9B vs Wan 3.0:售出的秒數,觀看的秒數

作者

Alistair Wren

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

Wan 3.0按秒販售影片。WeMM-Video-9B則把它們讀回來。這就是比較的全部,也是為什麼在這兩者之間進行逐維度的規格爭論幾乎毫無意義:一個是回傳 MP4 的生成模型,另一個是回傳一句話的全模態理解模型。它們不是競爭對手,而是同一條管線的兩半——先產出一段短片,再檢查它——而有趣的問題不是誰勝出,而是各自從哪裡開始變得不可用。

它們之中只有一個才是新聞。騰訊上傳了WeMM-Video-9B以及十八個同系列儲存庫,時間是 2026 年 11 月 17 日 08:53:50 UTC 起五分鐘內;並於 11 月 19 日以 arXiv 2611.26409 發表技術報告,卻完全沒有對外宣布:沒有部落格文章、沒有發布頁面、沒有付費方案。截至撰稿時,9B 儲存庫顯示零下載,該合集只有寥寥幾個讚,且沒有推論供應商提供該模型。Wan 3.0則完全相反——阿里巴巴於 2026 年 8 月 6 日將其放入公開測試,並於 8 月 24 日正式推出,比本文早八十八天,目前位居兩個獨立排行榜榜首。以下關於 Wan 3.0 的所有內容,都是已推出、已定價、經獨立評分的產品。關於WeMM-Video-9B的一切,都來自其自家儲存庫或作者的 PDF,而這兩處也是任何關於它的數字唯一存在的地方。

每一個實際上會回傳什麼

這些規格描述的是不同的工作,正因如此才值得並列比較。

• 輸出 — WeMM-Video-9B會傳回文字,可以是中文或英文。Wan 3.0則會傳回最長 30 秒、含原生音訊的生成短片。

• 輸入 — 9B 版本可接收帶有原始音軌的影片影格、無聲影片、獨立音訊、圖片與文字,並能同時對所有這些內容進行推理。Wan 3.0 接受文字、圖片、影片與音訊提示,此外在其系列中獨特地支援文件:doc、xls、ppt、pdf、md、txt,每個檔案最大 100 MB 或 50 頁,可直接轉換成影片。

• 權重 — WeMM-Video-9B在 Hugging Face 上以 BF16 發布 Apache 2.0 權重,並提供四種量化版本(FP8 Block128、AWQ W4A16、GGUF Q4_K_M、NVFP4 W4A16)。Wan 3.0 並未公布權重;它是按用量計費的封閉式 API。

• 價格——9B 沒有託管價格,因為沒有任何服務託管它;你的成本是一張 GPU、一個修補過的執行環境,以及你自己的時間。Wan 3.0 按輸出每秒計費:在 480p、720p 與 1080p 下,每秒分別為 0.3、0.6 與 1.2 元——約 0.05、0.10 與 0.20 美元——Artificial Analysis 在其排行榜上將其換算為每分鐘 $12.00。

• 獨立評分 — 沒有針對 WeMM-Video-9B。Artificial Analysis 在任何排行榜上都未列出任何 WeMM 模型。Wan 3.0 在 Artificial Analysis 文字轉影片排行榜以 Elo 1,176 排名第一(95% 區間 1,163 至 1,189,8,243 個樣本),並在其影片編輯排行榜以 1,197 排名第一(1,187 至 1,207,9,919 個樣本),在圖像轉影片則以 1,109 排名第十二。

Two-column scoreboard titled 'WeMM-Video-9B vs Wan 3.0 — the scoreboard'. Left column WeMM-Video-9B: output text in Chinese or English, weights Apache 2.0 open now, price no hosted API, independent Elo none, context declared 262,144, shipped video view 8s at 2 fps. Right column Wan 3.0: output video with audio, weights closed API only, price 0.3-1.2 yuan per second, independent Elo 1,176 text-to-video, context declared not published, shipped clip length 30s single run. Footer states WeMM figures are vendor-reported and unaudited, and the Wan 3.0 Elo is per Artificial Analysis, November 2026.

價格差距不是價格差距

每分鐘十二美元是大家會引用的數字,但這個數字不該拿來和 9B 的任何東西相比,因為這兩種帳單衡量的東西不同。Wan 3.0 是按產出的時長收費。WeMM-Video-9B完全沒有按單位計費——它的成本落在你已經擁有的硬體上,而誠實的定價方式是算出它佔用一張顯示卡的多少比例,以及每小時能產出多少段短片。

佔用數字可從儲存庫中實際測得。BF16 檢查點包含 19.54 GiB 的權重檔案,以及橫跨 1,305 個張量的 10,488,603,384 個參數——是 104.9 億,而非 90 億,因為名稱中的「9B」指的是 Qwen3.5-9B 語言主幹,而非整個堆疊。AWQ W4A16 版本則為 12.86 GiB。這相當於減少 34%,而非四位元方案所暗示的 75%;原因在匯出器資訊清單中顯而易見:只有稠密前饋矩陣被壓縮,而視覺塔、以 Whisper 為基礎的音訊編碼器、嵌入層、輸出頭以及每一個注意力權重都維持原始精度。約 57 億個參數每個仍佔兩個位元組,這設下了一道任何四位元方案都無法低於的下限。任何依名稱來估算部署規模的人,都會偏差約 1.5 GiB 和一個精度等級。

真正重要的成本比較,不是美元對美元,而是:一次 API 呼叫,每完成一秒成品影片收費 0.20 美元,對上常駐記憶體達 13 到 20 GiB 的模型、修補過的推論服務堆疊,以及你的 GPU 每小時成本。對已經在執行推論的團隊來說,後者可能更便宜。對想在週五前拿到短片的團隊來說,前者是唯一存在的選項。

9B 對上 30B 時會落在什麼位置

唯一有具體數字的地方WeMM-Video-9B的評估,而論文中最受矚目的說法則是關於它更大的同系列模型——35B-A3B 模型在全模態影片上樹立了新的開源最先進水準,並逼近 Gemini-3.0-Flash。9B 則有較低調的主張:它勝過 Qwen3-Omni-30B-A3B-Instruct,而後者規模約為它的三倍。在 Thinking 模式下,在音視訊聯合表格上,它確實做到了。

• 含音訊的 Video-MME — 9B 版本為 85.1,Qwen3-Omni-30B-A3B-Instruct 為 77.3,MiniCPM-o-4.5-9B 為 69.2。

• 含音訊的 Video-MME-v2 — 51.6 對 36.3,差距達 15.3 個百分點。

• 推理導向的列 — SciVideoBench 64.2 對 49.9,MMOU 71.7 對 60.5,EvaOmni 50.7 對 26.1,OmniReasoningBench 43.9 對 24.1。

• 落後之處——FutureOmni 為 53.7,對手為 55.1;JointAVBench 則在 64.6 打成平手。

更有趣的比較是內部比較,而且是引用這篇論文的人都不會提到的那個。將 9B 與 35B-A3B 旗艦模型在相同的 17 列上進行比較,差距很小:在含音訊的 Video-MME 上為 85.1 對 86.4,在 Video-MME-v2 上為 51.6 對 54.9,在 MMOU 上為 71.7 對 74.5。在其中一列,較小的模型直接勝出——SVHalluc 為 86.8 對 80.3。一個僅承載旗艦模型一小部分活躍參數的模型,在主要基準測試上的差距在 1.3 分以內。這是該儲存庫中特別支持 9B 的最強論據,而且這是關於部署成本的論據,不是關於能力的論據。

9B 也並非對其所繼承主幹的全面升級。在無聲影片表格上將其與一般 Qwen3.5-9B 相比,會看到一個朝「事情何時、何地發生」調校的模型,並在其他方面付出可測量的代價:F-16-NBA 88.7 對 75.8、TimeLens-QVHighlights 66.8 對 64.3、TOMATO 48.5 對 45.0——但 MLVU 82.4 對 84.4、LVBench 68.2 對 70.0、VSI-Bench 54.5 對 58.3、MVBench 71.4 對 74.4。如果你的任務是長影片摘要,視聽機制已讓你付出代價,而主幹原本在這方面做得更好。

預設為八秒的覆蓋時間

這正是兩個模型可以直接比較的地方,因為這是對持續時間的限制——而數字相差甚遠。

Wan 3.0 單次執行可生成長達 30 秒的影片,是 Wan 2.7 的 15 秒上限的兩倍,並附有影片延伸工具,可串接更長的敘事。WeMM-Video-9B 出貨時檢視的是八。

落差不在檢查點。9B 在其文字設定中宣告了 262,144 個位置嵌入,這是相當大的額度。落差出在 recipes。處理器預設為 2 fps,最少四幀、最多 128 幀,以及總像素 100,663,296;而騰訊公布的 vLLM 指令則把這四項全都覆寫為 2 fps、16 幀與 262,144 像素。在 2 fps 下,十六幀是從片段中段擷取出的八秒涵蓋範圍。儲存庫中的每個 serving 指令也都會傳入 --max-model-len 8192 或 --context-length 8192,且儲存庫中沒有任何內容說明如何達到更大的宣告數值。

• 影格預算 — 出貨預設為 16 個影格、2 fps,亦即約 8 秒,相較於 Wan 3.0 的 30 秒單次生成。

• 音訊成本 — 音訊堆疊每秒產生 10 個權杖,因此 8,192 個權杖的預算大約是十三分鐘的音訊,別無其他;帶有配樂的片段會把同一筆預算同時用在影格和音訊上。

• 每請求媒體 — 四張圖片、兩段影片和兩個音訊項目,依照 vLLM 與 SGLang 兩份配方中隨附的限制。

除了 WeChat Vision 之外,沒有人公布過基準測試執行時採用的是哪種取樣。如果你要重現上表中的某個數字,這就是第一個必須先釐清的未知數,而預設搭載的 16 幀並不是合適的起點。但上限確實存在:對於任何長度超過單一鏡次的內容,9B 只能做抽查,稱不上審查者,除非你提高幀數上限,並為此在上下文上付出代價。

Screenshot of the Artificial Analysis text-to-video leaderboard captured in headless Chromium at 1440 pixels wide, showing Wan 3.0 ranked first with an Elo of 1,176 above the rest of the board, with no WeMM model listed anywhere in the ranking.

還沒有人測量過的數字

有三項事實橫亙在這個模型與任何有把握的建議之間,而它們值得直截了當地說出來,而不是被埋沒。

第一點是,上述所有分數皆由廠商自行回報。目前對WeMM-Video-9B的獨立評測,在任何地方都不存在——沒有 Arena Elo、沒有第三方重現、也沒有排行榜收錄。這些表格出自訓練該模型的同一批作者,涵蓋他們自行挑選的 120 多項基準,其中若干基準使用不同的評審:論文評測會依任務不同,分別採用 GPT-6.1-Sol、GPT-4o 與 Qwen3-235B-A22B。因此,論文內部的跨模型比較,其實是在不同評分者下產生的數字之間的比較;這是論文有指明的注意事項,但任何引用該表格的人往往會略去不提。

第二點是模式拆分,使得兩筆資料列無法互相比較。全模態影片表格讓 WeMM 模型以 Thinking 模式執行;音訊表格則讓它們以 Instruct 模式執行,這是基於作者的判斷:標準音訊基準測試屬於直接的感知任務。這樣做站得住腳,但也意味著某一表格中的 WeMM 資料列無法與另一表格中的競爭對手資料列對齊比較。

第三個是分發。零下載量無論如何都不能證明品質好壞,但這確實意味著沒有大量實務使用者的回報——沒有失敗模式的案例,沒有「它在音樂影片上會產生幻覺」這類回報,也沒有那種人們吃過苦頭才發現影格上限的討論串。Wan 3.0 已經有八十八天這樣的累積,加上在 ComfyUI、Leonardo.Ai 和 Envato 的推出整合。對於「在生產環境中實際會出什麼問題」這個問題,其中一個模型有答案,另一個則只有一個儲存庫。

Screenshot of the Hugging Face repository page for tencent/WeMM-Video-9B, showing the model card at the top of the page and the repository tab bar, for a repository with no linked launch announcement.

今天執行這對

如果你兩者都要,它們的安裝方式完全不同,而且兩者都不在路由平台上。

Wan 3.0 是按用量計費的 API 呼叫。可透過阿里自家主控台及第三方創作工具使用,依秒計費,480p、720p 與 1080p 分別為 0.3、0.6 與 1.2 元;真正的採購問題只有一個:你的審核環節需要哪種解析度,因為那正是乘數所在。

WeMM-Video-9B是一項自架(self-host)任務。你需要 Python 3.12、搭配 CUDA 12.9 驅動程式的 NVIDIA GPU、FFmpeg 與 TorchCodec 共享函式庫,然後還要套用該儲存庫的執行階段修補程式:修補過的 vLLM 0.18.0,若使用 BF16 則為 0.31.0,或是修補過的 SGLang 0.5.16 或 0.5.19,並且必須鎖定在修補清單中針對你的引擎版本所指定的確切 PyTorch、Transformers 與 CUDA 組合。載入時還需要 trust_remote_code,因為此模型隨附自訂的建模與處理器程式碼。騰訊已驗證修補過的 vLLM 能在 H20 上載入檢查點,並完成文字、影像、音訊以及帶配樂影片的生成檢查;這屬於載入並執行的驗證,並非準確度聲明。GGUF 途徑則需要從原始碼建置原生執行階段。

OrcaRouter 不提供 WeMM-Video-9B,而且其型錄完全沒有列出任何 WeMM 檢查點,因此沒有託管價格可報,也沒有端點可呼叫。平台確實有提供的是同一項工作的視覺那一半——Qwen3-VL-8B-Thinking 與 Qwen3-VL-235B-A22B-Thinking 都能接收影像與影片影格——可透過同一把 OpenAI 相容金鑰,與 200+ 個其他模型 一起使用,並依供應商定價原價轉嫁,加價 0%。它們兩者都聽不到任何聲音,因此都無法替代影音那一半。如果計畫是嘗試自架的 9B,而不把正式生產路徑放在它上面,那麼讓它排在容錯移轉規則之後,是在你把顯示卡投入之前,用來確認修補過的執行環境能否在你的併發量下撐住的便宜方法。

這種搭配本身是一套工作流程,而不是基準測試。用 Wan 3.0 生成,然後把片段交給一個回傳描述而非像素的模型:場景是否符合提示詞、語音是否清晰可懂、音訊是否對上動作。這裡沒有任何東西衡量WeMM-Video-9B是否特別擅長這項工作、足以對上 Wan 3.0 自身的輸出——沒有人實際跑過。八秒的影格預算是最該先測試的限制,因為如果你的片段是三十秒,審查者只會看到每段影片的四分之一。

什麼會改變答案?

三件可斷代的物品,依它們對建議的影響程度排序。

一項獨立評分,針對 WeMM-Video-9B。只要有一筆 Artificial Analysis 的登錄資料,或是由與作者不具同一雇主關係的一方所提供的一項競技場結果,就能讓上表從一項主張轉變為一次實測。在那之前,誠實的解讀是:一個搭載 9B 主幹的 10.49B 檢查點,在騰訊自家的基準測試上,得分接近其自家的 35B-A3B 旗艦模型,而這已是所能斷言的一切。

託管端點。此模型需要修補過的執行環境、自訂程式碼,以及 13 到 20 GiB 的常駐記憶體佔用;當有供應商透過 API 提供它的那一天,本文中的價格比較就不再是範疇錯誤,而會變成算術。

一套使用所宣告上下文的配方。該檢查點已宣稱具備 262,144 個位置。如果騰訊推出一個提高影格上限並實際運用它的服務設定檔,那麼八秒的預設值就會變成一個設定細節,而不是上限——而 9B 也不再只是短片的抽查工具。

目前這樣的分工很清楚。當你需要影片素材時,就選 Wan 3.0;它已經推出、已有定價、在兩個獨立排行榜上都名列前茅,而且是這兩者中唯一一個你今天下午就能呼叫的。WeMM-Video-9B,當你需要一個既能聽見配樂、也能看見畫面的模型,手邊還多一張顯示卡,而且願意成為第一個弄清楚這八秒配方究竟是預設值還是限制的人時。這兩者並不是在為同一個決策競爭。

本文中的比較2

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新