بطاقة عنوان تحمل «WeMM-Video-9B مقابل Kandinsky 6.0 Video» مع عنوان فرعي «كلاهما مفتوح، ولم يُقَس أيٌّ منهما»، لوحتان تفصلهما قرص «vs»: اللوحة اليسرى معنونة WeMM-Video-9B مع شارة «Apache 2.0» وصفوف تقرأ «قارئ كثيف 9B»، «19.54 GiB BF16»، «16 إطارًا بمعدل 2 fps»، «فيديوهان لكل طلب»، «يُعيد نصًا»؛ اللوحة اليمنى معنونة Kandinsky 6.0 Video مع شارة «ترخيص MIT» وصفوف تقرأ «29B Pro، 3B Lite»، «5 ثوانٍ، 121 إطارًا، 24 fps»، «صوت 44.1 kHz أثناء المعالجة»، «لا وضع تمديد»، «نحو 7 دقائق على H100 لكل مقطع».
Guides & Insights

WeMM-Video-9B مقابل Kandinsky 6.0 Video: كلاهما مفتوح، ولم يُقَس أيٌّ منهما

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

This is a matchup where both models are open weights and both are free, which removes price from the comparison entirely and leaves two much harder questions: what each one will actually let you do, and whether anyone has checked. Kandinsky 6.0 Video, from Sber's Kandinsky Lab, was open-sourced on 6 October 2026 under MIT in two sizes — Pro at 29 billion parameters, Lite at 3 billion — with five-second clips, 44 kHz synchronised audio and lip-sync, and day-one support in Diffusers, ComfyUI, vLLM-Omni and SGLang. WeMM-Video-9B, from T​encent's WeChat Vision group, appeared six weeks later on 17 November 2026 under Apache 2.0 as 19.54 GiB of BF16 weights, unannounced, with no endpoint and no deployment story beyond a patched vLLM or SGLang overlay. Neither has an independent Elo anywhere. Neither will get one soon, for reasons that are worth separating.

يتعامل ما يلي مع الإصدارين على حقيقتهما: نموذج مفتوح بمستوى الإنتاج مع منظومة بيئية، وإصدار بحثي مع ورقة بحثية. كلا الوصفين مجاملة وكلا الوصفين قيد، والترتيب الذي تقرأهما به سيحدد أيهما ينبغي أن تنزّله.

خمس ثوانٍ هي المدة المدرَّبة.

ينتج Kandinsky 6.0 Video مقاطع مدتها خمس ثوانٍ، والكلمة المهمة هنا هي "مدرَّب"، وليس "افتراضي". خمس ثوانٍ عند 121 إطارًا هي المدة التي تعلّمها النموذج؛ وطلب المزيد ليس إعدادًا، بل استقراءً، وSber لا يقدّمه على أنه شيء آخر. وخلال تلك الخمس ثوانٍ تحصل على صوت بتردد 44 كيلوهرتز يُولَّد في التمريرة نفسها مع محاذاة مزامنة الشفاه، وهي قدرة غير معتادة بحق في ظل هذه الرخصة وهذا الحجم.

سطح النشر هو الجزء الذي يفصل بين الإصدارين على نحو أكثر حدّة. في اليوم الأول، أطلقت Kandinsky 6.0 Video حزمة Diffusers، ونقطة دخول عبر سطر الأوامر، وعقدتَي ComfyUI، ومساحتي Spaces. ثم دمج مساهم خارجي طلب السحب 8537 في vLLM-Omni، مسجّلًا خط الأنابيب باسم Kandinsky6TI2VAPipeline، ويقدّم تحويل النص إلى فيديو وصوت وتحويل الصورة إلى فيديو وصوت من DiT واحد.

WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation T​encent claims is that the patched runtime loaded the checkpoint on an H20 and completed a forward pass. Getting from there to a service is a day of toolchain work, and the repository is candid about it in the only way that matters: the status strings.

• FP8 Block128، 13.10 GiB — الحالة: quantized_and_independently_reloaded_native_inference_pending، مع كون native_inference_validated وnative_low_precision_gemm_validated كلاهما false.

• AWQ W4A16، 12.86 GiB — quantized_unvalidated.

• NVFP4 W4A16، 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread، مع كون GEMM FP4 الأصلي، واستدلال PRO5000، والتحقق عبر vLLM جميعها false، بالإضافة إلى إثبات رقمي لمتوسط RMSE نسبي قدره 0.095 مقابل حد 0.35.

• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on T​encent's own runtime, not llama.cpp or Ollama.

أربع بنيات مضغوطة، لا تفصل بينها أكثر من 0.42 GiB، ولم يتم التحقق من أي منها للاستدلال الأصلي. قارن ذلك بـ Kandinsky 6.0 Video، حيث يعني ترخيص MIT وأربع واجهات أمامية مستقلة أن مشكلة التحقق قد وُزِّعت بالفعل على أشخاص ليسوا من Sber.

Two-column scoreboard headed 'WeMM-Video-9B vs Kandinsky 6.0 Video — the scoreboard', six shared dimensions in rows: Price ('free, self-host' against 'free, self-host'), Board position ('none, unrankable' against 'none, no arena row'), Licence ('Apache 2.0' against 'MIT'), Clip length ('8 s of sampled input' against '5 s, 121 frames'), Audio ('reads the soundtrack' against '44.1 kHz in-pass'), Release ('17 Nov 2026' against '6 Oct 2026'), with a footer reading 'Kandinsky figures per Sber's own evaluation; WeMM-Video-9B figures vendor-reported.'

تسعة عشر جيجابايت ونصف، بالتفصيل

يعوّض WeMM-Video-9B عن قصة نشره المحدودة بسرد غير معتاد الاكتمال عن نفسه. يبلغ عدد المعاملات 10,488,603,384 موزعة على 1,305 موترات. والتوزيع منشور: عمود فقري لغوي بقدرة 7.94B يتضمن تضمين رموز بقدرة 1.02B، ورأس إخراج غير مرتبط بقدرة 1.02B، وبرج صوتي بقدرة 1.08B — 32 طبقة على طراز Whisper بعرض 1,280 خلف Q-Former ذي طبقتين، وعشرة رموز صوتية في الثانية — وبرج رؤية بقدرة 0.46B مكوّن من 27 كتلة، ببُعد مخفي 1,152، ورقعة 16، ودمج مكاني 2×2.

تُكمَّم FFN الكثيفة فقط في البِناءات المضغوطة: 96 مصفوفة لغوية، ثلاث لكل طبقة عبر 32 طبقة بأبعاد 4,096 × 12,288، أي 4,831,838,208 عنصرًا من أصل 10.49 مليار. تُستعاد Attention إلى BF16 — 152 مصفوفة إسقاط بالإضافة إلى 32 معيار إدخال، جميعها بتجزئات SHA-256 — وتبقى 1,209 موترات مطابقة على مستوى البت. ما يقرب من 3.57 مليار معامل، نحو 7.1 غيغابايت، من برج الرؤية وبرج الصوت والتضمين ورأس الإخراج لا تدخل المكمِّم إطلاقًا. لهذا توفر AWQ نسبة 34% مقارنةً بـ BF16 بدلًا من 70% التي يوحي بها الاسم.

لا يخبرك أيٌّ من هذا إن كان النموذج جيدًا أم لا. إنه يخبرك بأن الإصدار قابل للتدقيق، وهي فضيلة مختلفة ومُقلَّلة التقدير.

لا يمتلك أيٌّ منهما درجةً مستقلة.

لا يظهر Kandinsky 6.0 Video على أيٍّ من لوحات Artificial Analysis الثلاث الخاصة بالفيديو. ولا يظهر WeMM-Video-9B كذلك. ولغياب كلٍّ منهما سبب مختلف، والفرق بينهما مهم.

لا تملك Kandinsky 6.0 Video أي مشاركة في الساحة، وتتطلب لوحة تحويل النص إلى فيديو سعرًا عبر API قبل أن تُدرج أي نموذج — فخمس ثوانٍ من مخرجات مفتوحة الأوزان دون سعر تجاري ليس لها صف تشغله. أما WeMM-Video-9B فهو غير قابل للتصنيف بمعنى أعمق: فاللوحات تقيّم مقاطع الفيديو المولّدة، بينما هو يولّد نصًا.

ما يقدمه كل مختبر بدلًا من ذلك هو تقييمه الخاص، وينبغي قراءة كليهما بالدرجة نفسها من التشكيك.

• Kandinsky 6.0 Video — نتائج VABench المبلّغ عنها من الجهة المورّدة، إضافةً إلى تقييم بشري أجراه المختبر، بنحو 200 مقارنة ثنائية لكل معيار. كذلك انخفاض مُبلّغ عنه بنسبة 47% في معدل خطأ الكلمات في الكلام المُولَّد بعد التدريب اللاحق بالتعلم المعزز. هذا الرقم الأخير يستدعي تنبيهًا: فقد قِيس باستخدام Whisper-large-v3، بينما رقم معدل خطأ الكلمات في VABench الذي يُقارَن به يستخدم Qwen3-ASR-1.7B. محرّكان مختلفان للتعرّف على الكلام، ومعدلا خطأ مختلفان، ولا طرح صالح بينهما. قد يكون التحسّن حقيقيًا بالفعل؛ لكن الرقم كما هو معروض غير قابل للمقارنة.

• WeMM-Video-9B — أداة التقييم الخاصة بالمؤلفين، المُفصح عنها بأنها "النتائج الرسمية حيث توفرت وتقييماتنا الخاصة فيما عدا ذلك." في وضع التفكير على المهام السمعية البصرية المشتركة، يتفوق على Qwen3-Omni-30B-A3B-Instruct في 35 من 37 نتيجة مشتركة، بما في ذلك Video-MME مع الصوت 85.1 مقابل 77.3 وSciVideoBench 64.2 مقابل 49.9، ويخسر في واحدة، FutureOmni عند 53.7 مقابل 55.1. وفي الفيديو الصامت مقابل نموذجه الأساسي Qwen3.5-9B، يتقدم في F-16-NBA 88.7 مقابل 75.8 وTimeLens، ويخسر في MLVU وLVBench وVideoVista وVSI-Bench وMVBench.

إصداران مفتوحان، وتقييمان ذاتيان، دون أي طرف ثالث. هذا هو الواقع الفني الصادق لكليهما.

Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an image-to-video pipeline tag, the Diffusers and Safetensors libraries, the Kandinsky6TI2VAPipeline tag, an MIT licence, an arXiv reference, and the model card opening on the Kandinsky 6.0 family of diffusion models for video and audio generation.

ستة عشر إطارًا مقابل خمس ثوانٍ

حيث يلتقي الحدّان الأقصيان أكثر إثارةً للاهتمام من أيٍّ منهما بمفرده. يوفّر WeMM-Video-9B وصفة vLLM تتجاوز القيم الافتراضية للمعالج الخاص به — 2 fps، بحدّ أدنى 4 إطارات، وبحدّ أقصى 128 إطارًا و100,663,296 بكسل — وصولًا إلى 2 fps و16 إطارًا عند 262,144 بكسل، تُؤخذ عيّناتها حول منتصف المقطع. ستة عشر إطارًا بمعدل اثنين في الثانية تعني ثماني ثوانٍ من التغطية، كما يمرّر كل أمر خدمة سياقًا من 8,192 رمزًا مقابل 262,144 تضمينًا موضعيًا في البنية.

• Kandinsky 6.0 Video — خمس ثوانٍ إدخالًا، وخمس ثوانٍ إخراجًا، و121 إطارًا، وصوت بتردد 44 كيلوهرتز. طول تدريبي ثابت.

• WeMM-Video-9B — ثماني ثوانٍ من المدخلات المأخوذة كعينات، وإخراج نصي، مع المسار الصوتي الكامل حتى نحو ثلاث عشرة دقيقة بمعدل عشرة رموز في الثانية.

• الوصلة — مقطع من كاندينسكي مدته خمس ثوانٍ يتّسع داخل نافذة الثماني ثوانٍ لدى WeMM-Video-9B مع ثلاث ثوانٍ فائضة، وهي التهيئة الوحيدة التي يكون فيها توجيه مقطع مولَّد إلى الواصف نظيفًا.

• تكلفة الانضمام — تُفيد Sber بأن مقطعاً بدقة Full-HD يستهلك نحو سبع دقائق من زمن H100، لذا فإن توليداً مدته خمس ثوانٍ يعني حجزاً لمدة سبع دقائق قبل أن يحدث أي وصف على العتاد المحلي.

التوجيه حسب طول المقطع

لا يُقدَّم أيٌّ من النموذجين عبر OrcaRouter، ولن يُقدَّم: فكلاهما أوزان مفتوحة تستضيفها بنفسك. ما تفعله طبقة توجيه لخط معالجة كهذا هو أن تقرر أي فرع يعمل وأين، وDSL التوجيه هو المكان الصادق لوضع حد الثماني ثوانٍ. عبّر عن ذلك كسياسة — المقاطع الأقل من ثماني ثوانٍ إلى واصف WeMM-Video-9B المحلي، والمقاطع الأطول إلى نموذج omni مستضاف — وعندها يتوقف هذا الحد عن كونه تعليقًا في ملف إعداد لا يقرأه أحد حتى يعود مقطع مدته ستون ثانية موصوفًا في شذرات مدتها ثماني ثوانٍ.

بالنسبة للجزء المستضاف من تلك السياسة، واجهة API واحدة تغطي أكثر من 200 نموذج مع هامش ربح بنسبة 0% على سعر قائمة المزوّد، لذا فإن خط أنابيب يمتد بين واصف مستضاف ذاتيًا وآخر مستأجر يظل فاتورة واحدة ومفتاحًا واحدًا. تصل إليك تخفيضات أسعار المزوّد في اليوم الذي تصل فيه إلى المزوّد، وهو ما يهم عندما يُختار النصف المستضاف من عبء عملك على أساس السعر.

Screenshot of the OrcaRouter models catalogue showing the search field and the filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, above a product line reading 229 models, 17 providers, one API key and one bill.

نزّل كليهما، أو لا تنزّل أيًّا منهما

إذا كنت تريد خط أنابيب يعمل هذا الأسبوع، فإن Kandinsky 6.0 Video هو الجواب ولا يقترب منه أحد. رخصة MIT، وأربعة أسطح نشر في اليوم الأول، وصوت متزامن بتردد 44 كيلوهرتز مع مزامنة الشفاه، وطول مُدرَّب مدته خمس ثوانٍ يمكنك التخطيط على أساسه. أنت تتخلى عن المدة والتحقق المستقل.

إذا كنت تريد موصِفًا شاملًا للوسائط المتعددة بحجم 9B يمكنك تدقيقه، فإن WeMM-Video-9B هو الإجابة، والتدقيق هو المقصد: محاسبة كاملة للمعاملات، وتغطية مُفصّلة للتكميم، وسلاسل حالة صادقة على أربع بنيات غير مُتحقّق منها. أنت تتخلى عن عقد خدمة، ونظام بيئي، وأي أدلة تتجاوز جداول المؤلفين أنفسهم.

الخطأ هو قراءة "الأوزان المفتوحة" كخاصية واحدة. أحد هذين الإصدارين يتصرّف وكأنه منتج مرفق بترخيص. أما الآخر فيتصرّف وكأنه ورقة بحثية مرفقة بنقطة حفظ، وأيّهما تحتاج يعتمد كليًا على ما إذا كنت تحاول شحن لقطات أو فهمها.