Kandinsky 6.0 Video vs. Alibaba Wan 2.7: Offene Gewichte gegen eine Vier-Modell-Suite

Kandinsky 6.0 Video liefert Ihnen einen Checkpoint mit 29 Mrd. Parametern zum Herunterladen und im Gegenzug einen Fünf-Sekunden-Clip. Wan 2.7 liefert Ihnen vier aufgabenspezifische Varianten, Clips von bis zu fünfzehn Sekunden und eine Abrechnung pro Sekunde. Diese beiden Sätze sind der Vergleich, und der Grund, warum es sich lohnt, sie aufzuschreiben, ist, dass die meisten Direktvergleichsseiten sie anhand der visuellen Qualität vergleichen, wo keiner von beiden über einen unabhängigen Wert verfügt, der das entscheiden würde – und die Achse auslassen, auf der sie sich wirklich unterscheiden, nämlich das, was jeder von ihnen von Ihnen erwartet, dass Sie mitbringen.

Das Kandinsky Lab von Sber hat Kandinsky 6.0 Video in der ersten Oktoberwoche 2026 unter MIT-Lizenz als Open Source veröffentlicht, in zwei Größen — Pro mit 29B und Lite mit 3B — mit Code, Checkpoints und Diffusers-Integration. Alibabas Wan 2.7 wurde am 3. April 2026 als Suite veröffentlicht: Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Video-Edit, abgerechnet pro Sekunde generierten Videos. Eines davon ist ein Modell, das man selbst betreibt; das andere ist ein Dienst, den man kauft. Die interessante Frage ist nicht, welches besser ist, sondern welches die richtige Form für die Arbeit hat.

Die eine Achse, auf der sie direkt vergleichbar sind

Beide Modelle erzeugen Video mit Ton, nicht Video, das man anschließend vertont. Das ist seltener, als es klingt, und deshalb werden diese beiden überhaupt zusammen genannt — der Großteil des Feldes produziert noch immer ein stummes MP4 und überlässt das Audio einem separaten Durchgang.

Kandinsky 6.0 Video bewerkstelligt dies mit einem Dual-Stream-CrossDiT: einem Videostream, initialisiert aus dem Kandinsky 5.0 Video Checkpoint, einem Audiostream, der von Grund auf auf großen Audiokorpora trainiert wurde, und bidirektionaler Cross-Attention, die beide verbindet, gemeinsam trainiert nach einer kontinuierlichen Pretraining-Phase. Die Ausgabe ist 44-kHz-Audio mit Lip-Sync, aus einem Text-Prompt (T2AV) oder einem Referenzbild (I2AV).

Wan 2.7 erzeugt ebenfalls nativen Ton, ohne den Mechanismus im gleichen Detail zu veröffentlichen. Die eigene Dokumentation nennt Audioqualität und die Genauigkeit von Text auf dem Bildschirm als die beiden Bereiche, die noch Arbeit brauchen – ein Vorbehalt zur Wiedergabetreue, den man festhalten sollte, weil es der Anbieter selbst sagt und nicht ein Rezensent, der rät.

Dort endet die Ähnlichkeit. Alles unterhalb dieser Linie ist eine Abweichung, keine Rangfolge.

Fünf Sekunden gegen fünfzehn – und was das mit einer Shotlist macht

Kandinsky 6.0 Video ist auf 121 Frames bei 24 fps trainiert – fünf Sekunden – und die Veröffentlichung enthält keinen Erweiterungsmodus. Das Paper, das in vLLM-Omni integrierte Serving-Rezept und die Performance-Tabelle des Repositorys sind alle auf diese eine Cliplänge ausgelegt. Ein dreißigsekündiges Stück besteht aus sechs Generierungen und fünf Übergängen, und die Übergänge musst du verbergen.

Wan 2.7 deckt in einer einzigen Generierung zwei bis fünfzehn Sekunden ab, wobei die Dauer pro Anfrage festgelegt wird. Bei einem Talking-Head-Clip, einem Produkt-Insert oder einer einzelnen Kamerabewegung ist dieser Unterschied kein bloßer Komfort – er ist der Unterschied zwischen einem einzigen Render und einem Montageschritt. Bei allem, was Shot für Shot aufgebaut wird, sind fünf Sekunden eine normale Arbeitseinheit, und die Lücke verschwindet weitgehend.

• Max. Clip — Kandinsky 6.0 Video: 5 s, fest, 121 Frames bei 24 fps. Wan 2.7: 2–15 s, je nach Anfrage festgelegt.

• Auflösung — Kandinsky 6.0 Video: SD, HD und Full HD (1920×1080) durch ein separates Super-Resolution-Modell. Wan 2.7: bis zu 1080p.

• Referenzkonditionierung — Kandinsky 6.0 Video: ein Bild, angewendet als maskiertes Endframe. Wan 2.7: bis zu fünf Subjektbilder und fünf Referenzclips, zehn Assets pro Anfrage.

• Aufgaben — Kandinsky 6.0 Video: T2AV und I2AV. Wan 2.7: Text-zu-Video, Bild-zu-Video, Referenz-zu-Video und Video-Bearbeitung als separate Varianten mit separater Abrechnung.

• Gewichte — Kandinsky 6.0 Video: MIT, herunterladbar, Pro und Lite. Wan 2.7: nein.

Vier Aufgaben gegen zwei Modi

Die Aufgabenanzahl ist der Teil von Wan 2.7, der in Vergleichstabellen unterbewertet wird, denn sie ist keine Qualitätsaussage – sie ist eine Aussage über den Funktionsumfang. Instruktionsbasiertes Bearbeiten von vorhandenem Filmmaterial, bei dem man eine Änderung beschreibt und dieselbe Einstellung mit der vorgenommenen Änderung zurückerhält, ist ein Arbeitspensum, das Kandinsky 6.0 Video gar nicht erst in Angriff nimmt. Referenz-zu-Video, bei dem eine vorgegebene Performance ein generiertes Subjekt steuert, liegt ebenfalls außerhalb seiner beiden Modi.

Die Abrechnung spiegelt den Umfang wider. Die Text-zu-Video- und Bild-zu-Video-Varianten von Wan 2.7 werden ausschließlich nach der Ausgabedauer abgerechnet – 0,10 $/s bei 720p und 0,15 $/s bei 1080p an den internationalen Singapur-Endpunkten, während Peking und Tokio für dieselbe Arbeit 0,086 $/s bzw. 0,143 $/s ausweisen. Die Referenz-zu-Video-Variante berechnet zusätzlich das Eingabevideo, begrenzt auf fünf Sekunden, sodass eine fünfsekündige Referenz, die eine fünfzehnsekündige Generierung antreibt, für zwanzig Sekunden Arbeit abgerechnet wird. Die Video-Edit-Variante berechnet nur die Ausgabe und behandelt das Eingangsmaterial als kostenlos – was der mit Abstand günstigste Tarif in der Modellfamilie ist und der Grund dafür, dass die Bearbeitung der Bereich ist, in dem 2.7 wirklich günstig ist.

Zwei Fakten zum Lebenszyklus gehören neben diese Zahlen. Alibaba hat seinen eigenen Oberflächen Bailian und Qwen Cloud einen zeitlich begrenzten Einführungsrabatt von 30 % beigefügt, und dieser lief am 23. September 2026 aus. wan2.7-r2v sowie wan2.7-image stehen auf dieser Liste. Das betrifft die Variantenebene und nicht eine Abschaltung der Generation — wan2.7-t2v und wan2.7-i2v bleiben weiterhin mit aktiven Preisen gelistet —, aber wenn Reference-to-Video der Grund dafür war, dass Sie sich 2.7 angesehen haben, dann hat diese Route nur noch vier Tage.

Was die unabhängigen Gremien zeigen und was nicht

Dies ist der Abschnitt, in dem die meisten Vergleiche dieser beiden Modelle heimlich schummeln, deshalb lohnt es sich, genau zu sein, wenn es darum geht, was es gibt.

Wan 2.7 hat unabhängige Bewertungen auf drei separaten Artificial-Analysis-Video-Boards, und diese stimmen nicht miteinander überein, weil sie unterschiedliche Dinge messen:

• Text-zu-Video — Wan2.7-260612 (der Juni-Build) liegt bei 5.571 Stimmen auf Platz 13–14 mit Elo 1.030 (±9), bei 9,00 $/Min.

• Bild-zu-Video — Wan 2.7 (der April-Build) liegt mit Elo 1.077 (±8) nach 4.571 Stimmen auf Platz 12, bei 9,00 $/Min.

• Videobearbeitung — Wan 2.7 liegt mit Elo 1.077 (±5) nach 17.988 Stimmen auf Platz 5, bei 16,90 $/Min.

Lies diese drei zusammen, und die nützliche Schlussfolgerung ist nicht „Wan 2.7 ist bei Video Zwölfter“. Sie lautet, dass das Modell beim Editieren deutlich stärker ist als beim Generieren – auf den für jedes davon erstellten Ranglisten – und dass es in die eine wie in die andere Richtung ein Fehler ist, eine einzelne Zahl dafür anzuführen.

Kandinsky 6.0 Video hat auf keinem von ihnen eine Punktzahl. Die veröffentlichten Belege sind anbieterseitig, und es lohnt sich, genau zu benennen, was sie sind: ein VABench-Lauf, in dem das Labor berichtet, dass Pro bei Sprachqualität, Audio-Ästhetik, Text-Video- und Audio-Video-Ausrichtung, Lip-Sync-Genauigkeit, Desynchronisation und visuellem Realismus unter den drei bewerteten Systemen führend ist – die anderen beiden sind sein eigenes Lite-Modell und LTX 2.5 –, und eine vom Labor durchgeführte direkte menschliche Bewertung mit ungefähr 200 oder mehr paarweisen Vergleichen pro Kriterium, bei der Pro mit Kling 2.6 und Veo 3.1 Fast konkurrenzfähig ist, bei visuellen Kriterien hinter MiniMax H3 und Dreamina Seedance 2.0 zurückliegt und bei Sprachqualität und Audio-Video-Synchronisation konkurrenzfähig bleibt. Nichts davon wurde außerhalb von Sber reproduziert, und nichts davon ist ein Elo auf einem blinden öffentlichen Board. Die richtige Interpretation ist „vielversprechend und ungeprüft“, nicht „gleichauf mit Veo“.

Was jedes einzelne ist, ausgedrückt in den Begriffen, die jede Seite verwendet

Die beiden Preismodelle lassen sich nicht auf eine einzige Zahl reduzieren, und so zu tun, als wäre es anders, ist genau das, was dazu führt, dass Teams eine falsche Entscheidung treffen.

Wan 2.7 wird pro Sekunde abgerechnet. Ein fünfzehnsekündiger 1080p-Clip kostet etwa 2,25 $. Für ein dreißigsekündiges Stück fallen zwei Generierungen plus ein Schnitt an — 4,50 $ für die reine Generierung plus deine Montagezeit, oder weniger, wenn die Bearbeitungsvariante die Arbeit übernimmt, weil sie den Input nicht in Rechnung stellt.

Kandinsky 6.0 Video hat überhaupt keinen Tarif, weil es keinen Dienst zu kaufen gibt. Was es hat, sind GPU-Stundenkosten, die Sie selbst bereitstellen. Die Zahlen des Repositorys selbst setzen die Untergrenze: Ein Pro-Full-HD-Fünf-Sekunden-Clip benötigt nach dem Aufwärmen etwa 402 Sekunden Arbeitszeit auf einer H100, 854 auf einer RTX 5090 und 1.247 auf einer RTX 4090. Der destillierte Checkpoint – den das Paper als gleichwertig mit dem Vollmodell maß, mittlere Präferenz 51 % zu 49 %, wobei kein Kriterium Signifikanz erreichte – ist derjenige, den Sie tatsächlich bereitstellen würden. Alles unter 72,8 GiB Spitzenallokation benötigt Block-Offloading, und das 16-GB-Preset quantisiert den Textencoder auf NF4, was laut Bestätigung im Paper die einzige Preset-Änderung ist, die den Clip selbst verändert.

Einfach ausgedrückt: Die Kosten von Wan 2.7 sind eine Rechnungsposition, die Sie einplanen können. Die Kosten von Kandinsky 6.0 Video sind eine Maschine, die Ihnen gehört, ein Rendering, das Minuten pro fünf Sekunden dauert, und die Option – nicht die Verpflichtung –, eine Feinabstimmung vorzunehmen.

Wo ein Router darin sitzt

OrcaRouter stellt weder Kandinsky 6.0 Video noch Alibaba Wan 2.7 bereit, und keine dieser Aussagen wird hier getroffen. Kandinsky können Sie selbst herunterladen und ausführen; Wan 2.7 erreicht man über Alibabas eigene Plattformen. Was eine Pipeline, die auf einem der beiden Modelle basiert, von einem Router braucht, ist die Textebene, die das Rendering umgibt: die Prompt-Erweiterung, die eine Shot-Beschreibung in die lange oder kurze Bildunterschrift verwandelt, auf die diese Modelle trainiert wurden, die Arbeit an Untertiteln und Dialogen, die einen Image-to-Video-Durchlauf speist, und die Review-Zusammenfassungen, die entscheiden, welche von mehreren Generierungen behalten wird. Das sind gewöhnliche Textaufrufe, und sie laufen auf einem einzigen OpenAI-kompatiblen Endpunkt über mehr als 200 Modelle hinweg mit Anbieter-Listenpreisen, die mit 0 % Aufschlag durchgereicht werden, sodass eine Anbieter-Preissenkung noch am selben Tag live ist und nicht erst nach einem Vertragszyklus. Automatisches Failover ist hier mehr wert als bei einer Chat-Workload, denn ein Caption-Aufruf, der in Minute vier einer Q&A-Session fehlschlägt, sollte umgeleitet werden, statt das Rendering zu verlieren.

Die Entscheidung, jeweils in einer Zeile

Wenn das Deliverable ein fertiger Clip mit Ton ist und du lieber keine GPU besitzen möchtest, ist Wan 2.7 das einzige der beiden, das dir das bietet, und seine Editing-Variante ist nach der verfügbaren Evidenz das stärkste Element der Familie. Prüfe die Einstellung am 10. Oktober, bevor du dich auf Reference-to-Video festlegst.

Wenn das Ergebnis eine Pipeline ist, die Sie kontrollieren, wenn Fünf-Sekunden-Einheiten zu Ihrer Shotliste passen und wenn Sie feinabstimmen oder offline ausführen möchten, ist Kandinsky 6.0 Video das einzige der beiden, das dies erlaubt – um den Preis eines Renderings, das auf Consumer-Hardware langsam ist, und einer Qualitätsaussage, die nach wie vor vollständig allein vom Labor selbst stammt. Das Ereignis, auf das man auf dieser Seite achten sollte, ist einfach: ein Elo.

Eine Asymmetrie verdient es, vor dem Abschluss benannt zu werden, denn sie wird beide Modelle überdauern. Die Obergrenze von Wan 2.7 liegt vertraglich und technisch bei Alibaba — wenn die Varianten der Suite aus dem Programm genommen oder neu bepreist werden, erbt Ihre Pipeline die Entscheidung. Die Obergrenze von Kandinsky 6.0 Video ist Ihre eigene Hardware, und die MIT-Lizenz bedeutet, dass ein Fork die Roadmap des Labors überleben kann. Teams, die schon einmal die Erfahrung gemacht haben, dass ein Modell aus einem Katalog verschwindet, neigen dazu, diesen Unterschied ein Jahr später stärker zu gewichten, als sie es am Tag ihrer Entscheidung taten.