Kandinsky 6.0 Video vs. Google Veo 3.1: Drei Stufen gegen zwei Größen

Öffne Sbers technischen Bericht zu Kandinsky 6.0 Video und suche den Abschnitt mit dem direkten Vergleich, und dir wird etwas auffallen, das die Vergleichsseiten übersehen: Der Gegner ist nicht Veo 3.1. Es ist Veo 3.1 Fast. Sber führte seine menschliche Bewertung gegen die mittlere von Veos drei Stufen durch, und diese eine Entscheidung verrät mehr über dieses Duell als jede Qualitätsaussage darin. Veo 3.1 ist seit dem 17. November 2025 allgemein verfügbar, in drei Service-Stufen; Kandinsky 6.0 Video erschien in der ersten Oktoberwoche 2026 in zwei herunterladbaren Größen, Pro mit 29B und Lite mit 3B, unter MIT. Eines davon ist ein Dienst, den man sekundenweise kauft, das andere ein Checkpoint, den man selbst betreibt — und die Frage der Stufe, nicht die der Qualität, ist der Punkt, an dem die Entscheidung tatsächlich fällt.

Veo 3.1 sind drei Produkte, die denselben Namen tragen

Googles Modell ist allgemein verfügbar in Standard, Fast und Lite; alle drei erzeugen dieselbe Formatfamilie: 720p, 1080p und natives 4K bei 24 fps, native Laufzeiten von 4, 6 oder 8 Sekunden mit längeren Ausgaben, die für 1080p gemeldet werden, und Szenenerweiterungs-Verkettung darüber hinaus, bis zu drei Referenzbilder für Charakter- und Szenenkonsistenz sowie Seed- und Negativ-Prompt-Steuerungen. Die Ausgabe trägt SynthID- und C2PA-Herkunftsmetadaten.

Was die Stufen trennt, sind Preis und Geschwindigkeit, und das unabhängige Board verrät etwas Unangenehmes über die Spreizung. Auf der Text-zu-Video-Bestenliste von Artificial Analysis liegen die drei innerhalb von 14 Elo auseinander – Veo 3.1 mit 962 (±10) bei 2.998 Stimmen, Veo 3.1 Fast mit 961 (±10) bei 4.325, Veo 3.1 Lite mit 948 (±10) bei 2.903 –, während ihre angegebenen Preise bei 24,00 $, 7,20 $ und 4,80 $ pro Minute liegen. Setzt man beides zusammen, sagt Ihnen die Arena, dass sie die Stufen nicht zuverlässig anhand der Präferenz unterscheiden kann. Das bedeutet nicht, dass die Stufen identisch sind; es bedeutet, dass die eigentliche Frage eines Käufers lautet, welche Stufe die eigenen Anforderungen erfüllt, weil die Präferenz-Bestenliste ihm diese Frage nicht beantworten wird.

Kandinsky 6.0 Video verfolgt in Bezug auf Variation den entgegengesetzten Ansatz. Es gibt zwei Größen — Pro mit 29B und Lite mit 3B — die sich eine Architektur und ein festes Ausgabeformat teilen: 5 Sekunden, 121 Frames bei 24 fps, synchronisiertes 44-kHz-Audio mit Lip-Sync, aus Text oder einem Referenzbild, wobei ein separates Super-Resolution-Modell das Ergebnis auf Full HD anhebt. Es gibt weder eine Fast-Variante noch einen Erweiterungsmodus. Sie wählen eine Größe und eine GPU.

Was die laboreigene Bewertung tatsächlich behauptet

Dies sind die einzigen Direktvergleichsdaten, die zwischen diesen beiden Systemen existieren, und sie sind auf beiden Seiten des Schrägstrichs vom Anbieter selbst berichtet – Sber hat sie erhoben, Sber hat sie veröffentlicht, und niemand außerhalb von Sber hat sie reproduziert. Sie korrekt darzustellen ist wichtiger, als sie vorteilhaft darzustellen.

Im Text-zu-Audio-Video-Modus wird im Bericht Kandinsky 6.0 Video Pro bei Artefakten und Kamerabewegung mit statistisch signifikanten Vorsprüngen bevorzugt und liegt bei Bewegungsrealismus in einem von Gleichständen dominierten Feld leicht vorn. Veo 3.1 Fast führt bei der Befolgung visueller Prompts, der Sprachqualität, der Audio-Video-Synchronisation, der allgemeinen Audioqualität, der Befolgung von Klang-Prompts und der Lösung von Benutzeraufgaben, wobei alle außer Sprache Signifikanz erreichen. Die allgemeine visuelle Qualität ist nahezu gleichauf, mit einem leichten Vorteil für Veo.

Bei Image-to-Video kehrt sich das Muster auf der visuellen Seite um. Kandinsky 6.0 Video Pro wird bei der allgemeinen visuellen Qualität, der Ausrichtung am Referenzbild, Artefakten und der Kamerabewegung bevorzugt – alle signifikant. Veo 3.1 Fast führt weiterhin bei der Befolgung visueller Prompts, der Audio-Video-Synchronisierung, der allgemeinen Audioqualität, der Befolgung von Sound-Prompts und der Lösung von Nutzeraufgaben – ebenfalls signifikant. Bewegungsrealismus und Sprachqualität liegen nahezu gleichauf.

Daraus folgen zwei Dinge. Das Bild-zu-Video-Ergebnis ist der eigentliche Befund: dass ein offenes Modell bei der Referenzbild-Übereinstimmung und der visuellen Gesamtqualität gegenüber einer Google-Klasse bevorzugt wird, und zwar in der eigenen Studie des Labs, ist eine echte Aussage, die es abzuwägen gilt. Und beim Audio-Ergebnis behält Veo unabhängig vom Modus seinen Vorsprung – was uns zu dem Warnsignal bringt, das niemand erwähnt.

Das Audio-Flag, das entscheidet, ob diese Bewertung fair ist

Veo 3.1 erzeugt natives 48-kHz-Stereo-Audio – Dialog, Atmosphäre, Foley – gemeinsam mit dem Bild. Es ist eine der stärksten Funktionen des Modells. Bei der API ist der Audioparameter jedoch standardmäßig aus, und die stille Generierung kostet weniger als die Audiogenerierung: rund 0,20 $ pro Sekunde ohne Audio gegenüber rund 0,40 $ pro Sekunde mit Audio in der von Google veröffentlichten Standard-Stufe.

Kandinsky 6.0 Video hat keinen solchen Schalter. Audio ist Teil der Ausgabe, und die Serving-Pipeline, die in vLLM-Omni integriert wurde, gibt standardmäßig AAC mit 44,1 kHz aus. Die beiden Modelle haben also nicht dieselbe Standardeinstellung: Das eine ist Audio-first, das andere Silent-first, wobei Sound ein Upgrade ist.

Diese Asymmetrie hat bei Vergleichen einen konkreten Preis. Jeder direkte Vergleich, bei dem ein stummes Veo 3.1 gegen einen Konkurrenten antritt, dessen Audio immer mitgeliefert wird, und bei dem das Paar dann auf einem audio-bewussten Leaderboard bewertet wird, hat Veo durch einen Zufall einer Standardeinstellung benachteiligt. Wenn du die Sber-Zahlen oben liest – oder die von irgendwem sonst –, ist die erste Frage, die man stellen sollte, ob auf der Veo-Seite Audio aktiviert war. Die zweite ist, wie der Preisunterschied aussah, denn im Standard-Tarif verdoppelt das Einschalten von Ton diesen.

Fünf Sekunden gegen acht, und 1080p gegen natives 4K

Die Formatlücke ist der Punkt, an dem die Design-Briefings der beiden Modelle sichtbar werden.

• Cliplänge — Kandinsky 6.0 Video: 5 s fest, 121 Frames bei 24 fps, keine Verlängerung. Veo 3.1: 4, 6 oder 8 s nativ, bei 1080p länger, darüber hinaus Verkettung von Szenenerweiterungen.

• Auflösung — Kandinsky 6.0 Video: SD, HD und Full HD (1920×1080) über einen Super-Resolution-Durchlauf. Veo 3.1: 720p, 1080p und natives 4K.

• Provenienz — Kandinsky 6.0 Video: keine Angaben in der Veröffentlichung. Veo 3.1: SynthID- und C2PA-Metadaten in der Ausgabe.

• Referenzeingabe — Kandinsky 6.0 Video: ein Bild, angewendet als maskiertes Endframe. Veo 3.1: bis zu drei Referenzbilder plus Seed und Negativ-Prompt.

• Format — Kandinsky 6.0 Video: 44,1 kHz AAC mit dem Bild, immer aktiv. Veo 3.1: 48 kHz Stereo, optional, mit zwei Preisoptionen.

Die Provenienzangabe ist diejenige mit beschaffungsrelevanten Konsequenzen. Wenn Ihr Deliverable nachvollziehbar sein muss — Markenarbeit, Broadcast, alles, was sich eine Rechtsabteilung ansieht —, hängt Veo 3.1 Metadaten an, die besagen, dass das Material generiert wurde, und Kandinsky 6.0 Video tut das nicht. Das ist kein Qualitätsunterschied, und kein Benchmark wird ihn zeigen, aber es ist die Art von Anforderung, die für sich genommen über einen Anbieter entscheidet, und ein offenes Modell ohne sie ist kein Drop-in-Ersatz für ein Team, das sie braucht.

Die 4K-Linie zählt auf dieselbe Weise und aus demselben Grund. Das Full HD von Kandinsky 6.0 Video ist echt — es gibt ein dediziertes SR-Modell, und das SR-Paket des Repositorys übernimmt x2-, x4- und x2,25-fache Hochskalierungen von Fünf-Sekunden-Clips —, aber es endet dort, wo der native Pfad von Veo 3.1 an seinem oberen Ende beginnt. Für die Arbeit mit großen Bildschirmen ist diese Obergrenze nicht verhandelbar.

Was ein Clip auf jeder Seite kostet

Veo 3.1 wird sekundengenau abgerechnet. Auf der Standard-Stufe kostet ein fünfsekündiger 1080p-Clip mit Ton etwa 2,00 $ und derselbe Clip ohne Ton etwa 1,00 $; Fast und Lite liegen darunter, und da ihre Arena-Werte innerhalb des Konfidenzintervalls von Standard liegen, lässt sich angesichts der Belege schwer gegen die günstigeren Stufen argumentieren.

Kandinsky 6.0 Video hat keine Rechnung. Es hat GPU-Zeit. Die Zahlen des Repositorys für das nicht destillierte Modell, gemessen nach dem Warmup, wobei Gewichts-Laden und MP4-Kodierung ausgeschlossen wurden, veranschlagen einen fünfsekündigen Pro-Full-HD-Clip auf etwa 402 Sekunden auf einer H100, 854 Sekunden auf einer RTX 5090, 1.247 Sekunden auf einer RTX 4090 und 3.530 Sekunden auf einer RTX 5060 Ti. Lite Full HD dauert 284 Sekunden auf einer H100. Die Spitzenallokation bei einem Pro-SD-Lauf erreicht 72,8 GiB, also muss alles darunter Block-Offloading verwenden — und das 16-GB-Preset quantisiert den Textencoder auf NF4, die einzige Preset-Änderung, von der das Paper bestätigt, dass sie den Clip selbst verändert, statt Rauschen auf Rundungsebene einzuführen.

Diese beiden Kostenstrukturen sind nicht vergleichbar. Die eine ist eine Rechnung, die Sie pro fertiger Sekunde vorausberechnen; die andere ist eine Maschine, die Sie kaufen, ein Rendering, das in Minuten gemessen wird, und die Option zum Fine-Tuning – die Veo 3.1 in keiner Preisstufe bietet.

Die Frage nach der Stufe ist eine Routing-Frage.

OrcaRouter bietet weder Google Veo 3.1 noch Kandinsky 6.0 Video an, und weder das eine noch das andere wird hier impliziert – Veo 3.1 erreicht man über Googles eigene Oberflächen, und Kandinsky können Sie selbst herunterladen. Aber die Struktur der Veo-Entscheidung verdient es, benannt zu werden, denn genau das ist das Problem, das unsere Routing-Schicht auf der Textseite lösen soll: Drei Stufen, deren unabhängige Scores ununterscheidbar sind und deren Preise sich um das Fünffache unterscheiden, sind genau der Fall, in dem „die günstige Variante routen und nur dann eskalieren, wenn die Messlatte nicht erreicht wird“ besser ist als „sich auf das Flaggschiff zu standardisieren“. OrcaRouters adaptives Routing und Routing-DSL drücken das als konfigurierte Richtlinie über mehr als 200 Textmodelle an einem OpenAI-kompatiblen Endpunkt aus, zum Listenpreis des Anbieters mit 0 % Aufschlag, mit automatischem Failover, wenn eine Route ausfällt. Derselbe Instinkt, auf Videoausgaben angewendet – standardmäßig Fast, Standard für die Aufnahmen, die zählen –, ist eine Beschaffungsentscheidung, die Sie heute ganz ohne Router treffen können.

Welches, für wen?

Wählen Sie Veo 3.1, wenn beim Endprodukt Ton ernst genommen werden muss, wenn es 4K oder einen Clip von mehr als fünf Sekunden benötigt oder wenn eine nachgelagerte Stelle Provenienz-Metadaten verlangt. Wählen Sie die Stufe bewusst, statt standardmäßig zu Standard zu greifen, und kalkulieren Sie das Audio-Flag ein, statt es erst auf der Rechnung zu entdecken.

Wähle Kandinsky 6.0 Video, wenn du Gewichte willst, wenn fünf Sekunden zu deiner Arbeitseinheit passen und wenn die Bild-zu-Video-Treue gegenüber einem bereitgestellten Standbild die Aufgabe ist – die eine Dimension, in der die eigene Studie des Labs es mit erheblichen Abständen vor eine Veo-Stufe stellt. Geh mit dem Wissen hinein, dass das Audio immer aktiv ist, die Provenienz fehlt und die Qualitätsbehauptung ausschließlich auf einem Bericht beruht, den sein Autor geschrieben hat.

Die Asymmetrie, an der man festhalten sollte, ist, dass Veo 3.1 seit elf Monaten in Produktion ist und daher genau das angesammelt hat, was ein in diesem Monat veröffentlichtes offenes Modell nicht haben kann: eine kartierte Reihe von Fehlermodi, die seine Nutzer bereits veröffentlicht haben, und eine Preiskurve, die ein Finanzteam modellieren kann. Dem steht gegenüber, dass Kandinskys MIT-Lizenz bedeutet, dass das Modell auf Ihrer Festplatte nicht von irgendjemandes Roadmap abhängt. Welches von beidem mehr wert ist, ist keine Benchmark-Frage.