Kling 4.0 vs. Kandinsky 6.0 Video: Der Direktvergleich, den noch niemand durchgeführt hat

Die einzige veröffentlichte menschliche Bewertung, die Kling 4.0 und Kandinsky 6.0 Video im selben Raum zusammenbringt, existiert nicht. Was existiert, ist ein Paper aus Kandinskys eigenem Labor, das am 4. Oktober 2026 bei arXiv eingereicht wurde und Kandinsky 6.0 Video Pro mit Kling 2.6 vergleicht — zwei Generationen hinter dem Modell, das Kuaishou am 15. Oktober an alle ausgeliefert hat. Diese Lücke ist der ehrliche Ausgangspunkt für diesen Vergleich, und sie schlägt in eine Richtung aus, die die meisten Vergleichsseiten ignorieren: In den Spalten, die das Paper tatsächlich misst, entschied das ältere Kling mehrere klar für sich. Kuaishous Behauptungen zu 4.0 genau in diesen Spalten sind diejenigen, die niemand verifiziert hat.

Das ist also keine Seite, die Ihnen sagt, welches Modell besser ist, denn die Belege dafür gibt es noch nicht. Sie handelt davon, wofür jedes der beiden tatsächlich gebaut ist, was der einzige echte Direktvergleich ergeben hat und welches der beiden Sie diese Woche in eine Pipeline einbinden können.

Zwei Produkte, die nur gleich aussehen

Kling 4.0 ist ein geschlossener, credit-basierter Generator von Kuaishou. Das vollständige Modell bietet Text-zu-Video, Bild-zu-Video, Erstes-und-letztes-Bild, Multi-Keyframe, Omni-Reference und gezielte Bearbeitung – mit 3 bis 30 Sekunden Laufzeit und 720p bis 4K. Vertrieben wird es über die Kling-App und die Website, dazu eine API, die Kuaishou ab dem 21. Oktober schrittweise öffnet und deren Entwickler-Preisliste das Modell weiterhin als „Demnächst verfügbar“ mit ausschließlich Preview-Preisen ausweist.

Kandinsky 6.0 Video ist ein Artefakt der entgegengesetzten Art. Sbers Kandinsky Lab veröffentlichte es am 6. Oktober 2026 als zwei Checkpoints – Pro mit 29B Parametern und Lite mit 3B, plus ein separates 1,4B-Superauflösungsmodell – unter MIT, mit Gewichten auf Hugging Face, Code auf GitHub und Day-0-Integration in Diffusers, ComfyUI, FastVideo, SGLang und vLLM-Omni. Es erzeugt fünfsekündige Clips mit 121 Bildern und 24 fps, mit synchronisiertem 44,1-kHz-Audio und Lip-Sync, aus einem Text-Prompt oder einem Referenzbild.

Das eine ist ein Dienst mit einem Laufzeitvorteil. Das andere ist ein Download mit einem Lizenzvorteil. Nahezu jeder praktische Unterschied zwischen ihnen ergibt sich aus diesem Satz.

Der eine Direktvergleich, ehrlich gelesen

Die menschliche Bewertung im Kandinsky-Paper kommt einem gemeinsamen Scoreboard am nächsten, und es lohnt sich, sie genau zu lesen, denn hier bewertet ein Labor sein eigenes neues Modell gegen einen Wettbewerber, den es selbst ausgewählt hat.

• Gesamtbildqualität — Kling 2.6 liegt vorn, laut den eigenen Bewertern der Studie.

• Visuelle Ästhetik — Kling 2.6 liegt vorn.

• Audioqualität — Kling 2.6 liegt vorn.

• Audio-Video-Synchronisation — Kling 2.6 liegt vorn.

• Sound-Prompt-Befolgung — als Nächstes kommt Kandinsky 6.0 Video Pro.

• Sprachqualität — Kandinsky 6.0 Video Pro liegt vorn, konsistent mit der berichteten Verringerung der Wortfehlerrate bei generierter Sprache um 47 % nach Reinforcement-Learning-Post-Training.

• Kamerasteuerung bei Bild-zu-Video mit Audio — Kandinsky 6.0 Video Pro voraus.

• Befolgung visueller Prompts — ungefähr gleichauf.

Daraus folgen drei Dinge. Erstens hat das neuere Modell das ältere nicht überrollt, was für eine laboreigene Evaluierung ungewöhnlich ist und Anerkennung verdient. Zweitens ballen sich Kandinskys Erfolge dort, wo die Architektur ungewöhnlich ist – sie entrauscht Video- und Audio-Latents gemeinsam durch einen Transformer, statt zwei Modelle nacheinander laufen zu lassen – und das zeigt sich stärker bei der Befolgung von Sprach- und Klang-Prompts als bei der rohen Bildqualität. Drittens sagt der Vergleich nichts über Kling 4.0aus, dessen gesamtes Verkaufsargument besserer Realismus, stabilere großskalige Bewegung und sauberere Lippensynchronisation sind. Das sind genau die Spalten, in denen sein Vorgänger bereits führte.

Wenn der Vergleich echt und nicht nur erschlossen sein soll, ist das fehlende Artefakt ein unabhängiger Arena-Lauf, in dem beide Modelle vorkommen. Heute hat keines von beiden einen gegen das andere.

Die Spezifikationslücke, die über die meisten Aufträge entscheidet

• Cliplänge — Kling 4.0 läuft in einem einzigen Durchgang 3 bis 30 Sekunden, wobei eine Erweiterung auf bis zu 2 Minuten als „demnächst verfügbar“ angekündigt ist. Kandinsky 6.0 Video ist auf 121 Frames trainiert und generiert 5 Sekunden. Alles, was länger ist, ist ein Stitching-Problem, das Sie selbst lösen müssen.

• Auflösung — Kling 4.0 ist in 720p, 1080p und 4K verfügbar, wobei 10-Bit-HDR bei 1080p und 4K laut Kuaishous eigenen Release Notes als „demnächst verfügbar“ gekennzeichnet ist. Kandinsky generiert in SD und skaliert mithilfe seines 1,4-Milliarden-Parameter-Super-Resolution-Modells auf Full HD, 1920×1080, mit den Faktoren ×2, ×2,25 und ×4 hoch.

• Steuerungseingaben — Kling 4.0 akzeptiert bis zu 10 Keyframes und ein Referenzbudget von 15 Elementen, aufgeteilt auf 10 Bilder, 5 Videos mit insgesamt höchstens 30 Sekunden, Sprachreferenzen und bis zu 7 Elemente. Kandinsky 6.0 Video akzeptiert einen Text-Prompt oder ein einzelnes Referenzbild, das als maskiertes Endframe angewendet wird.

• Audio — Kling 4.0 gibt Zweikanal-Stereo mit Lippensynchronisation über neun Sprachen und benannte Akzente hinweg aus. Kandinsky gibt 44,1 kHz AAC aus, wobei Audio standardmäßig aktiviert ist; die Pipeline liefert synchronisierte Sprache, Musik oder Umgebungsgeräusche zurück, selbst wenn keine Audioparameter übergeben werden.

• Prompt-Länge — Kling 4.0 akzeptiert bis zu 8.000 Tokens. Kandinskys Serving-Rezept orientiert sich am Caption-Stil, auf den das Modell trainiert wurde – lang, mittel oder kurz –, und nicht an einem offenen Skript.

• Lizenz — Kling 4.0 ist proprietär und unterliegt den Bedingungen von Kuaishou. Kandinsky 6.0 Video steht unter MIT-Lizenz für Code, Gewichte und die Diffusers-Integration.

Die letzte Zeile leistet mehr, als ihre Länge vermuten lässt. Ein geschlossenes 30-Sekunden-Modell und ein 5-Sekunden-Modell unter MIT-Lizenz sind nicht austauschbar, selbst wenn ihre Bildqualität ähnlich ist, denn das eine schränkt ein, was man bauen kann, und das andere, was man generieren kann.

Was jedes kostet, in der Einheit, die tatsächlich abgerechnet wird

Die Entwickler-Preisseite von Kuaishou führt Kling 4.0 mit 1,5 Einheiten pro Sekunde bei 1080p auf, was sie in 0,235 US-Dollar pro Sekunde umrechnet, sowie 1,0 Einheit, 0,157 US-Dollar pro Sekunde, bei 720p. Es gibt keinen 4K-Tarif – in der Spalte steht „-“. Bei Videoeingabe sinkt der Satz auf 0,094 US-Dollar pro Sekunde bei 720p und 0,141 US-Dollar bei 1080p, doch die Abrechnung zählt die Ausgabedauer doppelt, wenn die Eingabe kürzer als die Ausgabe ist. Die Seite besagt außerdem, die Zahlen seien „nur zu Vorschauzwecken“ und der API-Zugang sei „noch nicht verfügbar“, was in merkwürdigem Kontrast zu Kuaishous Ankündigung vom 21. Oktober steht, die API sei für Unternehmenskunden und Entwickler live gegangen. Zusammengenommen ist die faire Aussage, dass die API schrittweise geöffnet wird und am 23. Oktober keine öffentliche, stabile Preisliste existiert.

Zum Vorschau-Tarif kostet ein fünfsekündiger 720p-Clip etwa 0,79 US-Dollar und ein 30-sekündiger etwa 4,71 US-Dollar. Das ist der Wert, an dem sich jedes Angebot eines Drittanbieters plausibilisieren lässt, denn Wiederverkäuferpreise ändern sich unabhängig von denen Kuaishous.

Kandinsky 6.0 Video hat keinen Preis pro Sekunde, weil es keinen Anbieter-Endpunkt zum Kauf gibt. Seine Kosten sind GPU-Zeit, und das Repository veröffentlicht Messwerte für einen fünfsekündigen Clip nach der Aufwärmphase, ohne Modellladen und Encoding: Pro in Full HD benötigt 402 Sekunden auf einer H100, 854 auf einer RTX 5090, 1.247 auf einer RTX 4090 und 3.530 auf einer RTX 5060 Ti. Lite in Full HD benötigt 284 Sekunden auf einer H100. Ganz gleich, welchen H100-Satz Sie zahlen, 402 Sekunden sind 6,7 Minuten dieser Karte pro fünfsekündigem Clip — rechnen Sie es hoch, und die Rechnung müssen Sie selbst durchführen, weil der Anbieter Ihnen die Ausgabe nicht verkauft und daher keinen Preis dafür veröffentlicht.

Die Speicherobergrenze ist die andere Zahl, die entscheidet, ob Self-Hosting für dich wirklich infrage kommt. Ein Pro-SD-Lauf erreicht Spitzenwerte von 72,8 GiB und liegt damit jenseits jeder Consumer-Grafikkarte. Das 16-GB-Preset des Repositorys streamt Transformer-Blöcke aus dem Hostspeicher und quantisiert den Text-Encoder auf NF4 – und das Paper stellt ausdrücklich klar, dass dies die einzige Preset-Änderung ist, die den Clip selbst verändert. Wenn du die Ausgabe von jemandem auf einer 16-GB-Karte reproduzierst und sie nicht übereinstimmt, ist diese Einstellung das Erste, was du prüfen solltest.

Was Sie heute anrufen können – und wie das die Entscheidung prägt.

Hier ist die Asymmetrie, die mehr zählt als jeder Benchmark: Kling 4.0 ist über Kuaishous eigene App und zunehmend über deren API erreichbar, während Kandinsky 6.0 Video durch Herunterladen erreichbar ist. Keines von beiden ist ein Drop-in-Aufruf aus einer Routing-Schicht.

Was OrcaRouter tatsächlich weiterleitet, ist die Generation, die Kling 4.0 ersetzt. Kling 3.0 steht mit 0,084 US-Dollar pro Anfrage im Katalog, und MiniMax H3 ist dort für 0,08 US-Dollar pro Sekunde generierten Videos zu haben, beide am selben OpenAI-kompatiblen Endpunkt wie mehr als 200 Modelle, zum Listenpreis des Anbieters ohne Aufschlag. Das ist für ein selbst gehostetes Modell auf eine Weise von Bedeutung, die für ein gehostetes Modell nicht gilt: der Prompt-Expansion-Durchlauf, der aus einer Shot-Beschreibung die lange Caption macht, auf die Kandinsky trainiert wurde, die Caption- und Transkriptionsarbeit, die eine Bildeingabe speist, die Review-Zusammenfassungen, die entscheiden, welche von vier Generierungen behalten wird — das sind gewöhnliche Textaufrufe, und sie können einen Schlüssel und eine Failover-Richtlinie teilen, während die schwere Videoarbeit dort läuft, wo man sie platziert. Kandinsky selbst ist keine OrcaRouter-Route, und nichts hier sollte so gelesen werden, als würde das behauptet.

Welcher gehört in deinen Stack

Die Entscheidung hängt nicht von der Qualität ab, denn niemand hat sie fair gemessen. Sie hängt von drei Fragen ab, die Sie selbst beantworten können.

Brauchen Sie eine Aufnahme, die länger als fünf Sekunden dauert? Dann Kandinsky 6.0 Videofällt für diese Aufnahme aus dem Rennen, und keine MIT-Lizenzierung, egal in welchem Umfang, ändert etwas daran – Sie würden zusammenstückeln, und das Zusammenstückeln kostet Sie die zeitliche Kohärenz, in der das Modell stark ist.

Müssen Sie die Gewichte besitzen, offline laufen, Fine-Tuning betreiben oder in einem Produkt ausliefern, bei dem eine Anbieterrechnung pro Aufruf nicht akzeptabel ist? Dann Kling 4.0 ist unabhängig von seinem Datenblatt aus dem Rennen, denn eine geschlossene API ist eine Abhängigkeit, kein Vermögenswert.

Musst du die Entscheidung diese Woche mit einem Budget treffen, das jemand unterschreiben wird? Dann ist keines von beiden sauber. Die API von Kling 4.0 befindet sich mitten im Rollout mit Preview-Preisen, und die tatsächlichen Kosten von Kandinsky sind eine GPU-Stunden-Zahl, die du in deine eigene Infrastruktur übersetzen musst. Die Modelle, die du heute bepreisen und aufrufen kannst, sind auf beiden Seiten die vorherige Generation — Kling 3.0 über Kuaishou oder einen Router, Kandinsky 6.0 Video vom Hub.

Worauf man achten sollte, ist keine Spezifikation. Es ist die Frage, ob jemand beide Modelle mit denselben Prompts laufen lässt und das Ergebnis veröffentlicht — einen unabhängigen Arena-Eintrag, ein Labor, dem keines der beiden Modelle gehört, oder eine glaubwürdige Sammlung von Side-by-Side-Clips mit den beigefügten Prompts. Solange das nicht existiert, extrapoliert jede Seite, die Kling 4.0 gegen Kandinsky 6.0 Video mit einem Sieger rankt, aus einem Vergleich mit Kling 2.6 und hofft, dass Sie es nicht merken. Die nützliche Arbeit in der Zwischenzeit ist enger gefasst: Wählen Sie die Einschränkung, die Sie nicht verschieben können, und lassen Sie sie das Modell wählen.