Titelkarte mit der Aufschrift „WeMM-Video-4B vs. Kandinsky 6.0 Video“ und dem Untertitel „Zwei harte Obergrenzen“, zwei durch ein VS-Symbol getrennte Panels, das linke mit dem Untertitel „liest Clips“ und der Auflistung „16 Frames als Eingabe gesampelt, 8.192 Tokens und Apache 2.0“ neben einem kleinen Fenstersymbol mit der Beschriftung „Eingabe-Obergrenze“, das rechte mit dem Untertitel „erzeugt Clips“ und der Auflistung „fünf Sekunden, 121 Frames und 44,1 kHz Audio“ neben einem Stoppuhr-Symbol mit der Beschriftung „Ausgabe-Obergrenze“, mit einer Fußzeile „Beide fehlen auf sämtlichen Video-Boards von Artificial Analysis, 20. November 2026.“
Engineering & Research

WeMM-Video-4B vs. Kandinsky 6.0 Video: Zwei harte Grenzen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Sowohl Kandinsky 6.0 Video als auch WeMM-Video-4B sind Open-Weight-Veröffentlichungen mit permissiven Lizenzen, beide sind in den letzten zwei Monaten ohne nennenswerte Marketingkampagne erschienen, und beide fehlen auf jedem Video-Board von Artificial Analysis. Diese gemeinsame Unsichtbarkeit ist der Punkt, an dem die Ähnlichkeit endet, und was an ihre Stelle tritt, sind zwei Obergrenzen, die Ihnen mehr über jedes Modell verraten, als es jede Benchmark-Zeile täte. Kandinsky 6.0 Video erzeugt fünf Sekunden Filmmaterial mit synchronisiertem Audio und hört dann auf — fünf Sekunden sind die trainierte Länge, kein Standardwert. WeMM-Video-4B verarbeitet einen Clip über sechzehn abgetastete Einzelbilder und hört dann auf, was sein eigenes Serving-Rezept gegenüber einem Prozessor-Standardwert von 128 festlegt. Die eine Obergrenze betrifft die Ausgabedauer, die andere die Eingabetreue, und zwischen ihnen zu wählen heißt zu wählen, welche Art von Blindheit Ihre Pipeline überleben kann.

Keines der beiden Modelle wurde unabhängig bewertet. Die Zahlen von Sber sind Sbers, die von Tencent sind Tencents, und die folgenden Abschnittsüberschriften halten diese Grenze sichtbar, statt sie zu verbergen.

Eine Obergrenze von fünf Sekunden und ein Fenster von sechzehn Frames

Kandinsky 6.0 Video wurde am 6. Oktober 2026 von Sbers Kandinsky Lab unter MIT veröffentlicht, in zwei Größen: Pro mit 29 Milliarden Parametern und Lite mit 3 Milliarden. Es nimmt einen Text-Prompt oder ein Referenzbild entgegen und liefert einen fünf Sekunden langen Clip mit im selben Durchgang generiertem 44,1-kHz-Audio zurück, inklusive Lip-Sync. Das Paper und das Serving-Rezept basieren beide auf 121 Frames bei 24 Bildern pro Sekunde, und im Release gibt es keinen Erweiterungsmodus. Alles Längere ist ein Stitching-Problem, das du selbst lösen musst.

WeMM-Video-4B ist das mittlere Kind einer Familie aus vier Größen aus der WeChat-Vision-Gruppe von Tencent; es wurde am 17. November 2026 hochgeladen, der technische Bericht folgte am 19. November. Es hat 5.611.746.312 Parameter — 10,45 GiB in BF16 —, weil sich die Bezeichnung „4B“ auf sein Sprach-Backbone Qwen3.5-4B und nicht auf den Checkpoint bezieht. Es akzeptiert Text, Bilder, Video und Audio und gibt Text zurück.

• Kandinsky 6.0 Video — Ausgabegrenze: fünf Sekunden, 121 Frames, 24 fps, 44,1-kHz-Audio fest mit dem Bild verbunden.

• WeMM-Video-4B — Eingabeobergrenze: 2 Bilder pro Sekunde, abgetastet bis maximal 16 Bilder, 262.144 Gesamtpixel, innerhalb eines 8.192-Token-Kontexts, den Audio mit 10 Tokens pro Sekunde beansprucht.

• Beide — die Obergrenze liegt in der ausgelieferten Konfiguration, nicht in der Architektur, und keines der beiden Repositorys erklärt, was das Modell ohne sie tun würde.

Liest man die beiden zusammen, ergibt sich ein Workflow, den kein Anbieter dokumentiert: Ein fünfsekündiger Clip, der einem Beschreiber übergeben wird, der sechzehn Frames abtastet, ist ein Clip, der mit ungefähr drei Frames pro Sekunde abgetastet wird – was über der eigenen Untergrenze des Rezepts von zwei pro Sekunde liegt. Das ist die einzige Stelle, an der diese beiden Modelle sauber zusammenpassen, und es lohnt sich, gerade deshalb darauf hinzuweisen, weil es zufällig ist.

Diesmal sind die Lizenzen der einfache Teil.

Ausnahmsweise ist der rechtliche Vergleich nicht die Entscheidung. Beide Releases sind permissiv und beide sind zu diesem Punkt ordnungsgemäß dokumentiert, was nach einem Jahr mit Apple AMLR und nichtkommerziellen Demo-Komponenten eine Erleichterung ist.

• Kandinsky 6.0 Video — MIT-Lizenz für Code, Gewichte und die diffusers-Integration. Das Repository enthält zwei ComfyUI-Nodes, die sich über den ComfyUI Manager installieren lassen, sowie zwei Hugging Face Spaces – einen für den Pro-Distill-Checkpoint und einen für Superauflösung.

• WeMM-Video-4B — Apache 2.0 für die gesamte Sammlung, mit einer T​encent-Lizenzdatei, die besagt, dass Drittanbieterkomponenten unter ihren ursprünglichen Bedingungen bleiben. Die Ausnahme ist nicht einzeln aufgeführt, was angesichts dessen, dass der Audio-Stack von Qwen2.5-Omni und das Backbone von Q​wen3.5 abstammen, beide Apache 2.0, eine echte Lücke und nicht bloß eine Formalität darstellt.

• Beide — die kommerzielle Nutzung ist möglich, und keiner der Anbieter veröffentlicht eine Nutzungsrichtlinie, die dies weiter einschränkt. Wenn eine rechtliche Prüfung Ihr Hindernis ist, wird es hier nicht an der Lizenzzeile scheitern; es wird die nicht aufgeschlüsselte Ausnahmeregelung auf der T​encent-Seite sein.

Die Deployment-Oberfläche ist der Punkt, an dem sie sich trennen.

Der entscheidendere Unterschied ist nicht die Lizenz, sondern wie viel jemand anderes schon für dich erledigt hat, und die Kluft ist groß genug, um einen Zeitplan zu verändern.

Kandinsky 6.0 Video erschien bereits am ersten Tag mit einem diffusers-Bundle, einer Kommandozeile, zwei ComfyUI-Nodes und zwei Spaces. Dann hat ein externer Mitwirkender Pull Request 8537 in vLLM-Omni gemergt und die Pipeline als Kandinsky6TI2VAPipeline registriert, wobei Video- und Audio-Latents gemeinsam von einem Transformer entrauscht werden und die Gewichte Ordner für Ordner aus transformer/, vae/, text_encoder/, text_encoder_2/ und audio_vae/ geladen werden, mit einem Serving-Rezept unter recipes/Kandinsky/Kandinsky6-TI2VA.md. Referenzbild-Konditionierung wird als maskiertes Endframe statt als separater Modus angewendet, sodass eine einzige Pipeline sowohl Text-zu-Video-und-Audio als auch Bild-zu-Video-und-Audio bedient. Audio ist standardmäßig aktiviert: Eine Anfrage ohne Audioparameter liefert trotzdem synchronisierte Sprache, Musik oder Umgebungsgeräusche.

WeMM-Video-4B hat das entgegengesetzte Profil. Weder vLLM noch SGLang unterstützen die Architektur upstream, und eine Suche im vLLM-Issue-Tracker liefert keine WeMM-Video-Anfrage. Was das Repository stattdessen ausliefert, ist ein Patch-Verzeichnis – Quellcode-Overlays mit SHA-256-Manifesten für vLLM 0.18.0 und 0.31.0 sowie SGLang 0.5.16 und 0.5.19, jeweils an eine bestimmte Kombination aus PyTorch, Transformers und CUDA 12.9 gebunden, mit Python 3.12, FFmpeg, CUDA 12 NPP im Linker-Pfad für TorchCodec und einer C++-Toolchain plus Ninja, weil SGLang Kernel bei der ersten Verwendung kompiliert. Das GGUF-Bundle zielt auf eine native Runtime, die man aus dem Repository kompiliert, statt auf llama.cpp, und T​encent kennzeichnet es als exported_unvalidated.

Screenshot of vLLM-Omni pull request 8537, titled Kandinsky6 and merged on 6 October, describing a Kandinsky 6 TI2VA pipeline serving text-to-video-and-audio and image-to-video-and-audio, one DiT jointly denoising video and audio latents, weights loaded per Hub folder, audio on by default at 44.1 kHz and a reference image applied as a masked tail frame.

Diese Asymmetrie hat einen Preis, den man in einen Zeitplan eintragen kann. Kandinsky 6.0 Video ist ein Container, der heute HTTP spricht. WeMM-Video-4B bedeutet einen Tag Toolchain-Arbeit, bevor das erste Token fließt, und die einzige Validierung, die Tencent beansprucht, ist, dass ein gepatchtes vLLM es auf einem H20 geladen und Generierungsprüfungen für Text, Bild, Audio und Video mit Tonspur abgeschlossen hat – keine Durchsatzzahlen, keine Latenzzahlen, kein Speicherbedarf, keine Parallelitätszahlen.

Two-column contrast headed 'WeMM-Video-4B vs Kandinsky 6.0 Video', the left listing video and audio in with text out, 5.61B parameters, a 16-frame cap, patched vLLM or SGLang and Apache 2.0, the right listing text or image in with video and audio out, 29B Pro and 3B Lite, a five-second 121-frame cap, diffusers plus ComfyUI plus vLLM-Omni and MIT, with a footer reading 'Both are absent from every Artificial Analysis video board as of 20 November 2026.'Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an Image-to-video pipeline tag, Diffusers, Safetensors, Kandinsky6TI2VAPipeline and video-generation tags, a model card line reading License: mit, and a gated-access notice asking the visitor to accept conditions before the files can be downloaded.

Was die Zahlen sagen – und wer sie gesagt hat

Artificial Analysis betreibt drei Video-Ranglisten – Text-zu-Video, Bild-zu-Video und Videobearbeitung –, jede mit eigener Elo-Skala und eigenem Abstimmungspool. Lesen Sie alle drei am 20. November 2026: Kandinsky 6.0 Video erscheint auf keiner davon, und WeMM-Video-4B ebenso wenig. Keine der beiden Abwesenheiten ist ein Urteil. Kandinsky 6.0 Video hat keine Arena-Einreichung, und das Text-zu-Video-Ranking der Rangliste erfordert einen API-Preis für einen normalisierten Vergleich, den ein offener Checkpoint nicht hat; WeMM-Video-4B kann gar nicht in eine Abstimmung zwischen zwei generierten Clips eingebracht werden, weil es keine generiert.

Was übrig bleibt, ist die Arbeit der Anbieter selbst, und sie misst unterschiedliche Dinge auf unterschiedlichen Skalen.

• Kandinsky 6.0 Video, Qualität — vom Anbieter gemeldete Ergebnisse bei VABench und eine im Labor durchgeführte menschliche Bewertung im Vergleich zu Kling 2.6, Veo 3.1 Fast, MiniMax H3 und Seedance 2.0. Sber berichtet außerdem in der Ablation des Papers, dass der distillierte Checkpoint, den Sie bereitstellen sollen, bei der Mehrheit der Kriterien bevorzugt oder gleichauf bewertet wird – bei einer durchschnittlichen Präferenz von 51 zu 49 Prozent – Parität bei der Geschwindigkeit, die Sie wünschen.

• Kandinsky 6.0 Video, audio — zwei Wortfehlerraten-Werte im Paper, die nicht vergleichbar sind. Die 47-prozentige Reduktion, die mit der Reinforcement-Learning-Phase einhergeht, wird mit Whisper-large-v3 bewertet, einem der RL-Reward-Modelle; die zusammen mit VABench berichtete WER nutzt Qwen3-ASR-1.7B für das Sprach-Subset. Die Autoren sagen das selbst, und eine Zahl als die andere zu zitieren, ist der naheliegendste Fehler, der bei diesem Release möglich ist.

• WeMM-Video-4B, gemeinsam audiovisuell — Video-MME mit Audio 83,9 gegenüber 77,3 von Qwen3-Omni-30B-A3B-Instruct und 69,2 von MiniCPM-o-4.5-9B; Video-MME v2 48,1 gegenüber 36,3 und 28,1; Daily-Omni 82,5 gegenüber 70,7 und 80,2, alle im Thinking-Modus.

• WeMM-Video-4B, wo es verliert — MMAU 75,2 gegen 80,4 von Qwen3.5-Omni-Flash und MMAR 67,3 gegen 74,0, mit einem Sieg bei MMAU-Pro mit 68,1 gegen 64,8. Video-Holmes 58,8 gegen 64,3 von MiniCPM-o-4.5-9B, und FutureOmni 50,9 gegen 55,1 und 56,1.

Zwei Vorbehalte gehen mit der WeMM-Spalte einher. Das Paper nennt weder die Anzahl der Frames noch das Pixelbudget oder die Kontextlänge, die für seine Video-Evaluierungen verwendet werden, was wichtig ist, weil das ausgelieferte Rezept sechzehn Frames verwendet, während der Prozessor standardmäßig 128 nutzt. Und der Modus wechselt zwischen den Tabellen: Thinking für Video, Instruct für Audio, Thinking erneut für Bild und Text. Der Vergleich einer WeMM-Audiozeile mit einer Videozeile eines Wettbewerbers ist kein Vergleich.

Wall-Clock, die Zahl, die niemand nennt

Kandinskys Repository veröffentlicht die Kennzahl, die darüber entscheidet, ob ein offenes Videomodell auf Ihrer Hardware nutzbar ist, und sie ist nicht schmeichelhaft. Dies sind die Laufzeiten des nicht destillierten Basismodells für einen einzelnen fünfsekündigen Clip nach dem Aufwärmen, ohne das Laden der Gewichte und die MP4-Kodierung, wobei Full HD bedeutet, dass auch der Super-Resolution-Durchgang läuft.

• Full HD, Pro — 402 Sekunden auf einer H100, 765 auf einer RTX PRO 6000, 854 auf einer RTX 5090, 1.106 auf einer A100 80GB, 1.247 auf einer RTX 4090, 3.530 auf einer RTX 5060 Ti.

• Full HD, Lite — 284 Sekunden auf einer H100, 387 auf einer RTX PRO 6000, 406 auf einer RTX 5090, 664 auf einer A100, 578 auf einer 4090, 1.774 auf einer 5060 Ti.

• SD, Pro — 356 Sekunden auf einer H100 gegenüber 936 auf einer 4090, wobei die Einbuße bei Consumer-Karten am geringsten ist.

Der Spitzenwert des zugewiesenen Speichers erreicht bei einem Pro-SD-Lauf 72,8 GiB und liegt damit über dem, was jede Consumer-Karte bietet – deshalb liefert das Repository Block-Offloading mit: zwei Transformer-Blöcke resident, der Rest aus dem Host-Speicher gestreamt, mit Presets für 32, 24 und 16 GB. Die Presets für 32 und 24 GB sind identisch, weil oberhalb von 24 GB der zusätzliche Spielraum keinen Geschwindigkeitsvorteil bringt. Der versteckte Haken ist, dass beim 16-GB-Preset der Text-Encoder auf NF4 quantisiert wird, und das Paper stellt ausdrücklich klar, dass dies die einzige Preset-Änderung ist, die den Clip selbst verändert – bei rund 12 Prozent der Pixel, die sich um eine Helligkeitsstufe unterscheiden, bei etwa 57 dB PSNR. Wenn Sie auf einer 16-GB-Karte das Ergebnis von jemand anderem reproduzieren und es nicht übereinstimmt, prüfen Sie das zuerst.

WeMM-Video-4B hat keine entsprechende Tabelle, und dieses Fehlen ist selbst aussagekräftig. Tencent hat validiert, dass der Checkpoint lädt und generiert. Ein Modell, dessen Verkaufsargument Video ist und das nur mit „es generierte“ beschrieben wird, überlässt Ihnen die gesamte Kostenseite einer Deployment-Entscheidung.

Eine Textebene um beide herum verdrahten

Wenn Sie eines davon ausführen, benötigt der umgebende Stack dieselben drei Dinge, und keines davon ist das Modell. Prompt-Erweiterung verwandelt eine Shot-Beschreibung in die lange, mittlere oder kurze Bildunterschrift, mit der Kandinsky trainiert wurde, oder in die Frage, die WeMM beantworten soll. Transkription und Beschriftung speisen einen Image-to-Video-Durchlauf oder bereiten einen Clip für die Beschreibung vor. Review-Zusammenfassungen entscheiden, welche von vier Generationen behalten wird – das ist der Aufruf, den Sie bei jedem Kandidaten bezahlen, nicht erst bei jedem Überlebenden.

Das sind gewöhnliche Text-Completions, und sie sind der Teil dieses Stacks, den OrcaRouter abdeckt: ein OpenAI-kompatibler Schlüssel über mehr als zweihundert Modelle hinweg, Anbieter-Listenpreise mit 0 % Aufschlag durchgereicht, sodass sich eine Preisänderung eines Anbieters am selben Tag niederschlägt, und automatisches Failover, damit eine ausfallende Caption-Stufe nicht einen fünfminütigen Render mitreißt. Keines der beiden Modelle ist auf der Plattform — der Katalog hat keinen Kandinsky-Eintrag und keinen WeMM-Eintrag, und keine Routing-Schicht verwandelt einen Weight-Download in einen gehosteten Endpunkt. Was der Router beseitigt, ist die Integrationsarbeit rund um die beiden Modelle, die Sie tatsächlich selbst hosten, plus eine Möglichkeit, einen zweiten Anbieter hinter dem ersten bereitzuhalten, ohne einen zweiten Client zu schreiben.

Zwei Decken, eine Entscheidung

Frag, innerhalb welcher Obergrenze du arbeiten kannst. Wenn du Material mit Ton brauchst und in Fünf-Sekunden-Einheiten schneiden kannst, ist Kandinsky 6.0 Video die vollständigere Veröffentlichung auf jeder Achse, die nicht die Rohqualität betrifft: MIT-Lizenz, vier Deployment-Oberflächen, ein H100-Wert, mit dem du ein Budget planen kannst, und ein Super-Resolution-Durchlauf, der Full HD zu einer echten Einstellung statt zu einem Versprechen macht. Seine Einschränkung ist die Dauer, und um die Dauer herum lässt sich leicht planen.

Wenn Sie wissen müssen, was in bereits vorhandenem Filmmaterial steckt – was auf dem Bildschirm passiert und was darüber hörbar ist –, ist WeMM-Video-4B der einzige der beiden, der das beantworten kann, und seine Einschränkung ist die Wiedergabetreue: Sechzehn abgetastete Einzelbilder und achttausend Tokens sind das, was das mitgelieferte Rezept Ihnen bietet, und die Zeilen des Langvideo-Benchmarks wurden unter Bedingungen erzeugt, die das Paper nicht beschreibt.

Was keine der beiden Veröffentlichungen bietet, ist genau das, was diesen Vergleich kostengünstig machen würde: eine Zahl von jemandem, der das Papier nicht geschrieben hat. Beide sind offen, beide sind permissiv lizenziert, und beide sind für jedes Leaderboard unsichtbar, das den Streit entscheiden würde. Bis eines von beiden unabhängig gemessen wird, ist die Obergrenze in jedem Repository die verlässlichste Tatsache, die einer der beiden Anbieter veröffentlicht hat.