
WeMM-Video-9B vs. Kandinsky 6.0 Video: Beide offen, keines gemessen
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 182 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 364 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 87 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 148 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
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 Tencent'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.
Das Folgende behandelt die beiden Releases als das, was sie sind: ein produktionsreifes offenes Modell mit einem Ökosystem und eine Forschungsveröffentlichung mit einem Paper. Beide Beschreibungen sind Komplimente und beide sind Einschränkungen, und die Reihenfolge, in der du sie liest, entscheidet darüber, welche du herunterladen solltest.
Fünf Sekunden ist die trainierte Länge.
Kandinsky 6.0 Video erzeugt fünfsekündige Clips, und das wichtige Wort ist „trainiert“, nicht „Standard“. Fünf Sekunden bei 121 Frames sind die Länge, die das Modell gelernt hat; nach mehr zu fragen ist keine Einstellung, sondern Extrapolation, und Sber stellt es auch nicht anders dar. Innerhalb dieser fünf Sekunden erhält man 44-kHz-Audio, das im selben Durchgang mit Lippensynchronisations-Ausrichtung erzeugt wird, was bei dieser Lizenz und dieser Größe eine wirklich ungewöhnliche Fähigkeit ist.
Die Deployment-Oberfläche ist der Teil, der die beiden Releases am schärfsten trennt. Am ersten Tag lieferte Kandinsky 6.0 Video ein Diffusers-Bundle, einen Kommandozeilen-Einstiegspunkt, zwei ComfyUI-Knoten und zwei Spaces. Dann hat ein externer Contributor Pull Request 8537 in vLLM-Omni gemergt, die Pipeline als Kandinsky6TI2VAPipeline registriert und Text-zu-Video-und-Audio sowie Bild-zu-Video-und-Audio aus einem einzigen DiT bedient.
WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation Tencent 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 — quantisiert und unabhängig neu geladen, native Inferenz ausstehend, wobei native_inference_validated und native_low_precision_gemm_validated beide false sind.
• AWQ W4A16, 12,86 GiB — quantized_unvalidated.
• NVFP4 W4A16, 13,07 GiB — cpu_NVFP4_weight_artifact_independently_reread, wobei native FP4 GEMM, PRO5000-Inferenz und vLLM-Validierung alle falsch sind, plus eine zahlenmäßige Bestätigung eines mittleren relativen RMSE von 0,095 gegenüber einem Grenzwert von 0,35.
• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on Tencent's own runtime, not llama.cpp or Ollama.
Vier komprimierte Builds, alle nur maximal 0,42 GiB voneinander entfernt, keiner davon für native Inferenz validiert. Vergleichen Sie das mit Kandinsky 6.0 Video, bei dem die MIT-Lizenz und vier unabhängige Frontends dafür sorgen, dass das Validierungsproblem bereits auf Leute verteilt ist, die nicht Sber sind.

Neunzehneinhalb Gigabyte, aufgeschlüsselt
WeMM-Video-9B gleicht seine dürftige Deployment-Darstellung mit einer ungewöhnlich vollständigen Darstellung seiner selbst aus. Die Parameterzahl beträgt 10.488.603.384 über 1.305 Tensoren. Die Aufteilung ist veröffentlicht: 7,94B Sprach-Backbone einschließlich eines 1,02B Token-Embeddings, 1,02B nicht gebundener Ausgabekopf, 1,08B Audio-Turm — 32 Whisper-artige Schichten bei Breite 1.280 hinter einem zweischichtigen Q-Former, zehn Audio-Tokens pro Sekunde — und 0,46B Vision-Turm bei 27 Blöcken, Hidden 1.152, Patch 16, 2×2 räumlicher Merge.
In den komprimierten Builds wird nur das dichte FFN quantisiert: 96 Sprachmatrizen, drei pro Schicht über 32 Schichten hinweg mit 4.096 × 12.288, was 4.831.838.208 Elemente von 10,49 Mrd. sind. Die Attention wird wieder auf BF16 umgestellt – 152 Projektionsmatrizen plus 32 Input-Normen, alle mit SHA-256-Hashes – und 1.209 Tensoren bleiben bitgenau. Rund 3,57 Mrd. Parameter, etwa 7,1 GB, von Vision-Tower, Audio-Tower, Embedding und Output-Head gelangen überhaupt nicht in den Quantisierer. Deshalb spart AWQ 34 % gegenüber BF16 statt der 70 %, die der Name suggeriert.
Nichts davon sagt dir, ob das Modell etwas taugt. Es sagt dir, dass die Veröffentlichung auditierbar ist, was eine andere und unterschätzte Tugend ist.
Keines von beiden hat eine unabhängige Punktzahl.
Kandinsky 6.0 Video erscheint auf keiner der drei Video-Ranglisten von Artificial Analysis. WeMM-Video-9B ebenfalls nicht. Die beiden Abwesenheiten haben unterschiedliche Ursachen, und der Unterschied ist wichtig.
Kandinsky 6.0 Video hat keine Einreichung für die Arena, und das Text-to-Video-Board verlangt einen API-Preis, bevor es ein Modell auflistet – fünf Sekunden Open-Weight-Ausgabe ohne kommerziellen Tarif haben keine Zeile, die sie besetzen könnten. WeMM-Video-9B lässt sich in einem tieferen Sinn nicht in eine Rangliste einordnen: Die Boards bewerten generiertes Filmmaterial, und es generiert Text.
Was jedes Labor stattdessen bietet, ist seine eigene Bewertung, und beide sollten mit derselben Skepsis gelesen werden.
• Kandinsky 6.0 Video — vom Anbieter gemeldete VABench-Ergebnisse plus eine vom Labor durchgeführte menschliche Bewertung, rund 200 paarweise Vergleiche pro Kriterium. Außerdem eine gemeldete Reduzierung der Worterkennungsfehlerrate bei generierter Sprache um 47 % nach RL-Nachtraining. Diese letzte Zahl muss man mit einem Warnhinweis versehen: Sie wurde mit Whisper-large-v3 gemessen, während die VABench-WER-Zahl, mit der sie verglichen wird, auf Qwen3-ASR-1.7B beruht. Zwei verschiedene Erkennungssysteme, zwei verschiedene Fehlerraten, keine gültige Subtraktion. Die Verbesserung mag durchaus real sein; die Zahl in der vorliegenden Form ist nicht vergleichbar.
• WeMM-Video-9B — die eigene Testumgebung der Autoren, ausgewiesen als „offizielle Ergebnisse, soweit verfügbar, andernfalls unsere eigenen Evaluierungen“. Im Thinking-Modus übertrifft es bei gemeinsamen audio-visuellen Aufgaben Qwen3-Omni-30B-A3B-Instruct bei 35 von 37 gemeinsamen Kennzahlen, darunter Video-MME mit Audio mit 85,1 gegen 77,3 und SciVideoBench mit 64,2 gegen 49,9, und unterliegt in einem Fall, FutureOmni, mit 53,7 gegen 55,1. Bei Video ohne Ton legt es im Vergleich zu seinem Qwen3.5-9B-Backbone bei F-16-NBA mit 88,7 gegen 75,8 und bei TimeLens zu und verliert bei MLVU, LVBench, VideoVista, VSI-Bench und MVBench.
Zwei offene Releases, zwei Selbsteinschätzungen, keine Drittpartei. Das ist der ehrliche Stand der Dinge bei beiden.

Sechzehn Einzelbilder gegenüber fünf Sekunden
Wo die beiden Obergrenzen zusammentreffen, ist es interessanter als jede für sich allein. WeMM-Video-9B liefert ein vLLM-Rezept, das seine eigenen Prozessor-Standardwerte – 2 fps, mindestens 4 Frames, maximal 128, 100.663.296 Pixel – auf 2 fps und 16 Frames bei 262.144 Pixeln heruntersetzt, abgetastet etwa um den Mittelpunkt des Clips. Sechzehn Frames bei zwei pro Sekunde ergeben acht Sekunden Abdeckung, und jeder Serving-Befehl führt außerdem einen Kontext von 8.192 Tokens gegen 262.144 Positions-Embeddings in der Architektur aus.
• Kandinsky 6.0 Video — fünf Sekunden Input, fünf Sekunden Output, 121 Frames, 44-kHz-Audio. Eine fest trainierte Länge.
• WeMM-Video-9B — acht Sekunden gesampelte Eingabe, Textausgabe, mit der vollständigen Audiospur von bis zu etwa dreizehn Minuten bei zehn Tokens pro Sekunde.
• Die Verbindung — ein fünfsekündiger Kandinsky-Clip passt in das achtsekündige Fenster von WeMM-Video-9B, mit drei Sekunden Spielraum, was die einzige Konfiguration ist, bei der die Weiterleitung eines generierten Clips in den Beschreiber sauber ist.
• Die Kosten der Zusammenführung — Sber berichtet von rund sieben Minuten H100-Zeit pro Full-HD-Clip, eine Fünf-Sekunden-Generierung ist also eine Reservierung von sieben Minuten, bevor auf lokaler Hardware überhaupt eine Beschreibung erfolgt.
Routing nach Cliplänge
Keines der beiden Modelle wird über OrcaRouter bereitgestellt, und keines wird es werden: Beide sind offene Gewichte, die Sie selbst hosten. Was eine Routing-Schicht für eine Pipeline wie diese leistet, ist zu entscheiden, welcher Abschnitt wo läuft, und die Routing-DSL ist der ehrliche Ort für die Acht-Sekunden-Grenze. Drücken Sie sie als Richtlinie aus – Clips unter acht Sekunden an den lokalen WeMM-Video-9B-Beschreiber, längere Clips an ein gehostetes Omni-Modell –, und die Grenze ist nicht länger ein Kommentar in einer Konfigurationsdatei, den niemand liest, bis ein sechzig Sekunden langer Clip zurückkommt und in Acht-Sekunden-Fragmenten beschrieben wurde.
Für den gehosteten Teil dieser Strategie gilt: Eine API deckt über 200 Modelle ab, mit 0 % Aufschlag auf den Listenpreis des Anbieters, sodass eine Pipeline, die einen selbst gehosteten Describer und einen gemieteten umfasst, weiterhin eine einzige Rechnung und einen einzigen Schlüssel bedeutet. Preissenkungen der Anbieter erreichen Sie an dem Tag, an dem sie beim Anbieter ankommen, was zählt, wenn die gehostete Hälfte Ihrer Workload nach dem Preis ausgewählt wird.

Beide herunterladen oder keine.
Wenn Sie diese Woche eine funktionierende Pipeline wollen, ist Kandinsky 6.0 Video die Antwort – und das nicht knapp. MIT-Lizenz, vier Deployment-Oberflächen ab dem ersten Tag, synchronisiertes 44-kHz-Audio mit Lip-Sync und eine trainierte Länge von fünf Sekunden, mit der Sie planen können. Dafür verzichten Sie auf Dauer und unabhängige Validierung.
Wenn Sie einen 9B-omnimodalen Describer möchten, den Sie auditieren können, ist WeMM-Video-9B die Antwort, und das Audit ist der Punkt: vollständige Parameterbilanz, aufgeschlüsselte Quantisierungsabdeckung, ehrliche Statusstrings bei vier nicht validierten Builds. Sie verzichten auf einen Serving-Vertrag, ein Ökosystem und jegliche Evidenz jenseits der Tabellen der Autoren selbst.
Der Fehler besteht darin, „offene Gewichte“ als eine einzige Eigenschaft zu lesen. Eine dieser Veröffentlichungen verhält sich wie ein Produkt mit angehängter Lizenz. Die andere verhält sich wie ein Paper mit angehängtem Checkpoint, und welche du brauchst, hängt vollständig davon ab, ob du Filmmaterial ausliefern oder es verstehen willst.
