Tarjeta de título que dice «WeMM-Video-4B vs Kandinsky 6.0 Video» con el subtítulo «Dos límites estrictos», dos paneles separados por un disco con «vs»; el izquierdo, subtitulado «lee clips», enumera 16 fotogramas muestreados de entrada, 8.192 tokens y Apache 2.0 junto a un pequeño icono de ventana con la leyenda «límite de entrada»; el derecho, subtitulado «genera clips», enumera cinco segundos, 121 fotogramas y audio a 44,1 kHz junto a un icono de cronómetro con la leyenda «límite de salida»; con un pie de página que dice «Ambos ausentes de todas las tablas de clasificación de video de Artificial Analysis, 20 de noviembre de 2026».
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: Dos límites duros

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Tanto Kandinsky 6.0 Video como WeMM-Video-4B son lanzamientos de pesos abiertos con licencias permisivas, ambos llegaron en los últimos dos meses sin una campaña de marketing digna de ese nombre, y ambos están ausentes de todas las tablas de vídeo de Artificial Analysis. Esa invisibilidad compartida es donde termina el parecido, y lo que la sustituye es un par de techos que dicen más sobre cada modelo que cualquier fila de benchmark. Kandinsky 6.0 Video genera cinco segundos de metraje con audio sincronizado y luego se detiene: cinco segundos es la duración entrenada, no un valor predeterminado. WeMM-Video-4B procesa un clip mediante dieciséis fotogramas muestreados y luego se detiene, que es lo que su propia receta de servicio establece frente al valor predeterminado de 128 del procesador. Un tope se aplica a la duración de salida, el otro a la fidelidad de entrada, y elegir entre ellos es elegir qué tipo de ceguera puede soportar tu pipeline.

Ninguno de los dos modelos ha sido evaluado de forma independiente. Las cifras de Sber son de Sber, las de T​encent son de T​encent, y los encabezados de las secciones que aparecen a continuación mantienen visible esa delimitación en lugar de ocultarla.

Un techo de cinco segundos y una ventana de dieciséis fotogramas

Kandinsky 6.0 Video fue lanzado por el Kandinsky Lab de Sber el 6 de octubre de 2026 bajo licencia MIT, en dos tamaños: Pro con 29 mil millones de parámetros y Lite con 3 mil millones. Acepta un prompt de texto o una imagen de referencia y devuelve un clip de cinco segundos con audio de 44,1 kHz generado en la misma pasada, incluida la sincronización labial. El artículo y la receta de servicio se basan ambos en 121 fotogramas a 24 fotogramas por segundo, y no hay modo de extensión en la versión. Cualquier cosa más larga es un problema de empalme que es responsabilidad tuya.

WeMM-Video-4B es el hijo mediano de una familia de cuatro tamaños del grupo WeChat Vision de T​encent, subido el 17 de noviembre de 2026, con el informe técnico que le siguió el 19 de noviembre. Tiene 5.611.746.312 parámetros —10,45 GiB en BF16— porque la etiqueta «4B» se refiere a su backbone de lenguaje Qwen3.5-4B y no al checkpoint. Acepta texto, imágenes, vídeo y audio, y devuelve texto.

• Kandinsky 6.0 Video — límite de salida: cinco segundos, 121 fotogramas, 24 fps, audio de 44,1 kHz unido a la imagen.

• WeMM-Video-4B — límite de entrada: 2 fotogramas por segundo muestreados hasta un máximo de 16 fotogramas, 262.144 píxeles en total, dentro de un contexto de 8.192 tokens que el audio consume a 10 tokens por cada segundo.

• Ambos — el límite está en la configuración enviada, no en la arquitectura, y ninguno de los repositorios explica qué haría el modelo sin él.

Al leer los dos juntos, se sugiere un flujo de trabajo que ninguno de los proveedores documenta: un clip de cinco segundos entregado a un descriptor que muestrea dieciséis fotogramas es un clip muestreado a aproximadamente tres fotogramas por segundo, lo que está por encima del propio mínimo de dos por segundo de la receta. Ese es el único punto en el que estos dos modelos encajan limpiamente, y vale la pena notarlo precisamente porque es accidental.

Las licencias son la parte fácil esta vez.

Por una vez, la comparación legal no es la decisión. Ambas versiones son permisivas y ambas están debidamente documentadas en este punto, lo cual es un alivio después de un año de Apple AMLR y componentes de demostración no comerciales.

• Kandinsky 6.0 Video — MIT en el código, los pesos y la integración con diffusers. El repositorio incluye dos nodos de ComfyUI instalables a través de ComfyUI Manager y dos Hugging Face Spaces, uno para el checkpoint destilado Pro y otro para superresolución.

• WeMM-Video-4B — Apache 2.0 en toda la colección, con un archivo de licencia de T​encent que indica que los componentes de terceros permanecen bajo sus términos originales. La excepción no está desglosada por elementos, lo que constituye una laguna real más que una formalidad, dado que la pila de audio desciende de Qwen2.5-Omni y el núcleo de Q​wen3.5, ambos Apache 2.0.

• Ambos — el uso comercial está disponible, y ninguno de los dos proveedores publica una política de uso que lo restrinja aún más. Si lo que te bloquea es una revisión legal, no será la línea de licencia aquí; será la excepción no desglosada del lado de Tencent.

La superficie de despliegue es donde se separan.

La diferencia más marcada no es la licencia, sino cuánto ha hecho ya otra persona por ti, y la brecha es lo bastante amplia como para cambiar un cronograma.

Kandinsky 6.0 Video llegó el primer día con un paquete de diffusers, una interfaz de línea de comandos, dos nodos de ComfyUI y dos Spaces. Después, un colaborador externo fusionó la solicitud de incorporación de cambios (pull request) 8537 en vLLM-Omni, registrando la pipeline como Kandinsky6TI2VAPipeline, cuyos latentes de vídeo y audio se reducen de ruido conjuntamente mediante un único transformer, con los pesos cargados carpeta por carpeta desde transformer/, vae/, text_encoder/, text_encoder_2/ y audio_vae/, y con una receta de servicio en recipes/Kandinsky/Kandinsky6-TI2VA.md. El condicionamiento por imagen de referencia se aplica como un fotograma final enmascarado en lugar de como un modo independiente, por lo que una única pipeline sirve tanto para texto a vídeo y audio como para imagen a vídeo y audio. El audio está activado de forma predeterminada: una solicitud sin parámetros de audio sigue devolviendo voz, música o sonido ambiente sincronizados.

WeMM-Video-4B tiene el perfil opuesto. Ni vLLM ni SGLang admiten la arquitectura en el proyecto upstream, y una búsqueda en el rastreador de incidencias de vLLM no arroja ninguna solicitud de WeMM-Video. Lo que el repositorio distribuye en su lugar es un directorio patch — superposiciones de código fuente con manifiestos SHA-256 para vLLM 0.18.0 y 0.31.0 y SGLang 0.5.16 y 0.5.19, cada uno fijado a una combinación específica de PyTorch, Transformers y CUDA 12.9, con Python 3.12, FFmpeg y CUDA 12 NPP en la ruta del enlazador para TorchCodec, y una cadena de herramientas de C++ además de Ninja porque SGLang compila kernels en el primer uso. El paquete GGUF está orientado a un entorno de ejecución nativo que se compila desde el repositorio en lugar de llama.cpp, y T​encent lo etiqueta como 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.

Esa asimetría tiene un costo que se puede poner en un cronograma. Kandinsky 6.0 Video es un contenedor que hoy habla HTTP. WeMM-Video-4B es un día de trabajo de cadena de herramientas antes de tu primer token, y la única validación que T​encent afirma es que el vLLM parcheado lo cargó en un H20 y completó las comprobaciones de generación para texto, imagen, audio y vídeo con banda sonora: ni rendimiento, ni latencia, ni huella de memoria, ni cifras de concurrencia.

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.

Lo que dicen los números, y quién los dijo

Artificial Analysis gestiona tres clasificaciones de vídeo —texto a vídeo, imagen a vídeo y edición de vídeo—, cada una con su propia escala Elo y su propio conjunto de votos. Consúltese las tres el 20 de noviembre de 2026: Kandinsky 6.0 Video no aparece en ninguna de ellas, y WeMM-Video-4B tampoco. Ninguna de las dos ausencias constituye un juicio. Kandinsky 6.0 Video no tiene ningún envío a la arena y la clasificación de texto a vídeo del tablero requiere un precio de API para una comparación normalizada, algo de lo que carece un checkpoint abierto; WeMM-Video-4B no puede participar en absoluto en una votación entre dos clips generados, porque no genera ninguno.

Lo que queda es el trabajo de los propios proveedores, y mide cosas distintas en escalas distintas.

• Kandinsky 6.0 Video, calidad — resultados reportados por el proveedor en VABench y una evaluación humana realizada en laboratorio frente a Kling 2.6, Veo 3.1 Fast, MiniMax H3 y Seedance 2.0. Sber también informa, en la ablación del artículo, que el checkpoint destilado que espera que sirvas es preferido o queda empatado en la mayoría de los criterios, con una preferencia media del 51 por ciento frente al 49 por ciento —paridad, a la velocidad que quieres.

• Kandinsky 6.0 Video, audio — dos cifras de tasa de error de palabra en el artículo que no son comparables. La reducción del 47 por ciento que acompaña a la etapa de aprendizaje por refuerzo se evalúa con Whisper-large-v3, uno de los modelos de recompensa del RL; la WER que se reporta junto con VABench usa Qwen3-ASR-1.7B en el subconjunto de habla. Los propios autores lo dicen, y citar una como si fuera la otra es el error más fácil de cometer con esta versión.

• WeMM-Video-4B, conjunto audiovisual — Video-MME con audio 83,9 frente a 77,3 de Qwen3-Omni-30B-A3B-Instruct y 69,2 de MiniCPM-o-4.5-9B; Video-MME v2 48,1 frente a 36,3 y 28,1; Daily-Omni 82,5 frente a 70,7 y 80,2, todo en modo Thinking.

• WeMM-Video-4B, donde pierde — MMAU 75.2 frente a 80.4 de Qwen3.5-Omni-Flash y MMAR 67.3 frente a 74.0, con una victoria en MMAU-Pro de 68.1 frente a 64.8. Video-Holmes 58.8 frente a 64.3 de MiniCPM-o-4.5-9B, y FutureOmni 50.9 frente a 55.1 y 56.1.

Dos advertencias acompañan a la columna de WeMM. El artículo no indica el número de fotogramas, el presupuesto de píxeles ni la longitud de contexto utilizados en sus evaluaciones de vídeo, lo cual importa porque la receta distribuida usa dieciséis fotogramas mientras que el procesador usa 128 por defecto. Y el modo cambia entre tablas: Thinking para vídeo, Instruct para audio, Thinking de nuevo para imagen y texto. Comparar una fila de audio de WeMM con una fila de vídeo de un rival no es una comparación.

Tiempo de reloj, la cifra que nadie menciona

El repositorio de Kandinsky publica la cifra que decide si un modelo de vídeo abierto es utilizable en tu hardware, y no es halagüeña. Estos son los tiempos de trabajo del modelo base no destilado para un único clip de cinco segundos tras el calentamiento, excluyendo la carga de pesos y la codificación MP4; Full HD significa que la pasada de superresolución también se está ejecutando.

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

• Full HD, Lite — 284 segundos en una H100, 387 en una RTX PRO 6000, 406 en una RTX 5090, 664 en una A100, 578 en una 4090, 1.774 en una 5060 Ti.

• SD, Pro — 356 segundos en una H100 frente a 936 en una 4090, donde la penalización de la tarjeta de consumo es menor.

La memoria asignada máxima en una ejecución de Pro SD alcanza los 72,8 GiB, por encima de cualquier tarjeta gráfica de consumo, por lo que el repositorio incluye offloading por bloques —dos bloques del transformer residentes y el resto transmitidos desde la memoria del host— con presets para 32, 24 y 16 GB. Los presets de 32 y 24 GB son idénticos porque por encima de 24 GB el margen adicional no aporta velocidad. La advertencia oculta es que, en el preset de 16 GB, el codificador de texto se cuantiza a NF4, y el artículo es explícito en que este es el único cambio de preset que altera el propio CLIP, con alrededor del 12 % de los píxeles difiriendo en un nivel de brillo a unos 57 dB de PSNR. Si estás reproduciendo el resultado de otra persona en una tarjeta de 16 GB y no coincide, compruébalo primero.

WeMM-Video-4B no tiene una tabla equivalente, y esa ausencia es en sí misma informativa. Tencent validó que el checkpoint se carga y genera. Un modelo cuyo argumento de venta es el vídeo, descrito solo como «generó», deja todo el aspecto de los costes de una decisión de despliegue en tus manos.

Conectando una capa de texto alrededor de ambos

Si ejecutas cualquiera de estos, el stack que los rodea necesita las mismas tres cosas, y ninguna de ellas es el modelo. La expansión de prompt convierte una descripción de plano en el caption largo, medio o corto con el que se entrenó a Kandinsky, o en la pregunta que WeMM debería responder. La transcripción y el captioning alimentan una pasada de imagen a vídeo o preparan un clip para su descripción. Los resúmenes de revisión deciden cuál de cuatro generaciones mantener, que es la llamada que pagas en cada candidato en lugar de en cada superviviente.

Esas son completaciones de texto ordinarias, y son la parte de este stack que OrcaRouter cubre: una clave compatible con OpenAI para más de doscientos modelos, con los precios de lista de los proveedores transferidos con un 0% de margen, de modo que un cambio de precio del proveedor se aplica ese mismo día, y conmutación automática por error para que una etapa de generación de descripciones que falla no se lleve consigo un render de cinco minutos. Ninguno de los dos modelos está en la plataforma: el catálogo no tiene ninguna entrada de Kandinsky ni de WeMM, y ninguna capa de enrutamiento convierte una descarga de pesos en un endpoint alojado. Lo que el router elimina es el trabajo de integración en torno a los dos modelos que sí autoalojas, además de una forma de mantener un segundo proveedor detrás del primero sin escribir un segundo cliente.

Dos límites, una decisión

Pregunta dentro de qué límite puedes trabajar. Si necesitas metraje con sonido y puedes cortar en unidades de cinco segundos, Kandinsky 6.0 Video es la versión más completa en todos los ejes que no sean la calidad bruta: licencia MIT, cuatro superficies de despliegue, una cifra de H100 con la que puedes planificar un presupuesto y una pasada de superresolución que convierte el Full HD en un ajuste real y no en una promesa. Su limitación es la duración, y la duración es fácil de tener en cuenta al diseñar.

Si necesitas saber qué hay en un metraje que ya tienes —qué ocurre en pantalla y qué se oye por encima—, WeMM-Video-4B es el único de los dos que puede responder, y su restricción es la fidelidad: dieciséis fotogramas muestreados y ocho mil tokens son lo que te ofrece la receta implementada, y las filas del benchmark de vídeo largo se produjeron en condiciones que el artículo no describe.

Lo que ninguno de los dos lanzamientos ofrece es eso que haría barata esta comparación: una cifra de alguien que no escribió el artículo. Ambos son abiertos, ambos tienen licencias permisivas y ambos son invisibles para todas las tablas de clasificación que zanjarían la disputa. Hasta que uno de ellos se mida de forma independiente, el techo de cada repositorio es el dato más fiable que cualquiera de los dos proveedores ha publicado.