Tarjeta de título que dice «WeMM-Video-9B vs Kandinsky 6.0 Video» con el subtítulo «Ambos abiertos, ninguno medido», dos paneles separados por un disco con «vs»: el izquierdo encabezado por WeMM-Video-9B con una insignia «Apache 2.0» y filas que dicen «lector denso de 9B», «19.54 GiB BF16», «16 fotogramas a 2 fps», «dos vídeos por solicitud», «devuelve texto»; el derecho encabezado por Kandinsky 6.0 Video con una insignia «licencia MIT» y filas que dicen «29B Pro, 3B Lite», «5 s, 121 fotogramas, 24 fps», «audio de 44.1 kHz en la misma pasada», «sin modo de extensión», «unos 7 min en H100 por clip».
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video: ambos abiertos, ninguno medido

Autor

jinhao.song

Fecha de publicación

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

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 T​encent'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.

Lo que sigue trata los dos lanzamientos como lo que son: un modelo abierto de nivel de producción con un ecosistema, y un lanzamiento de investigación con un artículo. Ambas descripciones son elogios y ambas son limitaciones, y el orden en que las leas determinará cuál deberías descargar.

Cinco segundos es la duración entrenada

Kandinsky 6.0 Video produce clips de cinco segundos, y la palabra importante es «entrenado», no «predeterminado». Cinco segundos a 121 fotogramas es la duración que aprendió el modelo; pedir más no es un ajuste, es extrapolación, y Sber no lo presenta como otra cosa. Dentro de esos cinco segundos obtienes audio de 44 kHz generado en la misma pasada con sincronización labial, lo cual es una capacidad realmente poco común con esta licencia y este tamaño.

La superficie de despliegue es la parte que separa con mayor nitidez las dos versiones. Desde el primer día, Kandinsky 6.0 Video incluyó un paquete de Diffusers, un punto de entrada de línea de comandos, dos nodos de ComfyUI y dos Spaces. Luego, un colaborador externo fusionó la solicitud de extracción 8537 en vLLM-Omni, registrando el pipeline como Kandinsky6TI2VAPipeline y sirviendo texto a vídeo y audio e imagen a vídeo y audio desde un único DiT.

WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation T​encent 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 — quantized_and_independently_reloaded_native_inference_pending, con native_inference_validated y native_low_precision_gemm_validated ambos en false.

• AWQ W4A16, 12.86 GiB — cuantizado_sin_validar.

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, con GEMM FP4 nativo, inferencia PRO5000 y validación de vLLM todas falsas, además de una atestación numérica de RMSE relativo medio de 0.095 frente a un límite de 0.35.

• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on T​encent's own runtime, not llama.cpp or Ollama.

Cuatro compilaciones comprimidas, todas dentro de 0,42 GiB entre sí, ninguna de ellas validada para inferencia nativa. Compárese con Kandinsky 6.0 Video, donde la licencia MIT y cuatro front ends independientes significan que el problema de validación ya se ha distribuido entre personas que no son Sber.

Two-column scoreboard headed 'WeMM-Video-9B vs Kandinsky 6.0 Video — the scoreboard', six shared dimensions in rows: Price ('free, self-host' against 'free, self-host'), Board position ('none, unrankable' against 'none, no arena row'), Licence ('Apache 2.0' against 'MIT'), Clip length ('8 s of sampled input' against '5 s, 121 frames'), Audio ('reads the soundtrack' against '44.1 kHz in-pass'), Release ('17 Nov 2026' against '6 Oct 2026'), with a footer reading 'Kandinsky figures per Sber's own evaluation; WeMM-Video-9B figures vendor-reported.'

Diecinueve gigabytes y medio, desglosados

WeMM-Video-9B compensa su escaso relato de despliegue con una descripción inusualmente completa de sí mismo. La cifra de parámetros es de 10.488.603.384 repartidos en 1.305 tensores. El desglose está publicado: 7,94B de backbone de lenguaje, que incluye un embedding de tokens de 1,02B, una cabeza de salida no vinculada de 1,02B, una torre de audio de 1,08B —32 capas al estilo Whisper de ancho 1.280 detrás de un Q-Former de dos capas, diez tokens de audio por segundo— y una torre de visión de 0,46B con 27 bloques, 1.152 de dimensión oculta, parche 16 y fusión espacial 2×2.

Solo el FFN denso se cuantiza en las versiones comprimidas: 96 matrices de lenguaje, tres por capa en 32 capas, de 4.096 por 12.288, lo que supone 4.831.838.208 elementos de 10,49 mil millones. La atención se restaura a BF16 —152 matrices de proyección más 32 normas de entrada, todas con hashes SHA-256— y 1.209 tensores permanecen exactos bit a bit. Aproximadamente 3,57 mil millones de parámetros, unos 7,1 GB, de la torre de visión, la torre de audio, el embedding y la cabeza de salida nunca entran en el cuantizador en absoluto. Por eso AWQ ahorra un 34 % frente a BF16 en lugar del 70 % que sugiere el nombre.

Nada de esto te dice si el modelo es bueno. Te dice que el lanzamiento es auditable, que es una virtud distinta y subestimada.

Ninguno tiene una puntuación independiente.

Kandinsky 6.0 Video no aparece en ninguna de las tres clasificaciones de vídeo de Artificial Analysis. Tampoco aparece WeMM-Video-9B. Las dos ausencias tienen causas diferentes y la diferencia importa.

Kandinsky 6.0 Video no tiene una presentación para la arena, y el tablero de texto a vídeo exige un precio de API antes de listar un modelo: cinco segundos de salida de pesos abiertos sin tarifa comercial no tienen ninguna fila que ocupar. WeMM-Video-9B no es clasificable en un sentido más profundo: los tableros puntúan el metraje generado, y este genera texto.

Lo que cada laboratorio ofrece en su lugar es su propia evaluación, y ambas deberían leerse con el mismo escepticismo.

• Kandinsky 6.0 Video — resultados de VABench reportados por el proveedor, además de una evaluación humana realizada por el laboratorio, con aproximadamente 200 comparaciones por pares por criterio. También se reporta una reducción del 47 % en la tasa de error de palabras del habla generada tras el postentrenamiento con RL. Esa última cifra merece una advertencia: se midió con Whisper-large-v3, mientras que la cifra de WER de VABench con la que se compara usa Qwen3-ASR-1.7B. Dos reconocedores distintos, dos tasas de error distintas, ninguna resta válida. Puede que la mejora sea real; la cifra tal como se presenta no es comparable.

• WeMM-Video-9B — la propia infraestructura de evaluación de los autores, presentada como «resultados oficiales cuando estaban disponibles y nuestras propias evaluaciones en caso contrario». En modo de razonamiento, en tareas audiovisuales conjuntas supera a Qwen3-Omni-30B-A3B-Instruct en 35 de 37 métricas compartidas, incluidas Video-MME con audio, 85,1 frente a 77,3, y SciVideoBench, 64,2 frente a 49,9, y pierde en una, FutureOmni, con 53,7 frente a 55,1. En vídeo sin audio, frente a su modelo base Qwen3.5-9B, gana en F-16-NBA, 88,7 frente a 75,8, y en TimeLens, y pierde en MLVU, LVBench, VideoVista, VSI-Bench y MVBench.

Dos versiones abiertas, dos evaluaciones autoevaluadas, sin terceros. Ese es el estado del arte honesto para ambas.

Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an image-to-video pipeline tag, the Diffusers and Safetensors libraries, the Kandinsky6TI2VAPipeline tag, an MIT licence, an arXiv reference, and the model card opening on the Kandinsky 6.0 family of diffusion models for video and audio generation.

Dieciséis fotogramas frente a cinco segundos

Donde se encuentran los dos límites es más interesante que cualquiera de ellos por separado. WeMM-Video-9B incluye una receta de vLLM que anula sus propios valores predeterminados del procesador —2 fps, mínimo 4 fotogramas, máximo 128, 100.663.296 píxeles— para dejarlos en 2 fps y 16 fotogramas a 262.144 píxeles, muestreados alrededor del punto medio del clip. Dieciséis fotogramas a dos por segundo son ocho segundos de cobertura, y cada comando de servicio también pasa un contexto de 8.192 tokens frente a 262.144 embeddings de posición en la arquitectura.

• Kandinsky 6.0 Video — cinco segundos de entrada, cinco segundos de salida, 121 fotogramas, audio de 44 kHz. Una duración entrenada fija.

• WeMM-Video-9B — ocho segundos de entrada muestreada, salida de texto, con la pista de audio completa de hasta aproximadamente trece minutos a diez tokens por segundo.

• La unión — un clip de Kandinsky de cinco segundos cabe dentro de la ventana de ocho segundos de WeMM-Video-9B con tres segundos de sobra, que es la única configuración en la que enrutar un clip generado hacia el descriptor resulta limpio.

• El coste de la unión — Sber informa de unos siete minutos de tiempo de H100 por clip Full-HD, así que una generación de cinco segundos supone una reserva de siete minutos antes de que se realice cualquier descripción en hardware local.

Enrutamiento por duración del clip

Ninguno de los dos modelos se sirve a través de OrcaRouter, y ninguno lo hará: ambos son pesos abiertos que alojas tú mismo. Lo que hace una capa de enrutamiento para una canalización como esta es decidir qué tramo se ejecuta dónde, y el DSL de enrutamiento es el lugar honesto para poner el límite de ocho segundos. Exprésalo como una política —clips de menos de ocho segundos al descriptor local WeMM-Video-9B, clips más largos a un modelo omni alojado—, y el límite deja de ser un comentario en un archivo de configuración que nadie lee hasta que un clip de sesenta segundos vuelve descrito en fragmentos de ocho segundos.

Para el tramo alojado de esa política, una sola API cubre más de 200 modelos con 0% de margen sobre el precio de lista del proveedor, de modo que un pipeline que abarca un descriptor autoalojado y otro alquilado sigue siendo una sola factura y una sola clave. Las rebajas de tarifas de los proveedores te llegan el mismo día en que llegan al proveedor, lo que importa cuando la mitad alojada de tu carga de trabajo se elige por precio.

Screenshot of the OrcaRouter models catalogue showing the search field and the filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, above a product line reading 229 models, 17 providers, one API key and one bill.

Descarga ambos, o ninguno.

Si quieres un pipeline que funcione esta semana, Kandinsky 6.0 Video es la respuesta y no hay comparación. Licencia MIT, cuatro superficies de despliegue desde el primer día, audio sincronizado de 44 kHz con sincronización labial y una duración entrenada de cinco segundos con la que puedes planificar. Renuncias a duración y a validación independiente.

Si quieres un descriptor omnicomodal de 9B que puedas auditar, WeMM-Video-9B es la respuesta, y la auditoría es lo importante: contabilidad completa de parámetros, cobertura de cuantización desglosada, cadenas de estado honestas en cuatro compilaciones no validadas. Renuncias a un contrato de servicio, a un ecosistema y a cualquier evidencia más allá de las propias tablas de los autores.

El error consiste en leer «open weights» como una única propiedad. Una de estas publicaciones se comporta como un producto con una licencia adjunta. La otra se comporta como un artículo con un checkpoint adjunto, y cuál necesitas depende enteramente de si lo que intentas es publicar material de vídeo o entenderlo.