Kandinsky 6.0 Video vs Alibaba Wan 2.7 : des poids ouverts face à une suite de quatre modèles

Kandinsky 6.0 Video vous fournit un checkpoint de 29 milliards de paramètres que vous pouvez télécharger, et vous renvoie un clip de cinq secondes. Wan 2.7 vous propose quatre variantes spécifiques à des tâches, des clips allant jusqu'à quinze secondes, et une facturation à la seconde. Ces deux phrases, c'est la comparaison, et si cela vaut la peine de les coucher par écrit, c'est que la plupart des pages de face-à-face les comparent sur la qualité visuelle, où ni l'une ni l'autre n'a de score indépendant qui permettrait de trancher — et passent sous silence l'axe sur lequel elles divergent véritablement, à savoir ce que chacune attend de vous.

Le Kandinsky Lab de Sber a publié en open source Kandinsky 6.0 Video lors de la première semaine d'octobre 2026, sous licence MIT, en deux tailles — Pro à 29B et Lite à 3B — avec le code, les checkpoints et l'intégration diffusers. Wan 2.7 d'Alibaba est sorti le 3 avril 2026 sous forme de suite : texte-vers-vidéo, image-vers-vidéo, référence-vers-vidéo et édition vidéo, facturé à la seconde de vidéo générée. L'un est un modèle que vous exécutez ; l'autre est un service que vous achetez. La question intéressante n'est pas de savoir lequel est le meilleur, mais lequel a la forme qui convient au travail.

Le seul axe sur lequel ils sont directement comparables

Les deux modèles génèrent de la vidéo avec le son, et non une vidéo à laquelle on ajoute ensuite une bande-son. C’est plus rare qu’il n’y paraît, et c’est pourquoi ces deux-là finissent par être mentionnés ensemble : l’essentiel du secteur produit encore un MP4 silencieux et laisse l’audio à une étape séparée.

Kandinsky 6.0 Video y parvient grâce à un CrossDiT à double flux : un flux vidéo initialisé à partir du checkpoint de Kandinsky 5.0 Video, un flux audio entraîné à partir de zéro sur de grands corpus audio, et une attention croisée bidirectionnelle qui les relie, le tout entraîné conjointement après une étape de préentraînement continu. La sortie est un audio 44 kHz avec synchronisation labiale, à partir d'une invite textuelle (T2AV) ou d'une image de référence (I2AV).

Wan 2.7 produit également de l'audio natif, sans publier le mécanisme avec autant de détails. Sa propre documentation cite la qualité audio et l'exactitude du texte à l'écran comme les deux domaines qui nécessitent encore du travail — une mise en garde sur la fidélité qu'il vaut la peine de retenir, car c'est le fournisseur qui le dit, et non un critique qui le suppose.

C’est là que la ressemblance s’arrête. Tout ce qui se trouve sous cette ligne est une divergence, pas un classement.

Cinq secondes contre quinze, et ce que cela fait à une liste de plans

Kandinsky 6.0 Video est entraîné sur 121 images, 24 fps — cinq secondes — et la version publiée ne contient aucun mode d’extension. L’article, la recette de service fusionnée dans vLLM-Omni et le tableau de performances du dépôt sont tous construits autour de cette unique longueur de clip. Une pièce de trente secondes, c’est six générations et cinq raccords, et les raccords, c’est à vous de les masquer.

Wan 2.7 couvre de deux à quinze secondes en une seule génération, selon la demande. Pour un clip de type talking-head, une insertion produit ou un simple mouvement de caméra, cette différence n’est pas une commodité — c’est la différence entre un seul rendu et une étape d’assemblage. Pour tout ce qui est construit plan par plan, cinq secondes constituent une unité de travail normale et l’écart disparaît en grande partie.

• Durée max du clip — Kandinsky 6.0 Video : 5 s, fixe, 121 images à 24 ips. Wan 2.7 : 2–15 s, défini selon la demande.

• Résolution — Kandinsky 6.0 Video : SD, HD et Full HD (1920×1080) via un modèle de super-résolution distinct. Wan 2.7 : jusqu'à 1080p.

• Conditionnement par référence — Kandinsky 6.0 Video : une image, appliquée comme image de fin masquée. Wan 2.7 : jusqu’à cinq images de sujet et cinq clips de référence, dix éléments par requête.

• Tâches — Kandinsky 6.0 Video : T2AV et I2AV. Wan 2.7 : texte-vers-vidéo, image-vers-vidéo, référence-vers-vidéo et montage vidéo en tant que variantes distinctes avec une facturation séparée.

• Poids — Kandinsky 6.0 Video : MIT, téléchargeables, Pro et Lite. Wan 2.7 : non.

Quatre tâches contre deux modes

Le nombre de tâches est l’aspect de Wan 2.7 qui est sous-valorisé dans les tableaux comparatifs, car il ne s’agit pas d’un argument de qualité — il s’agit d’un argument de périmètre. L’édition de séquences existantes par instructions, où vous décrivez une modification et obtenez le même plan avec cette modification appliquée, est une charge de travail que Kandinsky 6.0 Video n’essaie même pas de traiter. La génération vidéo à partir d’une référence, où une performance fournie pilote un sujet généré, est elle aussi en dehors de ses deux modes.

Sa facturation reflète l’ampleur. Les variantes texte-vers-vidéo et image-vers-vidéo de Wan 2.7 facturent uniquement la durée de sortie — 0,10 $/s en 720p et 0,15 $/s en 1080p sur les points de terminaison internationaux de Singapour, tandis que Pékin et Tokyo affichent 0,086 $/s et 0,143 $/s pour le même travail. La variante référence-vers-vidéo facture aussi la vidéo d’entrée, plafonnée à cinq secondes, de sorte qu’une référence de cinq secondes qui pilote une génération de quinze secondes est facturée pour vingt secondes de travail. La variante d’édition vidéo facture uniquement la sortie et considère les séquences d’entrée comme gratuites — c’est le tarif le plus avantageux de la famille, et la raison pour laquelle l’édition est le domaine où 2.7 est véritablement bon marché.

Deux faits liés au cycle de vie méritent d'être mentionnés à côté de ces chiffres. Alibaba a assorti ses propres plateformes Bailian et Qwen Cloud d'une remise de lancement de 30 % à durée limitée, qui a expiré le 23 septembre 2026. Par ailleurs, l'avis de retrait de Model Studio d'Alibaba Cloud (ID 118434) met hors ligne plusieurs modèles plus anciens le 10 octobre 2026, et wan2.7-r2v et wan2.7-image figurent sur cette liste. Il s'agit d'un retrait au niveau des variantes plutôt que d'un arrêt de la génération — wan2.7-t2v et wan2.7-i2vrestent listés avec des tarifs actifs — mais si la fonction référence-vers-vidéo était la raison pour laquelle vous vous intéressiez à la 2.7, il ne reste que quatre jours pour cette voie.

Ce que les conseils indépendants montrent et ne montrent pas

Voici la section où la plupart des comparaisons de ces deux modèles trichent discrètement, il vaut donc la peine d’être précis sur ce qui existe.

Wan 2.7 obtient des scores indépendants dans trois classements vidéo distincts d'Artificial Analysis, et ceux-ci ne concordent pas entre eux, car ils mesurent des choses différentes :

• Texte-vers-vidéo — Wan2.7-260612 (la version de juin) occupe la 13e–14e place avec un Elo de 1 030 (±9) sur 5 571 votes, à 9,00 $/min.

• Image vers vidéo — Wan 2.7 (la version d'avril) occupe la 12e place avec un Elo de 1 077 (±8) sur 4 571 votes, à 9,00 $/min.

• Montage vidéo — Wan 2.7 se classe 5e avec un Elo de 1 077 (±5) sur 17 988 votes, à 16,90 $/min.

Lisez ces trois éléments ensemble, et la conclusion utile n’est pas que « Wan 2.7 est douzième en vidéo ». C’est que le modèle est nettement plus fort en édition qu’en génération, sur des classements conçus pour chacun, et que citer un seul chiffre à son sujet est une erreur dans un sens comme dans l’autre.

Kandinsky 6.0 Video n'a de score sur aucune d'entre elles. Ses preuves publiées proviennent du fournisseur, et il vaut la peine de préciser exactement de quoi il s'agit : un test VABench dans lequel le laboratoire rapporte que Pro arrive en tête pour la qualité de la parole, l'esthétique audio, l'alignement texte-vidéo et audio-vidéo, la précision de la synchronisation labiale, la désynchronisation et le réalisme visuel parmi les trois systèmes évalués — les deux autres étant son propre modèle Lite et LTX 2.5 — et une évaluation humaine comparative menée par le laboratoire, avec environ 200 comparaisons par paires ou plus par critère, dans laquelle Pro est compétitif face à Kling 2.6 et Veo 3.1 Fast, est devancé par MiniMax H3 et Dreamina Seedance 2.0 sur les critères visuels, et reste compétitif sur la qualité de la parole et la synchronisation audio-vidéo. Rien de tout cela n'a été reproduit en dehors de Sber, et rien de tout cela n'est un Elo sur un classement public en aveugle. La bonne lecture est « prometteur et non audité », pas « égal à Veo ».

Combien chacun coûte, exprimé dans les termes qu’emploie chaque partie

Les deux modèles de tarification ne peuvent pas être réduits à un seul chiffre, et prétendre le contraire est la façon dont les équipes prennent une mauvaise décision.

Wan 2.7 est un tarif à la seconde. Un clip 1080p de quinze secondes coûte environ 2,25 $. Une pièce de trente secondes représente deux générations plus un montage — 4,50 $ de génération brute plus votre temps d’assemblage, ou moins si la variante d’édition fait le travail, car elle ne facture pas l’entrée.

Kandinsky 6.0 Video n'a aucun tarif, car il n'existe aucun service à acheter. Ce qu'il propose, c'est un coût par heure GPU que vous fournissez. Les chiffres du dépôt lui-même établissent le plancher : un clip Pro Full HD de cinq secondes représente environ 402 secondes de temps de calcul sur un H100 après préchauffage, 854 sur une RTX 5090 et 1 247 sur une RTX 4090. Le checkpoint distillé — que l'article a mesuré à parité avec le modèle complet, avec une préférence moyenne de 51 % contre 49 %, sans qu'aucun critère n'atteigne la significativité — est celui que vous serviriez réellement. Tout ce qui est sous 72,8 GiB d'allocation de pointe nécessite un block offloading, et le préréglage 16 GB quantifie l'encodeur de texte en NF4, ce que l'article confirme être le seul changement de préréglage qui modifie le clip lui-même.

Pour le dire simplement : le coût de Wan 2.7 est une ligne sur une facture que vous pouvez prévoir. Le coût de Kandinsky 6.0 Video, c'est une machine que vous possédez, un rendu qui prend des minutes pour cinq secondes, et l'option — pas l'obligation — de l'affiner.

Où se situe un routeur dans ceci

OrcaRouter ne diffuse ni Kandinsky 6.0 Video ni Alibaba Wan 2.7, et aucune de ces affirmations n'est formulée ici. Kandinsky est à vous de télécharger et d'exécuter ; Wan 2.7 est accessible via les plateformes propres à Alibaba. Ce dont un pipeline construit sur l'un ou l'autre de ces modèles a besoin de la part d'un routeur, c'est la couche texte qui entoure le rendu : l'expansion de prompt qui transforme une description de plan en la légende longue ou courte sur laquelle ces modèles ont été entraînés, le travail de légende et de dialogue qui alimente une passe image-vers-vidéo, et les résumés de relecture qui déterminent laquelle de plusieurs générations est à conserver. Ce sont des appels texte ordinaires, et ils s'exécutent sur un seul point de terminaison compatible OpenAI, à travers plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés à 0 % de marge, de sorte qu'une baisse tarifaire d'un fournisseur est effective le jour même plutôt qu'après un cycle contractuel. Le basculement automatique en cas d'échec est plus précieux ici que dans une charge de travail de type conversation, car un appel de légende qui échoue à la quatrième minute d'une session de questions-réponses devrait être réacheminé plutôt que de faire perdre le rendu.

La décision, en une ligne chacune

Si le livrable est un clip fini avec du son et que vous préférez ne pas posséder de GPU, Wan 2.7 est le seul des deux à vous offrir cela, et sa variante d’édition est l’élément le plus solide de la famille d’après les éléments disponibles. Vérifiez le retrait du 10 octobre avant de vous engager dans référence-vers-vidéo.

Si le livrable est un pipeline que vous contrôlez, si des unités de cinq secondes conviennent à votre liste de plans, et si vous voulez affiner ou exécuter hors ligne, Kandinsky 6.0 Video est le seul des deux à le permettre — au prix d'un rendu lent sur du matériel grand public et d'une affirmation de qualité qui reste entièrement celle du laboratoire. L'événement à surveiller de ce côté est simple : un Elo.

Une asymétrie mérite d’être nommée avant de conclure, car elle survivra aux deux modèles. Le plafond de Wan 2.7 est, contractuellement et techniquement, du ressort d’Alibaba — lorsque les variantes de la suite seront retirées ou leur prix modifié, votre pipeline héritera de la décision. Le plafond de Kandinsky 6.0 Video, lui, c’est votre propre matériel, et la licence MIT signifie qu’un fork peut survivre à la feuille de route du laboratoire. Les équipes qui ont été échaudées par la disparition d’un modèle d’un catalogue ont tendance à accorder à cette différence un poids plus important un an plus tard qu’au jour de leur choix.