
WeMM-Video-4B vs Kandinsky 6.0 Video : deux limites strictes
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 182 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 356 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 147 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Les deux Kandinsky 6.0 Video et WeMM-Video-4B sont des publications à poids ouverts sous licences permissives ; tous deux sont apparus au cours des deux derniers mois sans campagne marketing digne de ce nom, et tous deux sont absents de tous les tableaux vidéo d'Artificial Analysis. C'est là que s'arrête la ressemblance, et ce qui la remplace, ce sont deux plafonds qui vous en disent plus sur chaque modèle que n'importe quelle ligne de benchmark. Kandinsky 6.0 Video produit cinq secondes de séquence avec audio synchronisé, puis s'arrête — cinq secondes, c'est la longueur d'entraînement, pas une valeur par défaut. WeMM-Video-4B lit un clip via seize images échantillonnées, puis s'arrête, ce que sa propre recette de service impose face à une valeur par défaut du processeur de 128. Un plafond porte sur la durée de sortie, l'autre sur la fidélité d'entrée, et choisir entre les deux revient à choisir quel type d'aveuglement votre pipeline peut supporter.
Aucun des deux modèles n'a été évalué de manière indépendante. Les chiffres de Sber sont ceux de Sber, ceux de Tencent sont ceux de Tencent, et les titres de section ci-dessous maintiennent cette frontière visible plutôt que de l'enfouir.
Un plafond de cinq secondes et une fenêtre de seize images
Kandinsky 6.0 Video a été publié par Kandinsky Lab de Sber le 6 octobre 2026 sous licence MIT, en deux tailles : Pro à 29 milliards de paramètres et Lite à 3 milliards. Il prend une invite textuelle ou une image de référence et renvoie un clip de cinq secondes avec un audio à 44,1 kHz généré dans la même passe, synchronisation labiale incluse. L’article et la recette de déploiement sont tous deux conçus autour de 121 images à 24 images par seconde, et il n’existe pas de mode d’extension dans cette version. Tout ce qui est plus long relève d’un problème d’assemblage qui vous incombe.
WeMM-Video-4B est l’enfant du milieu d’une famille de quatre tailles du groupe WeChat Vision de Tencent, mis en ligne le 17 novembre 2026, le rapport technique ayant suivi le 19 novembre. Il compte 5 611 746 312 paramètres — 10,45 Gio en BF16 — car l’étiquette « 4B » renvoie à son socle linguistique Qwen3.5-4B plutôt qu’au checkpoint. Il accepte le texte, les images, la vidéo et l’audio, et renvoie du texte.
• Kandinsky 6.0 Video — limite de sortie : cinq secondes, 121 images, 24 i/s, audio à 44,1 kHz soudé à l’image.
• WeMM-Video-4B — limite d'entrée : 2 images par seconde échantillonnées jusqu'à un maximum de 16 images, 262 144 pixels au total, dans un contexte de 8 192 tokens que l'audio consomme à raison de 10 tokens par seconde.
• Les deux — le plafond se trouve dans la configuration livrée, pas dans l'architecture, et aucun des deux dépôts n'explique ce que le modèle ferait sans lui.
En lisant les deux ensemble, un workflow s’impose que ni l’un ni l’autre fournisseur ne documente : un clip de cinq secondes confié à un descripteur qui échantillonne seize images est un clip échantillonné à environ trois images par seconde, soit au-dessus du seuil minimal de deux images par seconde propre à la recette. C’est le seul endroit où ces deux modèles s’emboîtent proprement, et cela vaut la peine d’être remarqué précisément parce que c’est accidentel.
Les licences sont la partie facile cette fois-ci.
Pour une fois, la comparaison juridique n'est pas le facteur décisif. Les deux versions sont permissives et toutes deux correctement documentées sur ce point, ce qui est un soulagement après une année d'AMLR d'Apple et de composants de démonstration non commerciaux.
• Kandinsky 6.0 Video — MIT pour le code, les poids et l'intégration diffusers. Le dépôt fournit deux nœuds ComfyUI installables via ComfyUI Manager et deux Hugging Face Spaces, l'un pour le checkpoint distillé Pro et l'autre pour la super-résolution.
• WeMM-Video-4B — Apache 2.0 pour l’ensemble de la collection, avec un fichier de licence Tencent précisant que les composants tiers restent soumis à leurs conditions d’origine. L’exception n’est pas détaillée, ce qui constitue une véritable lacune plutôt qu’une formalité, étant donné que la pile audio descend de Qwen2.5-Omni et que le backbone descend de Qwen3.5, tous deux sous Apache 2.0.
• Les deux — l’utilisation commerciale est autorisée, et aucun des deux fournisseurs ne publie de politique d’utilisation qui la restreigne davantage. Si une revue juridique est votre point de blocage, ce ne sera pas la clause de licence ici ; ce sera l’exception non détaillée du côté de Tencent.
La surface de déploiement est le point où ils se séparent
La différence la plus nette ne tient pas à la licence, mais à ce que quelqu’un d’autre a déjà fait pour vous, et l’écart est suffisamment large pour changer un calendrier.
Kandinsky 6.0 Video est arrivé dès le premier jour avec un bundle diffusers, une interface en ligne de commande, deux nœuds ComfyUI et deux Spaces. Ensuite, un contributeur externe a fusionné la pull request 8537 dans vLLM-Omni, en enregistrant le pipeline sous le nom de Kandinsky6TI2VAPipeline avec les latents vidéo et audio débruités conjointement par un seul transformer, les poids étant chargés dossier par dossier depuis transformer/, vae/, text_encoder/, text_encoder_2/ et audio_vae/, et une recette de service à recipes/Kandinsky/Kandinsky6-TI2VA.md. Le conditionnement par image de référence est appliqué sous forme d’image de fin masquée plutôt que de mode distinct, de sorte qu’un seul pipeline sert à la fois le texte-vers-vidéo-et-audio et l’image-vers-vidéo-et-audio. L’audio est activé par défaut : une requête sans paramètres audio renvoie tout de même de la parole, de la musique ou des ambiances synchronisées.
WeMM-Video-4B présente le profil inverse. Ni vLLM ni SGLang ne prennent en charge cette architecture en amont, et une recherche dans le gestionnaire de tickets de vLLM ne donne aucune demande pour WeMM-Video. Ce que le dépôt fournit à la place, c'est un répertoire patch — des surcouches de code source avec des manifestes SHA-256 pour vLLM 0.18.0 et 0.31.0 et SGLang 0.5.16 et 0.5.19, chacune épinglée à une combinaison spécifique de PyTorch, Transformers et CUDA 12.9, avec Python 3.12, FFmpeg, CUDA 12 NPP sur le chemin de l'éditeur de liens pour TorchCodec, et une chaîne d'outils C++ plus Ninja parce que SGLang compile les noyaux à la première utilisation. Le bundle GGUF cible un runtime natif que vous compilez depuis le dépôt plutôt que llama.cpp, et Tencent le marque comme exported_unvalidated.

Cette asymétrie a un coût que l’on peut inscrire dans un planning. Kandinsky 6.0 Video est aujourd’hui un conteneur qui parle HTTP. WeMM-Video-4B représente une journée de travail sur la chaîne d’outils avant votre premier token, et la seule validation que Tencent revendique est que vLLM patché l’a chargé sur un H20 et a réussi les tests de génération pour le texte, l’image, l’audio et la vidéo avec bande-son — aucun débit, aucune latence, aucune empreinte mémoire, aucun chiffre de concurrence.


Ce que disent les chiffres, et qui les a dits
Artificial Analysis gère trois classements vidéo — texte-vers-vidéo, image-vers-vidéo et montage vidéo — chacun avec sa propre échelle Elo et son propre vivier de votes. Consultez les trois le 20 novembre 2026 : Kandinsky 6.0 Video n’apparaît sur aucun d’eux, et WeMM-Video-4B non plus. Aucune de ces absences ne constitue un jugement. Kandinsky 6.0 Video n’a pas de soumission à l’arène et le classement texte-vers-vidéo du site exige un prix d’API pour une comparaison normalisée, ce dont un checkpoint ouvert ne dispose pas ; WeMM-Video-4B ne peut pas du tout être inscrit à un vote entre deux clips générés, car il n’en génère aucun.
Ce qui reste, c’est le travail des fournisseurs eux-mêmes, et il mesure des choses différentes sur des échelles différentes.
• Kandinsky 6.0 Video, qualité — résultats rapportés par le fournisseur sur VABench et évaluation humaine menée en laboratoire face à Kling 2.6, Veo 3.1 Fast, MiniMax H3 et Seedance 2.0. Sber rapporte également, dans l’ablation de l’article, que le checkpoint distillé qu’il prévoit que vous serviez est préféré ou à égalité sur la majorité des critères, avec une préférence moyenne de 51 pour cent contre 49 pour cent — parité, à la vitesse que vous voulez.
• Kandinsky 6.0 Video, audio — deux chiffres de taux d’erreur sur les mots dans l’article qui ne sont pas comparables. La réduction de 47 pour cent qui accompagne l’étape d’apprentissage par renforcement est évaluée avec Whisper-large-v3, l’un des modèles de récompense du RL ; le WER rapporté aux côtés de VABench utilise Qwen3-ASR-1.7B sur le sous-ensemble vocal. Les auteurs le disent eux-mêmes, et présenter l’un comme l’autre est l’erreur la plus facile à commettre avec cette version.
• WeMM-Video-4B, audio-visuel conjoint — Video-MME avec audio 83,9 contre 77,3 pour Qwen3-Omni-30B-A3B-Instruct et 69,2 pour MiniCPM-o-4.5-9B ; Video-MME v2 48,1 contre 36,3 et 28,1 ; Daily-Omni 82,5 contre 70,7 et 80,2, le tout en mode Thinking.
• WeMM-Video-4B, où il perd — MMAU 75,2 contre les 80,4 de Qwen3.5-Omni-Flash et MMAR 67,3 contre 74,0, avec une victoire sur MMAU-Pro à 68,1 contre 64,8. Video-Holmes 58,8 contre les 64,3 de MiniCPM-o-4.5-9B, et FutureOmni 50,9 contre 55,1 et 56,1.
Deux mises en garde accompagnent la colonne WeMM. L’article n’indique pas le nombre d’images, le budget de pixels ni la longueur de contexte utilisés pour ses évaluations vidéo, ce qui compte car la recette livrée utilise seize images alors que le processeur en utilise 128 par défaut. Et le mode change d’un tableau à l’autre : Thinking pour la vidéo, Instruct pour l’audio, Thinking à nouveau pour l’image et le texte. Comparer une ligne audio de WeMM à une ligne vidéo d’un concurrent n’est pas une comparaison.
Le temps réel, le chiffre que personne ne cite
Le dépôt de Kandinsky publie le chiffre qui détermine si un modèle vidéo ouvert est utilisable sur votre matériel, et il n’est pas flatteur. Voici les temps de traitement du modèle de base non distillé pour un seul clip de cinq secondes après préchauffage, hors chargement des poids et encodage MP4, Full HD signifiant que la passe de super-résolution est également exécutée.
• Full HD, Pro — 402 secondes sur une H100, 765 sur une RTX PRO 6000, 854 sur une RTX 5090, 1 106 sur une A100 80 Go, 1 247 sur une RTX 4090, 3 530 sur une RTX 5060 Ti.
• Full HD, Lite — 284 secondes sur un H100, 387 sur une RTX PRO 6000, 406 sur une RTX 5090, 664 sur un A100, 578 sur une 4090, 1 774 sur une 5060 Ti.
• SD, Pro — 356 secondes sur un H100 contre 936 sur une 4090, où la pénalité liée à la carte grand public est la plus faible.
La mémoire allouée au pic lors d’une exécution Pro SD atteint 72,8 GiB, au-delà de toutes les cartes grand public, ce qui explique pourquoi le dépôt propose le déport de blocs — deux blocs transformer résidents, le reste transmis en flux depuis la mémoire hôte — avec des préréglages pour 32, 24 et 16 Go. Les préréglages 32 et 24 Go sont identiques car au-delà de 24 Go, la marge disponible n’apporte aucun gain de vitesse. La mise en garde dissimulée est que, sur le préréglage 16 Go, l’encodeur de texte est quantifié en NF4, et l’article précise explicitement qu’il s’agit du seul changement de préréglage qui altère le CLIP lui-même, avec environ 12 % des pixels différant d’un niveau de luminosité à environ 57 dB de PSNR. Si vous reproduisez le résultat de quelqu’un d’autre sur une carte 16 Go et qu’il ne correspond pas, vérifiez cela en premier.
WeMM-Video-4B n’a pas de tableau équivalent, et cette absence est en soi instructive. Tencent a validé que le checkpoint se charge et génère. Un modèle dont l’atout est la vidéo, décrit seulement comme « il a généré », vous laisse tout le volet coût d’une décision de déploiement.
Câbler une couche de texte autour des deux
Si vous exécutez l’un ou l’autre, la pile environnante a besoin des trois mêmes éléments, et aucun d’eux n’est le modèle. L’expansion de prompt transforme une description de plan en la légende longue, moyenne ou courte sur laquelle Kandinsky a été entraîné, ou en la question à laquelle WeMM doit répondre. La transcription et le légendage alimentent une passe image-vers-vidéo ou préparent un clip pour la description. Les résumés de revue décident laquelle de quatre générations conserver, ce qui est la décision que vous payez pour chaque candidat plutôt que pour chaque survivant.
Ce sont de simples complétions de texte, et elles constituent la partie de cette stack que couvre OrcaRouter : une seule clé compatible OpenAI sur plus de deux cents modèles, les prix catalogue des fournisseurs répercutés avec 0 % de marge, de sorte qu'un changement de prix d'un fournisseur soit appliqué le jour même, et un basculement automatique afin qu'une étape de légendage qui échoue n'emporte pas avec elle un rendu de cinq minutes. Aucun des deux modèles ne se trouve sur la plateforme — le catalogue ne comporte aucune entrée Kandinsky ni aucune entrée WeMM, et aucune couche de routage ne transforme un téléchargement de poids en point de terminaison hébergé. Ce que le routeur élimine, c'est le travail d'intégration autour des deux modèles que vous hébergez vous-même, ainsi qu'un moyen de garder un second fournisseur derrière le premier sans écrire un second client.
Deux plafonds, une décision
Demandez quelle limite vous pouvez respecter. Si vous avez besoin de séquences avec son et que vous pouvez monter par unités de cinq secondes, Kandinsky 6.0 Video est la version la plus complète sur tous les axes qui ne relèvent pas de la qualité brute : licence MIT, quatre surfaces de déploiement, un chiffre H100 sur lequel bâtir un budget, et une passe de super-résolution qui fait du Full HD un véritable réglage plutôt qu’une promesse. Sa contrainte est la durée, et la durée est facile à contourner par la conception.
Si vous avez besoin de savoir ce que contient une séquence vidéo que vous possédez déjà — ce qui se passe à l’écran et ce qui est audible par-dessus — WeMM-Video-4B est le seul des deux capable de répondre, et sa contrainte est la fidélité : seize images échantillonnées et huit mille jetons sont ce que vous donne la recette livrée, et les lignes du benchmark pour vidéos longues ont été produites dans des conditions que l’article ne décrit pas.
Ce qu'aucune des deux versions ne fournit, c'est ce qui rendrait cette comparaison simple : un chiffre provenant de quelqu'un qui n'a pas rédigé l'article. Les deux sont ouvertes, toutes deux sous licence permissive, et toutes deux invisibles sur chaque classement qui trancherait le débat. Tant que l'une d'elles n'est pas mesurée indépendamment, le plafond indiqué dans chaque dépôt est le fait le plus fiable que l'un ou l'autre fournisseur ait publié.
