Carton de titre indiquant « WeMM-Video-9B vs Kandinsky 6.0 Video » avec le sous-titre « Tous deux ouverts, aucun des deux mesuré », deux panneaux séparés par un disque « vs » : à gauche, le panneau intitulé WeMM-Video-9B avec un badge « Apache 2.0 » et des lignes indiquant « lecteur dense 9B », « 19,54 GiB BF16 », « 16 images à 2 fps », « deux vidéos par requête », « renvoie du texte » ; à droite, le panneau intitulé Kandinsky 6.0 Video avec un badge « licence MIT » et des lignes indiquant « 29B Pro, 3B Lite », « 5 s, 121 images, 24 fps », « audio 44,1 kHz en une passe », « pas de mode d’extension », « environ 7 min sur H100 par clip ».
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video : tous deux ouverts, aucun mesuré

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

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.

Ce qui suit traite les deux versions pour ce qu’elles sont : un modèle ouvert de niveau production doté d’un écosystème, et une version de recherche accompagnée d’un article. Les deux descriptions sont des compliments, et toutes deux sont des limites, et l’ordre dans lequel vous les lisez déterminera laquelle vous devriez télécharger.

Cinq secondes correspondent à la durée d’entraînement.

Kandinsky 6.0 Video produit des clips de cinq secondes, et le mot important est « entraîné », pas « par défaut ». Cinq secondes à 121 images correspondent à la durée que le modèle a apprise ; en demander davantage n’est pas un réglage, c’est de l’extrapolation, et Sber ne le présente pas comme autre chose. À l’intérieur de ces cinq secondes, vous obtenez de l’audio à 44 kHz généré dans la même passe avec un alignement de synchronisation labiale, ce qui est une capacité réellement inhabituelle sous cette licence et à cette taille.

La surface de déploiement est l’élément qui distingue le plus nettement les deux versions. Dès le premier jour, Kandinsky 6.0 Video a livré un bundle Diffusers, un point d’entrée en ligne de commande, deux nœuds ComfyUI et deux Spaces. Puis un contributeur externe a fusionné la pull request 8537 dans vLLM-Omni, en enregistrant le pipeline sous le nom de Kandinsky6TI2VAPipeline et en prenant en charge le texte-vers-vidéo-et-audio ainsi que l’image-vers-vidéo-et-audio à partir d’un seul 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, avec native_inference_validated et native_low_precision_gemm_validated tous deux à false.

• AWQ W4A16, 12,86 Gio — quantized_unvalidated.

• NVFP4 W4A16, 13,07 GiB — cpu_NVFP4_weight_artifact_independently_reread, avec GEMM FP4 natif, l'inférence PRO5000 et la validation vLLM toutes à false, ainsi qu'une attestation numérique d'un RMSE relatif moyen de 0,095 par rapport à une limite 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.

Quatre builds compressés, tous à moins de 0,42 Gio les uns des autres, aucun d’entre eux n’étant validé pour l’inférence native. Comparez cela avec Kandinsky 6.0 Video, où la licence MIT et quatre front ends indépendants signifient que le problème de validation a déjà été réparti entre des personnes qui ne sont pas 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.'

Dix-neuf gigaoctets et demi, détaillés

WeMM-Video-9B compense sa maigre documentation de déploiement par une présentation inhabituellement complète de lui-même. Le nombre de paramètres s’élève à 10 488 603 384 répartis sur 1 305 tenseurs. La répartition est publiée : un backbone linguistique de 7,94 Md comprenant un embedding de jetons de 1,02 Md, une tête de sortie découplée de 1,02 Md, une tour audio de 1,08 Md — 32 couches de style Whisper de largeur 1 280 derrière un Q-Former à deux couches, dix tokens audio par seconde — et une tour de vision de 0,46 Md à 27 blocs, dimension cachée de 1 152, patch 16, fusion spatiale 2×2.

Seul le FFN dense est quantifié dans les versions compressées : 96 matrices de langage, trois par couche sur 32 couches en 4 096 par 12 288, soit 4 831 838 208 éléments sur 10,49 B. L’attention est restaurée en BF16 — 152 matrices de projection plus 32 normes d’entrée, toutes avec des hachages SHA-256 — et 1 209 tenseurs restent exacts au bit près. Environ 3,57 B de paramètres, soit environ 7,1 Go, de la tour de vision, de la tour audio, de l’embedding et de la tête de sortie n’entrent jamais dans le quantificateur. C’est pourquoi AWQ permet d’économiser 34 % par rapport au BF16 plutôt que les 70 % que le nom suggère.

Rien de tout cela ne vous dit si le modèle est bon. Cela vous dit que la publication est auditable, ce qui est une vertu différente et sous-estimée.

Aucun des deux n’a de score indépendant

Kandinsky 6.0 Video n’apparaît dans aucun des trois classements vidéo d’Artificial Analysis. WeMM-Video-9B non plus. Les deux absences ont des causes différentes, et cette différence compte.

Kandinsky 6.0 Video n’a aucune soumission à l’arène, et le classement texte-vers-vidéo exige un prix d’API avant d’inscrire un modèle — cinq secondes de sortie à poids ouverts sans tarif commercial n’ont aucune ligne à occuper. WeMM-Video-9B est impossible à classer dans un sens plus profond : les classements évaluent des séquences générées, et lui génère du texte.

Ce que chaque laboratoire propose à la place, c’est sa propre évaluation, et les deux doivent être lues avec le même scepticisme.

• Kandinsky 6.0 Video — résultats VABench rapportés par le fournisseur, auxquels s'ajoute une évaluation humaine menée par le laboratoire, soit environ 200 comparaisons par paires pour chaque critère. On note aussi une réduction de 47 % annoncée du taux d'erreur sur les mots de la parole générée après un post-entraînement par RL. Ce dernier chiffre mérite une réserve : il a été mesuré avec Whisper-large-v3, alors que le chiffre WER de VABench auquel il est comparé repose sur Qwen3-ASR-1.7B. Deux reconnaisseurs différents, deux taux d'erreur différents, aucune soustraction valable. L'amélioration est peut-être bien réelle ; le chiffre tel qu'il est présenté n'est pas comparable.

• WeMM-Video-9B — l'outil d'évaluation propre aux auteurs, présenté comme « résultats officiels lorsqu'ils sont disponibles et nos propres évaluations sinon ». En mode réflexion sur les tâches audio-visuelles conjointes, il surpasse Qwen3-Omni-30B-A3B-Instruct sur 35 des 37 chiffres communs, dont Video-MME avec audio 85,1 contre 77,3 et SciVideoBench 64,2 contre 49,9, et en perd un, FutureOmni à 53,7 contre 55,1. Sur vidéo silencieuse, face à son socle Qwen3.5-9B, il gagne sur F-16-NBA 88,7 contre 75,8 et TimeLens, et perd sur MLVU, LVBench, VideoVista, VSI-Bench et MVBench.

Deux versions ouvertes, deux auto-évaluations, aucun tiers. Tel est l’état honnête de l’art pour les deux.

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.

Seize images contre cinq secondes

Là où les deux plafonds se rencontrent, c’est plus intéressant que chacun pris isolément. WeMM-Video-9B fournit une recette vLLM qui remplace ses propres valeurs par défaut du processeur — 2 fps, minimum 4 images, maximum 128, 100 663 296 pixels — par 2 fps et 16 images à 262 144 pixels, échantillonnées autour du milieu du clip. Seize images à deux par seconde représentent huit secondes de couverture, et chaque commande de service spécifie également un contexte de 8 192 jetons face aux 262 144 embeddings de position de l’architecture.

• Kandinsky 6.0 Video — cinq secondes en entrée, cinq secondes en sortie, 121 images, audio à 44 kHz. Une longueur d’entraînement fixe.

• WeMM-Video-9B — huit secondes d’entrée échantillonnée, sortie texte, avec la piste audio complète jusqu’à environ treize minutes à dix jetons par seconde.

• La jonction — un clip Kandinsky de cinq secondes tient dans la fenêtre de huit secondes de WeMM-Video-9B avec trois secondes de marge, ce qui constitue la seule configuration où l'acheminement d'un clip généré vers le descripteur se fait proprement.

• Le coût de la jointure — Sber rapporte environ sept minutes de temps H100 par clip Full-HD, donc une génération de cinq secondes représente une réservation de sept minutes avant même que la moindre description ne commence sur du matériel local.

Routage selon la longueur du clip

Aucun des deux modèles n’est servi via OrcaRouter, et aucun ne le sera : ce sont tous deux des poids ouverts que vous hébergez vous-même. Ce qu’une couche de routage fait pour un pipeline comme celui-ci, c’est décider quelle branche s’exécute où, et le DSL de routage est l’endroit honnête où placer la frontière des huit secondes. Exprimez-la sous forme de politique — les clips de moins de huit secondes vers le descripteur local WeMM-Video-9B, les clips plus longs vers un modèle omni hébergé — et la frontière cesse d’être un commentaire dans un fichier de configuration que personne ne lit jusqu’à ce qu’un clip de soixante secondes revienne décrit en fragments de huit secondes.

Pour le volet hébergé de cette politique, une seule API couvre plus de 200 modèles avec 0 % de marge sur le prix catalogue du fournisseur, de sorte qu'un pipeline qui s'étend d'un descripteur auto-hébergé à un descripteur loué reste une seule facture et une seule clé. Les baisses de tarifs des fournisseurs vous parviennent le jour où elles parviennent au fournisseur, ce qui compte lorsque la moitié hébergée de votre charge de travail est choisie sur le prix.

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.

Téléchargez les deux, ou aucun.

Si vous voulez un pipeline fonctionnel cette semaine, Kandinsky 6.0 Video est la réponse, et de loin. Licence MIT, quatre surfaces de déploiement dès le premier jour, un audio synchronisé à 44 kHz avec synchronisation labiale, et une durée d’entraînement de cinq secondes sur laquelle vous pouvez planifier. Vous sacrifiez la durée et la validation indépendante.

Si vous voulez un descripteur omni-modal de 9B que vous pouvez auditer, WeMM-Video-9B est la réponse, et c’est l’audit qui compte : décompte complet des paramètres, couverture de quantification détaillée, chaînes de statut honnêtes sur quatre versions non validées. Vous renoncez à un contrat de service, à un écosystème et à toute preuve au-delà des propres tableaux des auteurs.

L’erreur consiste à considérer les « poids ouverts » comme une propriété unique. L’une de ces publications se comporte comme un produit auquel est attachée une licence. L’autre se comporte comme un article auquel est attaché un checkpoint, et celui dont vous avez besoin dépend entièrement de si vous cherchez à livrer des séquences ou à les comprendre.