
WeMM-Video-4B לעומת Kandinsky 6.0 Video: שני מגבלות קשות
- OrcaחדשOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 לכל 1M טוקנים · 182 tok/s
- tencentחדשTencent: Hy4 Flash2026-11-16$0.02 / $0.07 לכל 1M טוקנים · 356 tok/s
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 87 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 147 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 לכל 1M טוקנים · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 לכל 1M טוקנים · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 לכל 1M טוקנים · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
גם Kandinsky 6.0 Video וגם WeMM-Video-4B הם מהדורות במשקולות פתוחות עם רישיונות מתירניים, שניהם הגיעו בחודשיים האחרונים בלי קמפיין שיווקי שראוי לשמו, ושניהם נעדרים מכל לוח וידאו של Artificial Analysis. האי-נראות המשותפת הזו היא המקום שבו נגמר הדמיון, ומה שמחליף אותו הוא זוג תקרות שמספרות לך יותר על כל מודל ממה שכל שורת בנצ'מרק הייתה מספרת. Kandinsky 6.0 Video מייצר חמש שניות של וידאו עם אודיו מסונכרן ואז עוצר — חמש שניות הוא האורך שעליו אומן, לא ברירת מחדל. WeMM-Video-4B קורא קטע דרך שישה-עשר פריימים שנדגמו ואז עוצר, וזה מה שמתכון ההגשה שלו עצמו מגדיר מול ברירת מחדל של מעבד של 128. תקרה אחת חלה על משך הפלט, השנייה על נאמנות הקלט, ולבחור ביניהן זה לבחור איזה סוג של עיוורון הפייפליין שלך יכול לשרוד.
אף אחד משני המודלים לא הוערך באופן עצמאי. המספרים של Sber הם של Sber, ושל Tencent הם של Tencent, וכותרות הסעיפים שלהלן משאירות את הגבול הזה גלוי במקום לקבור אותו.
תקרה של חמש שניות וחלון של שישה־עשר פריימים
Kandinsky 6.0 Video שוחרר על ידי Kandinsky Lab של Sber ב-6 באוקטובר 2026 תחת MIT, בשני גדלים: Pro עם 29 מיליארד פרמטרים ו-Lite עם 3 מיליארד. הוא מקבל פרומפט טקסט או תמונת ייחוס ומחזיר קליפ בן חמש שניות עם אודיו ב-44.1 קילו-הרץ שנוצר באותה מעבר, כולל סנכרון שפתיים. המאמר ומתכון ההגשה בנויים שניהם סביב 121 פריימים בקצב של 24 פריימים לשנייה, ואין מצב הרחבה בגרסה ששוחררה. כל דבר ארוך יותר הוא בעיית תפירה באחריותך.
WeMM-Video-4B הוא הילד האמצעי במשפחה של ארבעה גדלים מקבוצת WeChat Vision של Tencent, שהועלה ב-17 בנובמבר 2026, כאשר הדוח הטכני פורסם ב-19 בנובמבר. יש בו 5,611,746,312 פרמטרים — 10.45 GiB ב-BF16 — משום שהתווית "4B" מתייחסת לליבת השפה Qwen3.5-4B שלו ולא ל-checkpoint. הוא מקבל טקסט, תמונות, וידאו ושמע ומחזיר טקסט.
• Kandinsky 6.0 Video — מגבלת פלט: חמש שניות, 121 פריימים, 24 fps, אודיו ב-44.1 kHz המלוכד לתמונה.
• WeMM-Video-4B — תקרת קלט: 2 פריימים לשנייה, בדגימה של עד 16 פריימים, 262,144 פיקסלים בסך הכול, בתוך הקשר של 8,192 טוקנים שאודיו צורך בקצב של 10 טוקנים לכל שנייה.
• שניהם — התקרה נמצאת בתצורה המסופקת, לא בארכיטקטורה, ואף אחד מהמאגרים לא מסביר מה המודל היה עושה בלעדיה.
קריאת השניים יחד מעלה תהליך שאף ספק לא מתעד: קטע בן חמש שניות שנמסר למתאר שדוגם שש-עשרה פריימים הוא קטע שנדגם בקצב של כשלושה פריימים לשנייה, וזה מעל רצפת שני הפריימים לשנייה של המתכון עצמו. זה המקום היחיד שבו שני המודלים האלה משתלבים בצורה נקייה, וכדאי לשים לב לכך דווקא מפני שזה מקרי.
הרישיונות הם החלק הקל הפעם
לשם שינוי, ההשוואה המשפטית אינה הקובעת. שתי המהדורות מתירניות ושתיהן מתועדות כראוי בנקודה זו, וזה הקלה לאחר שנה של Apple AMLR ורכיבי דמו לא מסחריים.
• Kandinsky 6.0 Video — MIT על הקוד, המשקלים ואינטגרציית diffusers. המאגר מספק שני צמתי ComfyUI הניתנים להתקנה דרך ComfyUI Manager ושני Hugging Face Spaces, אחד עבור checkpoint ה-distill של Pro ואחד עבור סופר-רזולוציה.
• WeMM-Video-4B — Apache 2.0 לאורך כל האוסף, עם קובץ רישיון של Tencent הקובע שרכיבי צד שלישי נותרים תחת התנאים המקוריים שלהם. ההחרגה אינה מפורטת בפריטים, וזהו פער ממשי ולא פורמליות, בהתחשב בכך שמערך השמע נובע מ-Qwen2.5-Omni ועמוד השדרה מ-Qwen3.5, שניהם Apache 2.0.
• שניהם — שימוש מסחרי זמין, ואף אחד מהספקים אינו מפרסם מדיניות שימוש שמצמצמת זאת עוד. אם סקירה משפטית היא מה שחוסם אותך, זה לא יהיה סעיף הרישיון כאן; זה יהיה ההחרגה שאינה מפורטת בצד של Tencent.
משטח הפריסה הוא המקום שבו הם נפרדים.
ההבדל החד יותר אינו נוגע לרישיון אלא לכמה שמישהו אחר כבר עשה עבורך, והפער רחב מספיק כדי לשנות לוח זמנים.
Kandinsky 6.0 Video הגיע כבר ביום הראשון עם חבילת diffusers, שורת פקודה, שני צמתי ComfyUI ושני Spaces. לאחר מכן מיזג תורם חיצוני את בקשת המשיכה 8537 אל vLLM-Omni, ורשם את ה-pipeline בשם Kandinsky6TI2VAPipeline כאשר ה-latents של וידאו ואודיו עוברים denoising במשותף באמצעות transformer אחד, והמשקולות נטענות תיקייה אחר תיקייה מ-transformer/, vae/, text_encoder/, text_encoder_2/ ו-audio_vae/, עם מתכון הגשה ב-recipes/Kandinsky/Kandinsky6-TI2VA.md. התניה בתמונת ייחוס מיושמת כמסגרת זנב עם מסכה ולא כמצב נפרד, כך ש-pipeline יחיד משרת גם טקסט-לווידאו-ואודיו וגם תמונה-לווידאו-ואודיו. אודיו פעיל כברירת מחדל: בקשה ללא פרמטרי אודיו עדיין מחזירה דיבור, מוזיקה או אווירת רקע מסונכרנים.
ל-WeMM-Video-4B יש פרופיל הפוך. לא vLLM ולא SGLang תומכים בארכיטקטורה ב-upstream, וחיפוש ב-issue tracker של vLLM לא מעלה בקשה עבור WeMM-Video. מה שהמאגר מספק במקום זה הוא patch שהיא תיקייה — שכבות מקור עם מניפסטים של SHA-256 עבור vLLM 0.18.0 ו-0.31.0 ו-SGLang 0.5.16 ו-0.5.19, שכל אחת מהן מוצמדת לשילוב ספציפי של PyTorch, Transformers ו-CUDA 12.9, עם Python 3.12, FFmpeg, CUDA 12 NPP בנתיב המקשר עבור TorchCodec, ושרשרת כלים של C++ יחד עם Ninja מפני ש-SGLang מהדר קרנלים בשימוש הראשון. חבילת ה-GGUF מכוונת לסביבת הרצה מקורית שאותה מהדרים מהמאגר ולא ל-llama.cpp, ו-Tencent מתייגת אותו exported_unvalidated.

לאסימטריה הזו יש מחיר שאפשר לשים בלוח זמנים. Kandinsky 6.0 Video הוא קונטיינר שמדבר HTTP היום. WeMM-Video-4B הוא יום של עבודה על שרשרת הכלים לפני הטוקן הראשון שלך, והאימות היחיד ש-Tencent טוענת לו הוא ש-vLLM מתוקן טען אותו על H20 והשלים בדיקות יצירה לטקסט, תמונה, שמע וווידאו עם פס קול — בלי נתוני תפוקה, בלי השהיה, בלי טביעת זיכרון, בלי מספרי מקביליות.


מה אומרים המספרים, ומי אמר אותם
Artificial Analysis מפעילה שלושה לוחות וידאו — טקסט לווידאו, תמונה לווידאו ועריכת וידאו — שלכל אחד מהם סקאלת Elo משלו ומאגר הצבעות משלו. יש לקרוא את שלושתם ב-20 בנובמבר 2026: Kandinsky 6.0 Video אינו מופיע באף אחד מהם, וגם לא WeMM-Video-4B. אף אחת מההיעדרויות אינה מהווה שיפוט. ל-Kandinsky 6.0 Video אין הגשה לזירה, ודירוג הטקסט-ללווידאו של הלוח דורש מחיר API לצורך השוואה מנורמלת, שאין לצ'קפוינט פתוח; את WeMM-Video-4B לא ניתן כלל להכניס להצבעה בין שני קליפים שנוצרו, משום שהוא אינו מייצר קליפים.
מה שנותר הוא העבודה של הספקים עצמם, והיא מודדת דברים שונים בסולמות שונים.
• Kandinsky 6.0 Video, איכות — תוצאות שדווחו על ידי הספק ב-VABench והערכה אנושית שנערכה במעבדה מול Kling 2.6, Veo 3.1 Fast, MiniMax H3 ו-Seedance 2.0. Sber מדווחת גם, בניתוח האבלציה של המאמר, שה-checkpoint המזוקק שהיא מצפה שתגישו מועדף או שקול ברוב הקריטריונים, בהעדפה ממוצעת של 51 אחוז מול 49 אחוז — שוויון, במהירות הרצויה לכם.
• Kandinsky 6.0 Video, אודיו — שני מספרי שיעור שגיאות מילים במאמר שאינם ניתנים להשוואה. הפחתת 47 האחוזים הנלווית לשלב למידת החיזוק נמדדת באמצעות Whisper-large-v3, אחד ממודלי התגמול של RL; ה-WER המדווח לצד VABench מחושב באמצעות Qwen3-ASR-1.7B על תת-קבוצת הדיבור. המחברים אומרים זאת בעצמם, וציטוט האחד כבתור השני הוא הטעות הקלה ביותר לעשות עם גרסה זו.
• WeMM-Video-4B, אודיו-חזותי משותף — Video-MME עם אודיו 83.9 לעומת 77.3 של Qwen3-Omni-30B-A3B-Instruct ו-69.2 של MiniCPM-o-4.5-9B; Video-MME v2 48.1 לעומת 36.3 ו-28.1; Daily-Omni 82.5 לעומת 70.7 ו-80.2, הכול במצב Thinking.
• WeMM-Video-4B, שם הוא מפסיד — MMAU 75.2 לעומת 80.4 של Qwen3.5-Omni-Flash ו-MMAR 67.3 לעומת 74.0, עם ניצחון אחד ב-MMAU-Pro עם 68.1 לעומת 64.8. Video-Holmes 58.8 לעומת 64.3 של MiniCPM-o-4.5-9B, ו-FutureOmni 50.9 לעומת 55.1 ו-56.1.
שתי הסתייגויות מלוות את עמודת WeMM. המאמר אינו מפרט את מספר הפריימים, תקציב הפיקסלים או אורך ההקשר שבהם נעשה שימוש בהערכות הווידאו שלו, וזה חשוב משום שהמתכון המופץ משתמש בשישה עשר פריימים בעוד שברירת המחדל של המעבד היא 128. והמצב משתנה בין הטבלאות: Thinking לווידאו, Instruct לאודיו, ושוב Thinking לתמונה ולטקסט. השוואת שורת אודיו של WeMM לשורת וידאו של מתחרה אינה בגדר השוואה.
זמן שעון הקיר — המספר שאף אחד לא מצטט
המאגר של Kandinsky מפרסם את הנתון שמכריע אם מודל וידאו בקוד פתוח שמיש על החומרה שלך, והוא לא מחמיא. אלה זמני העבודה של מודל הבסיס שאינו מזוקק עבור קליפ בודד בן חמש שניות לאחר חימום, כאשר טעינת משקלים וקידוד MP4 אינם נכללים, ו-Full HD פירושו שגם שלב הסופר-רזולוציה פועל.
• Full HD, Pro — 402 שניות על H100, 765 על RTX PRO 6000, 854 על RTX 5090, 1,106 על A100 80GB, 1,247 על RTX 4090, 3,530 על RTX 5060 Ti.
• Full HD, Lite — 284 שניות על H100, 387 על RTX PRO 6000, 406 על RTX 5090, 664 על A100, 578 על 4090, 1,774 על 5060 Ti.
• SD, Pro — 356 שניות ב-H100 לעומת 936 ב-4090, כאשר הקנס על כרטיס צרכני הוא הקטן ביותר.
שיא הזיכרון המוקצה בהרצה של Pro SD מגיע ל-72.8 GiB, מעבר לכל כרטיס צרכני, ולכן המאגר מספק פריקת בלוקים — שני בלוקים של transformer נשארים בזיכרון, והשאר מוזרם מזיכרון המארח — עם פריסטים ל-32, 24 ו-16 GB. הפריסטים של 32 ו-24 GB זהים, משום שמעל 24 GB מרווח הזיכרון אינו קונה מהירות. ההסתייגות החבויה היא שב-16 GB פריסט מקודד הטקסט עובר קוונטיזציה ל-NF4, והמאמר מבהיר במפורש שזהו שינוי הפריסט היחיד שמשנה את ה-clip עצמו, כשכ-12 אחוז מהפיקסלים נבדלים ברמת בהירות אחת ב-PSNR של כ-57 dB. אם אתם משחזרים תוצאה של מישהו אחר בכרטיס 16 GB והיא לא תואמת, בדקו זאת קודם.
ל-WeMM-Video-4B אין טבלה מקבילה, והיעדר הזה כשלעצמו מלמד משהו. Tencent אימתה שה-checkpoint נטען ומייצר. מודל שנקודת המכירה שלו היא וידאו, שתואר רק כ״הוא ייצר״, משאיר לך את כל צד העלויות של החלטת פריסה.
חיווט שכבת טקסט סביב שניהם
אם תריץ כל אחד מאלה, הסטאק שמסביב צריך את אותם שלושה דברים, ואף אחד מהם אינו המודל. הרחבת פרומפט הופכת תיאור שוט לכיתוב הארוך, הבינוני או הקצר ש-Kandinsky אומן עליו, או לשאלה ש-WeMM אמור לענות עליה. תמלול וכיתוב מזינים שלב image-to-video או מכינים קליפ לתיאור. סיכומי סקירה מחליטים איזו מארבע גרסאות לשמור, וזהו השיקול שאתה משלם עליו בכל מועמד ולא בכל תוצאה ששרדה.
אלה השלמות טקסט רגילות, והן החלק במערך הזה ש-OrcaRouter מכסה: מפתח אחד תואם OpenAI ביותר ממאתיים מודלים, מחירי המחירון של הספקים מועברים כמו שהם עם 0% תוספת, כך ששינוי מחיר של ספק נכנס לתוקף באותו יום, ו-מעבר אוטומטי לגיבוי כך ששלב הכתוביות שקורס לא גורר איתו רינדור של חמש דקות. אף אחד מהמודלים אינו בפלטפורמה — בקטלוג אין רשומה של Kandinsky ואין רשומה של WeMM, ואף שכבת ניתוב אינה הופכת הורדת משקלים לנקודת קצה מתארחת. מה שהנתב מסיר הוא עבודת האינטגרציה סביב שני המודלים שאתם כן מארחים בעצמכם, ובנוסף דרך להחזיק ספק שני מאחורי הראשון בלי לכתוב לקוח שני.
שתי תקרות, החלטה אחת
שאל באיזו תקרה אתה יכול לעבוד. אם אתה צריך צילום עם סאונד ואתה יכול לחתוך ביחידות של חמש שניות, Kandinsky 6.0 Video הוא המהדורה השלמה יותר בכל ציר שאינו איכות גולמית: רישיון MIT, ארבעה משטחי פריסה, מספר H100 שאפשר לתכנן סביבו תקציב, ומעבר סופר-רזולוציה שהופך את Full HD להגדרה ממשית ולא להצהרה. המגבלה שלו היא משך, וקל לתכנן סביב משך.
אם אתה צריך לדעת מה יש בקטעי הווידאו שכבר נמצאים ברשותך — מה קורה על המסך ומה נשמע מעליו — WeMM-Video-4B הוא היחיד מבין השניים שיכול לענות, והמגבלה שלו היא נאמנות: שישה־עשר פריימים שנדגמו ושמונת אלפים טוקנים הם מה שהמתכון המסופק נותן לך, ושורות הבנצ׳מרק של וידאו ארוך הופקו בתנאים שהמאמר לא מתאר.
מה ששום אחת מהגרסאות הללו לא מספקת הוא הדבר שהיה הופך את ההשוואה הזו לזולה: מספר ממישהו שלא כתב את המאמר. שתיהן פתוחות, שתיהן ברישיון מתירני, ושתיהן בלתי נראות לכל לוח דירוג שיכול להכריע בוויכוח. עד שאחד מהן יימדד באופן עצמאי, התקרה בכל מאגר היא העובדה האמינה ביותר שכל אחד מהספקים פרסם.
