כרטיס כותרת עם הכיתוב 'WeMM-Video-9B vs Kandinsky 6.0 Video' וכתובית משנה 'שניהם פתוחים, אף אחד לא נמדד', שני פאנלים המופרדים בדיסקית vs: בצד שמאל כותרת WeMM-Video-9B עם תג 'Apache 2.0' ושורות עם הכיתוב 'קורא צפוף 9B', '19.54 GiB BF16', '16 פריימים ב-2 fps', 'שני סרטונים לכל בקשה', 'מחזיר טקסט'; בצד ימין כותרת Kandinsky 6.0 Video עם תג 'רישיון MIT' ושורות עם הכיתוב '29B Pro, 3B Lite', '5 שניות, 121 פריימים, 24 fps', 'אודיו 44.1 kHz באותו מעבר', 'אין מצב הרחבה', 'כ-7 דקות H100 לקליפ'.
Guides & Insights

WeMM-Video-9B מול Kandinsky 6.0 Video: שניהם פתוחים, אף אחד מהם לא נמדד

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

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.

הבא מתייחס לשני השחרורים כפי שהם: מודל פתוח ברמת ייצור עם אקוסיסטם, ושחרור מחקרי עם מאמר. שני התיאורים הם מחמאות וגם מגבלות, והסדר שבו תקראו אותם יקבע איזה מהם כדאי לכם להוריד.

חמש שניות הוא האורך שעליו אומן

Kandinsky 6.0 Video מפיק קליפים באורך חמש שניות, והמילה החשובה היא "trained", לא "default". חמש שניות ב-121 פריימים הוא האורך שהמודל למד; לבקש יותר זה לא הגדרה, זו אקסטרפולציה, ו-Sber לא מציגה את זה כמשהו אחר. בתוך אותן חמש שניות מקבלים אודיו ב-44 kHz שנוצר באותו מעבר עם יישור סנכרון שפתיים, וזו יכולת יוצאת דופן באמת ברישיון הזה ובגודל הזה.

משטח הפריסה הוא החלק שמבדיל בין שתי המהדורות בצורה החדה ביותר. ביום הראשון, Kandinsky 6.0 Video סיפק חבילת Diffusers, נקודת כניסה לשורת פקודה, שני צמתי ComfyUI ושני Spaces. לאחר מכן, תורם חיצוני מיזג את בקשת המשיכה 8537 אל vLLM-Omni, ורשם את הצינור בשם Kandinsky6TI2VAPipeline, ומשרת טקסט לווידאו ושמע ותמונה לווידאו ושמע מ-DiT אחד.

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, כאשר native_inference_validated ו-native_low_precision_gemm_validated שניהם false.

• AWQ W4A16, 12.86 GiB — quantized_unvalidated.

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, כאשר GEMM נייטיבי ב-FP4, הסקה ב-PRO5000 ואימות vLLM כולם false, ובנוסף אישוש מספרי של RMSE יחסי ממוצע של 0.095 לעומת מגבלה של 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.

ארבעה בילדים דחוסים, כולם בטווח של 0.42 GiB זה מזה, ואף אחד מהם לא אומת להסקה נייטיבית. השוו זאת ל-Kandinsky 6.0 Video, שבו רישיון MIT וארבעה ממשקי קצה עצמאיים פירושם שבעיית האימות כבר הופצה לאנשים שאינם 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.'

תשעה עשר וחצי ג'יגה-בייט, בפירוט

WeMM-Video-9B מפצה על תיאור הפריסה המצומצם שלו עם תיאור עצמי מלא באופן יוצא דופן. מספר הפרמטרים הוא 10,488,603,384 על פני 1,305 טנסורים. הפיצול מפורסם: 7.94B עמוד שדרה לשוני הכולל הטמעת טוקנים של 1.02B, ראש פלט לא-קשור של 1.02B, מגדל אודיו של 1.08B — 32 שכבות בסגנון Whisper ברוחב 1,280 מאחורי Q-Former דו-שכבתי, עשרה טוקני אודיו בשנייה — ומגדל ראייה של 0.46B עם 27 בלוקים, ממד מוסתר 1,152, patch 16, מיזוג מרחבי 2×2.

רק ה-FFN הצפוף מכומת בגרסאות הדחוסות: 96 מטריצות שפה, שלוש לכל שכבה ב-32 שכבות בגודל 4,096 על 12,288, כלומר 4,831,838,208 איברים מתוך 10.49 מיליארד. מנגנון ה-Attention משוחזר ל-BF16 — 152 מטריצות הקרנה ועוד 32 נורמות קלט, כולן עם גיבובי SHA-256 — ו-1,209 טנסורים נשארים זהים ברמת הביט. כ-3.57 מיליארד פרמטרים, כ-7.1 GB, של מגדל החזון, מגדל האודיו, ה-embedding וראש הפלט כלל לא נכנסים למכמת. לכן AWQ חוסך 34% לעומת BF16 ולא 70% כפי שהשם מרמז.

שום דבר מזה לא אומר לך אם המודל טוב. זה אומר לך שהשחרור ניתן לביקורת, וזו מעלה אחרת שלא מוערכת מספיק.

לאף אחד מהם אין ציון עצמאי

Kandinsky 6.0 Video אינו מופיע באף אחד משלושת לוחות הווידאו של Artificial Analysis. גם WeMM-Video-9B לא מופיע. לשתי ההיעדרויות יש סיבות שונות, וההבדל הזה חשוב.

ל-Kandinsky 6.0 Video אין הגשה לארנה, וללוח הטקסט-לווידאו דרוש מחיר API לפני שהוא יציג מודל — לחמש שניות של פלט במשקלים פתוחים ללא תעריף מסחרי אין שורה לתפוס. WeMM-Video-9B אינו ניתן לדירוג במובן עמוק יותר: הלוחות מדרגים קטעי וידאו שנוצרו, והוא מייצר טקסט.

מה שכל מעבדה מציעה במקום זאת הוא הערכה משלה, ויש לקרוא את שתיהן באותה מידת ספקנות.

• Kandinsky 6.0 Video — תוצאות VABench שדווחו על ידי הספק, בתוספת הערכה אנושית שנערכה על ידי המעבדה, כ-200 השוואות זוגיות לכל קריטריון. כמו כן, דווח על ירידה של 47% בשיעור שגיאות המילים בדיבור מיוצר לאחר אימון-משך ב-RL. הנתון האחרון דורש הסתייגות: הוא נמדד עם Whisper-large-v3, בעוד שנתון ה-WER של VABench שאליו הוא מושווה מבוסס על Qwen3-ASR-1.7B. שני מזהים שונים, שני שיעורי שגיאה שונים, אין חיסור תקף. ייתכן בהחלט שהשיפור אמיתי; המספר כפי שהוא מוצג אינו בר-השוואה.

• WeMM-Video-9B — מערך ההערכה של המחברים עצמם, שהוצג כ"תוצאות רשמיות היכן שהיו זמינות, ואחרת הערכות שלנו". במצב חשיבה במשימות אודיו-חזותיות משולבות הוא מנצח את Qwen3-Omni-30B-A3B-Instruct ב-35 מתוך 37 נתונים משותפים, כולל Video-MME עם אודיו, 85.1 לעומת 77.3, ו-SciVideoBench 64.2 לעומת 49.9, ומפסיד בנתון אחד, FutureOmni, עם 53.7 לעומת 55.1. בווידאו ללא קול, מול מודל הבסיס Qwen3.5-9B שלו, הוא משתפר ב-F-16-NBA עם 88.7 לעומת 75.8 וב-TimeLens, ומפסיד ב-MLVU, LVBench, VideoVista, VSI-Bench ו-MVBench.

שתי גרסאות פתוחות, שתי הערכות עצמיות, ללא צד שלישי. זהו מצב הידע העדכני והכן עבור שניהם.

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.

שישה עשר פריימים מול חמש שניות

המקום שבו שתי המגבלות נפגשות מעניין יותר מכל אחת מהן לבדה. WeMM-Video-9B מגיע עם מתכון vLLM שעוקף את ברירות המחדל של המעבד שלו — 2 fps, מינימום 4 פריימים, מקסימום 128, 100,663,296 פיקסלים — ומצמצם אותן ל-2 fps ול-16 פריימים ב-262,144 פיקסלים, כשהדגימה מתבצעת סביב אמצע הקליפ. שש-עשרה פריימים בקצב של שניים בשנייה הם שמונה שניות של כיסוי, וכל פקודת serving מעבירה גם הקשר של 8,192 טוקנים מול 262,144 הטמעות מיקום בארכיטקטורה.

• Kandinsky 6.0 Video — חמש שניות קלט, חמש שניות פלט, 121 פריימים, אודיו ב-44 kHz. אורך שאומן באופן קשיח.

• WeMM-Video-9B — שמונה שניות של קלט נדגם, פלט טקסט, עם רצועת האודיו המלאה של עד כ־13 דקות בקצב של עשרה טוקנים לשנייה.

• החיבור — קליפ Kandinsky בן חמש שניות נכנס בתוך החלון בן שמונה השניות של WeMM-Video-9B עם מרווח של שלוש שניות, וזו התצורה היחידה שבה ניתוב של קליפ שנוצר אל המתאר הוא נקי.

• העלות של החיבור — Sber מדווחת על כשבע דקות של זמן H100 לכל קליפ Full-HD, כך שיצירה של חמש שניות היא הזמנה של שבע דקות לפני שמתרחש תיאור כלשהו בחומרה מקומית.

ניתוב לפי אורך הקליפ

אף אחד מהמודלים אינו מוגש דרך OrcaRouter, וגם לא יהיה: שניהם משקלים פתוחים שאתם מארחים בעצמכם. מה ששכבת ניתוב עושה עבור צינור כמו זה הוא להחליט איזה שלב רץ היכן, וה-DSL של הניתוב הוא המקום הכנה להציב בו את גבול שמונה השניות. נסחו זאת כמדיניות — קליפים באורך מתחת לשמונה שניות למתאר המקומי WeMM-Video-9B, קליפים ארוכים יותר למודל אומני מתארח — והגבול מפסיק להיות הערה בקובץ קונפיגורציה שאיש לא קורא עד שקליפ בן שישים שניות חוזר מתואר בקטעים של שמונה שניות.

עבור החלק המתארח של אותה מדיניות, API אחד מכסה יותר מ-200 מודלים עם תוספת של 0% על מחיר המחירון של הספק, כך שצינור עבודה שמשתרע על מתאר באירוח עצמי ואחד שכור הוא עדיין חיוב אחד ומפתח אחד. הורדות התעריפים של הספק מגיעות אליך ביום שבו הן מגיעות לספק, מה שחשוב כאשר החצי המתארח של עומס העבודה שלך נבחר לפי מחיר.

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.

הורד את שניהם, או אף אחד מהם

אם אתם רוצים פייפליין עובד השבוע, Kandinsky 6.0 Video הוא התשובה, וזה לא אפילו קרוב. רישיון MIT, ארבעה משטחי פריסה כבר ביום הראשון, אודיו מסונכרן ב-44 קילו-הרץ עם סנכרון שפתיים, ואורך מאומן של חמש שניות שאפשר לתכנן לפיו. אתם מוותרים על משך ועל אימות עצמאי.

אם אתם רוצים מתאר אומני-מודלי 9B שאפשר לבקר, WeMM-Video-9B הוא התשובה, והביקורת היא העיקר: חשבונאות פרמטרים מלאה, כיסוי קוונטיזציה מפורט, ומחרוזות סטטוס כנות בארבעה מבנים שלא עברו ולידציה. אתם מוותרים על חוזה שירות, על מערכת אקולוגית, ועל כל ראיה מעבר לטבלאות של המחברים עצמם.

הטעות היא לקרוא ל"משקלים פתוחים" תכונה אחת. אחד מהשחרורים האלה מתנהג כמו מוצר עם רישיון מצורף. האחר מתנהג כמו מאמר עם צ'קפוינט מצורף, ומי מהם שתצטרך תלוי לחלוטין בשאלה אם אתה מנסה להעביר צילומים לפרסום או להבין אותם.