Kandinsky 6.0 Video vs Alibaba Wan 2.7: Bobot Terbuka Melawan Rangkaian Empat Model

Kandinsky 6.0 Video memberi Anda checkpoint 29B parameter yang dapat diunduh dan klip lima detik sebagai imbalannya. Wan 2.7 memberi Anda empat varian khusus tugas, klip hingga lima belas detik, dan tagihan per detik. Dua kalimat itu adalah perbandingannya, dan alasan mengapa hal itu layak dicatat adalah karena sebagian besar halaman perbandingan langsung membandingkan keduanya berdasarkan kualitas visual, sementara tidak ada satu pun yang memiliki skor independen yang bisa menyelesaikannya — dan melewatkan aspek di mana keduanya benar-benar berbeda, yaitu hal yang masing-masing harapkan Anda bawa.

Kandinsky Lab milik Sber merilis Kandinsky 6.0 Video sebagai sumber terbuka pada minggu pertama Oktober 2026 dengan lisensi MIT, dalam dua ukuran — Pro pada 29B dan Lite pada 3B — beserta kode, checkpoint, dan integrasi diffusers. Wan 2.7 milik Alibaba dirilis pada 3 April 2026 sebagai suite: text-to-video, image-to-video, reference-to-video, dan video-edit, dengan penagihan per detik video yang dihasilkan. Salah satunya adalah model yang Anda jalankan; yang lain adalah layanan yang Anda beli. Pertanyaan yang menarik bukanlah mana yang lebih baik, melainkan mana yang bentuknya tepat untuk pekerjaan itu.

Satu-satunya sumbu di mana mereka dapat dibandingkan secara langsung

Kedua model menghasilkan video dengan suara, bukan video yang kemudian Anda beri musik. Itu lebih langka daripada kedengarannya dan itulah sebabnya keduanya disebut bersama-sama — sebagian besar pesaing masih menghasilkan MP4 tanpa suara dan menyerahkan audionya ke proses terpisah.

Kandinsky 6.0 Video melakukannya dengan CrossDiT aliran ganda: aliran video yang diinisialisasi dari checkpoint Kandinsky 5.0 Video, aliran audio yang dilatih dari awal pada korpus audio besar, dan cross-attention dua arah yang menghubungkan keduanya, dilatih bersama setelah tahap prapelatihan berkelanjutan. Outputnya adalah audio 44 kHz dengan lip-sync, dari prompt teks (T2AV) atau gambar referensi (I2AV).

Wan 2.7 juga menghasilkan audio native, tanpa mempublikasikan mekanismenya secara sedetail itu. Dokumentasinya sendiri menyebut kualitas audio dan akurasi teks di layar sebagai dua area yang masih perlu ditingkatkan — kaveat fidelitas yang patut diingat, karena yang mengatakannya adalah pihak vendor, bukan pengulas yang menebak.

Di situlah kemiripannya berakhir. Segala hal di bawah garis ini adalah perbedaan, bukan peringkat.

Lima detik versus lima belas, dan apa dampaknya pada daftar shot

Kandinsky 6.0 Video dilatih pada 121 frame, 24 fps — lima detik — dan rilisnya tidak menyertakan mode ekstensi. Makalah, resep penyajian yang digabungkan ke vLLM-Omni, dan tabel performa repositori semuanya dibangun seputar satu panjang klip tersebut. Karya berdurasi tiga puluh detik berarti enam generasi dan lima penyambungan, dan sambungan-sambungan itulah yang harus Anda sembunyikan.

Wan 2.7 mencakup dua hingga lima belas detik dalam satu generasi, ditentukan per permintaan. Untuk klip talking-head, sisipan produk, atau satu gerakan kamera, perbedaan itu bukan sekadar kemudahan — ini perbedaan antara satu render dan satu langkah perakitan. Untuk apa pun yang dibangun shot demi shot, lima detik adalah satuan kerja yang normal dan kesenjangannya sebagian besar hilang.

• Durasi klip maks — Kandinsky 6.0 Video: 5 dtk, tetap, 121 frame pada 24 fps. Wan 2.7: 2–15 dtk, diatur sesuai permintaan.

• Resolusi — Kandinsky 6.0 Video: SD, HD, dan Full HD (1920×1080) melalui model super-resolusi terpisah. Wan 2.7: hingga 1080p.

• Pengondisian referensi — Kandinsky 6.0 Video: satu gambar, diterapkan sebagai bingkai ujung bertopeng. Wan 2.7: hingga lima gambar subjek dan lima klip referensi, sepuluh aset per permintaan.

• Tugas — Kandinsky 6.0 Video: T2AV, I2AV. Wan 2.7: teks-ke-video, gambar-ke-video, referensi-ke-video, dan edit video sebagai varian terpisah dengan penagihan terpisah.

• Bobot — Kandinsky 6.0 Video: MIT, dapat diunduh, Pro dan Lite. Wan 2.7: tidak.

Empat tugas versus dua mode

Jumlah tugas adalah bagian dari Wan 2.7 yang kurang dihargai dalam tabel perbandingan, karena itu bukan klaim kualitas — melainkan klaim cakupan. Penyuntingan berbasis instruksi pada rekaman yang ada, di mana Anda mendeskripsikan suatu perubahan dan mendapatkan kembali bidikan yang sama dengan perubahan itu diterapkan, adalah beban kerja yang sama sekali tidak dicoba oleh Kandinsky 6.0 Video. Referensi-ke-video, di mana penampilan yang disediakan menggerakkan subjek yang dihasilkan, juga berada di luar dua modenya.

Penagihannya mencerminkan cakupannya. Varian text-to-video dan image-to-video Wan 2.7 menagih hanya berdasarkan durasi keluaran — $0,10/dtk pada 720p dan $0,15/dtk pada 1080p di endpoint internasional Singapura, dengan Beijing dan Tokyo mencatat $0,086/dtk dan $0,143/dtk untuk pekerjaan yang sama. Varian reference-to-video juga menagih video masukan, dibatasi hingga lima detik, jadi referensi lima detik yang menghasilkan generasi lima belas detik ditagih untuk dua puluh detik pekerjaan. Varian video-edit hanya menagih keluaran dan menganggap rekaman masukan gratis — yang merupakan tarif paling menguntungkan di keluarga ini, dan alasan mengapa penyuntingan menjadi tempat 2.7 benar-benar murah.

Dua fakta siklus hidup perlu dicatat di samping angka-angka itu. Alibaba memberikan diskon peluncuran 30% untuk waktu terbatas pada platform Bailian dan Qwen Cloud miliknya sendiri, dan diskon itu berakhir pada 23 September 2026. Secara terpisah, pemberitahuan penghentian Model Studio Alibaba Cloud (ID 118434) menonaktifkan beberapa model lama pada 10 Oktober 2026, dan wan2.7-r2v dan wan2.7-image tercantum dalam daftar itu. Itu terjadi di tingkat varian, bukan penghentian generasi — wan2.7-t2v dan wan2.7-i2v tetap terdaftar dengan tarif yang berlaku — tetapi jika referensi-ke-video adalah alasan Anda melihat 2.7, rute itu hanya memiliki empat hari lagi.

Apa yang ditunjukkan dan tidak ditunjukkan oleh dewan independen

Inilah bagian di mana sebagian besar perbandingan kedua model ini diam-diam curang, sehingga perlu ketelitian tentang apa yang sebenarnya ada.

Wan 2.7 memiliki skor independen di tiga papan video Artificial Analysis yang terpisah, dan skor-skor itu tidak saling sesuai karena mengukur hal-hal yang berbeda:

• Teks-ke-video — Wan2.7-260612 (versi Juni) berada di peringkat 13–14 pada Elo 1.030 (±9) dari 5.571 suara, dengan biaya $9,00/menit.

• Gambar-ke-video — Wan 2.7 (build April) berada di posisi ke-12 dengan Elo 1.077 (±8) dari 4.571 suara, pada $9,00/menit.

• Pengeditan video — Wan 2.7 berada di peringkat ke-5 dengan Elo 1.077 (±5) dari 17.988 suara, dengan tarif $16,90/menit.

Bacalah ketiganya secara bersamaan dan kesimpulan yang berguna bukanlah "Wan 2.7 berada di peringkat kedua belas dalam hal video". Kesimpulannya adalah bahwa model tersebut jauh lebih kuat dalam pengeditan daripada dalam pembuatan, pada papan peringkat yang dibuat untuk masing-masing, dan bahwa mengutip satu angka saja untuknya merupakan kesalahan ke arah mana pun.

Kandinsky 6.0 Video tidak memiliki skor pada satu pun di antaranya. Bukti yang dipublikasikannya berasal dari pihak vendor, dan ada baiknya menyatakan secara persis apa bukti itu: sebuah uji VABench yang dalam laporan laboratoriumnya menempatkan Pro memimpin pada kualitas ucapan, estetika audio, penyelarasan teks-video dan audio-video, akurasi sinkronisasi bibir, desinkronisasi, dan realisme visual di antara tiga sistem yang dievaluasi — dua lainnya adalah model Lite miliknya sendiri dan LTX 2.5 — dan evaluasi manusia berdampingan yang dijalankan laboratorium dengan sekitar 200 atau lebih perbandingan berpasangan per kriteria, di mana Pro kompetitif dengan Kling 2.6 dan Veo 3.1 Fast, tertinggal dari MiniMax H3 dan Dreamina Seedance 2.0 pada kriteria visual, dan tetap kompetitif pada kualitas ucapan serta sinkronisasi audio-video. Tidak ada satu pun dari itu yang telah direproduksi di luar Sber, dan tidak ada satu pun yang merupakan Elo pada papan publik dengan penilaian buta. Pembacaan yang tepat adalah "menjanjikan dan belum diaudit", bukan "menyamai Veo".

Berapa biaya masing-masing, dinyatakan dalam istilah yang digunakan masing-masing pihak

Kedua model penetapan harga itu tidak bisa direduksi menjadi satu angka, dan berpura-pura sebaliknya justru menjadi cara tim mengambil keputusan yang keliru.

Wan 2.7 adalah tarif per detik. Klip 1080p lima belas detik sekitar $2,25. Karya tiga puluh detik adalah dua generasi plus penyuntingan — $4,50 untuk generasi mentah ditambah waktu perakitan Anda, atau lebih murah jika varian penyuntingan yang mengerjakan pekerjaan itu, karena tidak menagih input.

Kandinsky 6.0 Video sama sekali tidak memiliki tarif, karena tidak ada layanan yang bisa dibeli. Yang dimilikinya adalah biaya per GPU-jam yang Anda sediakan. Angka dari repositori itu sendiri menetapkan batas bawah: klip Pro Full HD lima detik membutuhkan sekitar 402 detik waktu kerja pada H100 setelah pemanasan, 854 pada RTX 5090, dan 1.247 pada RTX 4090. Checkpoint hasil distilasi — yang oleh makalah diukur setara dengan model penuh, preferensi rata-rata 51% berbanding 49% tanpa ada kriteria yang mencapai signifikansi — adalah yang sebenarnya akan Anda layani. Apa pun yang alokasi puncaknya di bawah 72,8 GiB memerlukan offloading blok, dan preset 16 GB mengkuantisasi encoder teks ke NF4, yang dikonfirmasi makalah sebagai satu-satunya perubahan preset yang mengubah klip itu sendiri.

Sederhananya: biaya Wan 2.7 adalah satu baris pada faktur yang bisa Anda perkirakan. Biaya Kandinsky 6.0 Video adalah mesin yang Anda miliki, render yang memakan waktu beberapa menit per lima detik, dan opsi — bukan kewajiban — untuk melakukan fine-tuning.

Di mana router berada dalam hal ini

OrcaRouter tidak menyediakan Kandinsky 6.0 Video maupun Alibaba Wan 2.7, dan tidak ada klaim seperti itu yang dibuat di sini. Kandinsky dapat Anda unduh dan jalankan sendiri; Wan 2.7 diakses melalui platform milik Alibaba sendiri. Yang dibutuhkan dari sebuah router oleh pipeline yang dibangun di atas salah satu model tersebut adalah lapisan teks di sekitar render: perluasan prompt yang mengubah deskripsi shot menjadi caption panjang atau pendek yang digunakan untuk melatih model-model ini, pekerjaan caption dan dialog yang memasok tahap image-to-video, serta ringkasan ulasan yang menentukan hasil mana dari beberapa generasi yang layak dipertahankan. Itu adalah panggilan teks biasa, dan semuanya berjalan di satu endpoint yang kompatibel dengan OpenAI di lebih dari 200 model dengan harga daftar penyedia diteruskan dengan markup 0%, sehingga potongan harga vendor berlaku pada hari yang sama, bukan setelah siklus kontrak. Failover otomatis lebih bermanfaat di sini daripada pada beban kerja chat, karena panggilan caption yang gagal pada menit keempat sesi Q&A harus dialihkan daripada kehilangan render.

Keputusan, masing-masing dalam satu baris.

Jika hasil akhirnya adalah klip jadi dengan suara dan Anda lebih memilih tidak memiliki GPU, Wan 2.7 adalah satu-satunya dari keduanya yang menawarkan hal itu kepada Anda, dan varian penyuntingannya adalah yang terkuat di keluarga ini berdasarkan bukti yang tersedia. Periksa penghentian 10 Oktober sebelum berkomitmen pada reference-to-video.

Jika hasil akhirnya adalah pipeline yang Anda kendalikan, jika unit berdurasi lima detik cocok dengan daftar shot Anda, dan jika Anda ingin melakukan fine-tuning atau menjalankannya secara offline, Kandinsky 6.0 Video adalah satu-satunya di antara keduanya yang mengizinkannya — dengan konsekuensi render yang lambat pada perangkat keras konsumen dan klaim kualitas yang masih sepenuhnya milik lab itu sendiri. Peristiwa yang perlu diperhatikan di sisi itu sederhana: sebuah Elo.

Satu asimetri layak disebut sebelum menutup, karena ia akan bertahan lebih lama daripada kedua model. Plafon Wan 2.7 secara kontraktual dan teknis adalah hak Alibaba untuk menetapkannya — ketika varian suite tersebut dihentikan atau harganya diubah, pipeline Anda mewarisi keputusan itu. Plafon Kandinsky 6.0 Video adalah perangkat keras Anda sendiri, dan lisensi MIT berarti sebuah fork dapat bertahan lebih lama daripada peta jalan lab tersebut. Tim yang pernah dirugikan oleh model yang menghilang dari katalog cenderung memberi bobot lebih besar pada perbedaan itu setahun kemudian dibandingkan pada hari mereka memilih.