Kling 4.0 vs Kandinsky 6.0 Video: Adu Langsung yang Belum Pernah Diuji

Satu-satunya evaluasi manusia yang diterbitkan yang mempertemukan Kling 4.0 dan Kandinsky 6.0 Video dalam satu ruangan memang tidak ada. Yang ada adalah sebuah makalah dari lab Kandinsky sendiri, yang dikirimkan ke arXiv pada 4 Oktober 2026, yang membandingkan Kandinsky 6.0 Video Pro dengan Kling 2.6 — dua generasi di belakang model yang dikirimkan Kuaishou kepada semua orang pada 15 Oktober. Kesenjangan itu adalah titik awal yang jujur untuk pertandingan ini, dan hal itu mengarah ke arah yang diabaikan sebagian besar halaman perbandingan: pada kolom yang benar-benar diukur makalah tersebut, Kling yang lebih tua menang secara mutlak di beberapa kolom. Klaim Kuaishou untuk 4.0 pada kolom-kolom yang sama persis itulah yang belum diverifikasi oleh siapa pun.

Jadi ini bukan halaman yang akan memberi tahu Anda model mana yang lebih baik, karena bukti untuk mengatakan demikian belum ada. Ini adalah halaman tentang untuk apa masing-masing sebenarnya dibangun, apa yang ditemukan oleh satu-satunya uji banding langsung yang nyata, dan mana dari keduanya yang bisa Anda masukkan ke dalam pipeline minggu ini.

Dua produk yang hanya tampak mirip

Kling 4.0 adalah generator tertutup berbasis kredit dari Kuaishou. Model lengkapnya mencakup text-to-video, image-to-video, frame pertama dan terakhir, multi-keyframe, omni-reference, dan penyuntingan bertarget, dengan durasi 3 hingga 30 detik serta resolusi 720p hingga 4K. Produk ini dijual melalui aplikasi dan situs web Kling, dengan API yang mulai dibuka Kuaishou secara bertahap sejak 21 Oktober dan daftar harga pengembangnya masih memberi label model tersebut "Coming Soon" dengan hanya tarif pratinjau.

Kandinsky 6.0 Video adalah jenis artefak yang berlawanan. Kandinsky Lab milik Sber merilisnya pada 6 Oktober 2026 sebagai dua checkpoint — Pro dengan 29B parameter dan Lite dengan 3B, plus model super-resolusi 1,4B terpisah — di bawah MIT, dengan bobot di Hugging Face, kode di GitHub, dan integrasi hari-0 di Diffusers, ComfyUI, FastVideo, SGLang, dan vLLM-Omni. Model ini menghasilkan klip lima detik pada 121 frame dan 24 fps, dengan audio 44,1 kHz tersinkronisasi dan lip-sync, dari prompt teks atau gambar referensi.

Yang satu adalah layanan dengan keunggulan durasi. Yang lain adalah unduhan dengan keunggulan lisensi. Hampir semua perbedaan praktis antara keduanya bermuara pada kalimat itu.

Satu-satunya perbandingan langsung, dibaca dengan jujur.

Evaluasi manusia dalam makalah Kandinsky adalah hal yang paling mendekati papan skor bersama, dan patut dibaca dengan saksama karena ini adalah laboratorium yang menilai model barunya sendiri terhadap pesaing yang dipilihnya sendiri.

• Kualitas visual secara keseluruhan — Kling 2.6 unggul, menurut para penilai dari makalah itu sendiri.

• Estetika visual — Kling 2.6 unggul.

• Kualitas audio — Kling 2.6 lebih unggul.

• Sinkronisasi audio-video — Kling 2.6 lebih unggul.

• Mengikuti prompt suara — Kandinsky 6.0 Video Pro berikutnya.

• Kualitas ucapan — Kandinsky 6.0 Video Pro lebih unggul, konsisten dengan laporan penurunan 47% pada tingkat kesalahan kata dalam ucapan yang dihasilkan setelah pasca-pelatihan pembelajaran penguatan.

• Kontrol kamera dalam image-to-video-dengan-audio — Kandinsky 6.0 Video Pro sudah di depan mata.

• Mengikuti prompt visual — kurang lebih imbang.

Ada tiga hal yang menyusul. Pertama, model yang lebih baru tidak menyapu bersih model yang lebih lama, yang tidak biasa untuk evaluasi internal sebuah lab dan patut diapresiasi. Kedua, kemenangan Kandinsky mengelompok di area yang arsitekturnya tidak biasa — ia men-denoise latent video dan audio secara bersamaan melalui satu transformer alih-alih menjalankan dua model secara berurutan — dan hal itu lebih terlihat pada kepatuhan terhadap prompt ucapan dan suara daripada pada kualitas gambar mentah. Ketiga, perbandingan itu tidak memberi tahu Anda apa pun tentang Kling 4.0, yang seluruh nilai jualnya adalah realisme yang lebih baik, gerakan berskala besar yang lebih stabil, dan sinkronisasi bibir yang lebih bersih. Justru itulah kolom-kolom di mana pendahulunya sudah memimpin.

Jika Anda ingin perbandingan itu benar-benar nyata dan bukan hasil inferensi, artefak yang hilang adalah sebuah arena run independen yang mencakup kedua model. Saat ini tidak ada satu pun yang memilikinya untuk saling dibandingkan.

Kesenjangan spesifikasi yang menentukan sebagian besar pekerjaan

• Panjang klip — Kling 4.0 menghasilkan 3 hingga 30 detik dalam satu proses, dengan perpanjangan hingga 2 menit yang disebut akan segera hadir. Kandinsky 6.0 Video dilatih pada 121 frame dan menghasilkan 5 detik. Apa pun yang lebih panjang adalah masalah penyambungan yang harus Anda tangani sendiri.

• Resolusi — Kling 4.0 hadir dalam 720p, 1080p, dan 4K, dengan HDR 10-bit pada 1080p dan 4K yang dilabeli "segera hadir" pada catatan rilis Kuaishou sendiri. Kandinsky menghasilkan gambar pada resolusi SD dan meningkatkannya melalui model super-resolution 1,4B miliknya ke Full HD, 1920×1080, dengan faktor ×2, ×2,25, dan ×4.

• Input kontrol — Kling 4.0 menerima hingga 10 keyframe dan anggaran referensi 15 item yang dibagi ke 10 gambar, 5 video dengan batas total 30 detik, referensi suara, dan hingga 7 elemen. Kandinsky 6.0 Video menerima prompt teks atau satu gambar referensi, yang diterapkan sebagai frame ekor bertopeng.

• Audio — Kling 4.0 menghasilkan stereo dua kanal dengan lip-sync dalam sembilan bahasa dan aksen bernama. Kandinsky menghasilkan AAC 44,1 kHz dengan audio aktif secara default; pipeline mengembalikan ucapan, musik, atau ambience yang tersinkronisasi bahkan saat Anda tidak memberikan parameter audio apa pun.

• Panjang prompt — Kling 4.0 menerima hingga 8.000 token. Resep penyajian Kandinsky disusun berdasarkan gaya keterangan yang digunakan untuk melatih model, panjang, sedang, atau pendek, bukan skrip terbuka.

• Lisensi — Kling 4.0 bersifat tertutup, diatur oleh ketentuan Kuaishou. Kandinsky 6.0 Video berlisensi MIT untuk kode, bobot, dan integrasi Diffusers.

Baris terakhir itu berperan lebih besar daripada yang terlihat dari panjangnya. Model tertutup 30 detik dan model MIT 5 detik tidak dapat dipertukarkan bahkan ketika kualitas gambar mereka mendekati, karena yang satu membatasi apa yang dapat Anda bangun dan yang lain membatasi apa yang dapat Anda hasilkan.

Berapa biaya masing-masing, dalam satuan yang sebenarnya ditagihkan

Halaman harga pengembang Kuaishou mencantumkan Kling 4.0 seharga 1,5 unit per detik pada 1080p, yang dikonversinya menjadi $0,235 per detik, dan 1,0 unit, $0,157 per detik, pada 720p. Tidak ada tarif 4K — kolomnya berbunyi "-". Dengan input video, tarifnya turun menjadi $0,094 per detik pada 720p dan $0,141 pada 1080p, tetapi penagihan menghitung durasi output dikali dua ketika input lebih pendek daripada output. Halaman itu juga menyatakan angka-angka tersebut "hanya untuk tujuan pratinjau" dan bahwa akses API "belum tersedia", yang terasa janggal di samping pengumuman Kuaishou pada 21 Oktober bahwa API telah aktif untuk klien perusahaan dan pengembang. Jika dibaca bersama, pernyataan yang wajar adalah bahwa API sedang dibuka secara bertahap dan tidak ada daftar tarif publik yang stabil pada 23 Oktober.

Pada tarif pratinjau, klip 720p berdurasi lima detik memakan biaya sekitar $0.79, dan klip berdurasi 30 detik sekitar $4.71. Itulah angka yang harus dijadikan acuan untuk memeriksa kewajaran penawaran reseller pihak ketiga mana pun, karena tarif reseller bergerak secara independen dari Kuaishou.

Kandinsky 6.0 Videotidak memiliki harga per detik karena tidak ada endpoint vendor untuk membelinya. Biayanya adalah waktu GPU, dan repositori menerbitkan angka terukur untuk satu klip lima detik setelah warmup, tidak termasuk pemuatan model dan encoding: Pro pada Full HD memerlukan 402 detik pada H100, 854 pada RTX 5090, 1.247 pada RTX 4090, dan 3.530 pada RTX 5060 Ti. Lite pada Full HD memerlukan 284 detik pada H100. Dengan tarif H100 apa pun yang kebetulan Anda bayar, 402 detik berarti 6,7 menit penggunaan kartu tersebut per klip lima detik — kalikanlah, dan perhitungannya terserah Anda, karena vendor tidak menjual outputnya kepada Anda dan karenanya tidak menerbitkan harga untuknya.

Batas memori adalah angka lain yang menentukan apakah self-hosting benar-benar realistis bagi Anda. Satu proses Pro SD mencapai puncak 72,8 GiB, melampaui semua kartu konsumen. Preset 16 GB di repositori melakukan streaming blok transformer dari memori host dan mengkuantisasi text encoder ke NF4 — dan makalahnya menegaskan bahwa ini satu-satunya perubahan preset yang mengubah CLIP itu sendiri. Jika Anda mereproduksi output seseorang pada kartu 16 GB dan hasilnya tidak cocok, pengaturan itu adalah hal pertama yang perlu diperiksa.

Apa yang dapat Anda panggil hari ini, dan bagaimana hal itu membentuk keputusan tersebut

Inilah asimetri yang lebih penting daripada tolok ukur apa pun: Kling 4.0 dapat diakses melalui aplikasi Kuaishou sendiri dan, semakin sering, melalui API-nya, sementara Kandinsky 6.0 Video dapat diakses dengan mengunduhnya. Keduanya bukanlah panggilan plug-and-play dari lapisan perutean.

Yang dirutekan OrcaRouter adalah generasi yang Kling 4.0gantikan. Kling 3.0 ada di katalog dengan harga $0.084 per permintaan, dan MiniMax H3 ada di sana dengan harga $0.08 per detik video yang dihasilkan, keduanya menggunakan endpoint kompatibel OpenAI yang sama dengan lebih dari 200 model, pada harga daftar penyedia dengan markup 0%. Hal itu penting bagi model yang di-hosting sendiri dengan cara yang tidak berlaku bagi model yang di-hosting: proses perluasan prompt yang mengubah deskripsi bidikan menjadi keterangan panjang yang digunakan untuk melatih Kandinsky, pekerjaan keterangan dan transkrip yang menyediakan masukan gambar, ringkasan ulasan yang menentukan generasi mana dari empat generasi yang dipertahankan — semuanya adalah panggilan teks biasa, dan semuanya dapat berbagi satu kunci dan satu kebijakan failover sementara pekerjaan berat video berjalan di mana pun Anda menempatkannya. Kandinsky sendiri bukan rute OrcaRouter, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai klaim bahwa memang demikian.

Yang mana yang cocok untuk stack Anda?

Keputusan itu tidak bergantung pada kualitas, karena tidak ada yang mengukurnya secara adil. Keputusan itu bergantung pada tiga pertanyaan yang dapat Anda jawab sendiri.

Apakah Anda memerlukan shot yang lebih panjang dari lima detik? Kalau begitu Kandinsky 6.0 Video tidak lagi masuk hitungan untuk shot itu, dan lisensi MIT sebanyak apa pun tidak mengubahnya — Anda harus menyambung-nyambung, dan penyambungan itu mengorbankan koherensi temporal yang menjadi keunggulan model tersebut.

Apakah Anda perlu memiliki bobot model, menjalankannya secara offline, melakukan fine-tuning, atau memaketkannya di dalam produk yang tagihan vendor per panggilan tidak dapat diterima? Maka Kling 4.0tidak masuk pertimbangan terlepas dari lembar spesifikasinya, karena API tertutup adalah dependensi, bukan aset.

Apakah Anda perlu mengambil keputusan minggu ini dengan anggaran yang akan disetujui seseorang? Maka keduanya tidak bersih. API Kling 4.0 sedang dalam tahap peluncuran dengan harga pratinjau, dan biaya sebenarnya Kandinsky adalah angka jam-GPU yang harus Anda terjemahkan ke infrastruktur Anda sendiri. Model yang dapat Anda tetapkan harganya dan akses hari ini adalah generasi sebelumnya di kedua sisi — Kling 3.0 melalui Kuaishou atau router, Kandinsky 6.0 Video dari Hub.

Yang perlu diperhatikan bukanlah spesifikasi. Yang menjadi pertanyaan adalah apakah ada orang yang menjalankan kedua model pada prompt yang sama dan mempublikasikan hasilnya — entri arena independen, lab yang tidak memiliki salah satu model pun, atau kumpulan klip perbandingan berdampingan yang kredibel dengan prompt terlampir. Sampai itu ada, halaman apa pun yang memeringkat Kling 4.0 terhadap Kandinsky 6.0 Video dengan pemenang sedang melakukan ekstrapolasi dari perbandingan terhadap Kling 2.6 dan berharap Anda tidak menyadarinya. Pekerjaan yang berguna sementara itu lebih sempit: pilih kendala yang tidak dapat Anda ubah, dan biarkan kendala itu memilih modelnya.