Kartu judul bertuliskan 'WeMM-Video-4B vs Kandinsky 6.0 Video' dengan subjudul 'Dua batas maksimum', dua panel dipisahkan oleh cakram 'vs', panel kiri bersubjudul 'membaca klip' dan mencantumkan 16 frame yang disampel, 8.192 token, dan Apache 2.0 di samping ikon jendela kecil berlabel 'batas masukan', panel kanan bersubjudul 'membuat klip' dan mencantumkan lima detik, 121 frame, dan audio 44,1 kHz di samping ikon stopwatch berlabel 'batas keluaran', dengan catatan kaki bertuliskan 'Keduanya tidak tercantum di papan video Artificial Analysis mana pun, 20 November 2026.'
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: Dua Batas Keras

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Baik Kandinsky 6.0 Video maupun WeMM-Video-4B adalah rilis berbobot terbuka dengan lisensi permisif, keduanya muncul dalam dua bulan terakhir tanpa kampanye pemasaran yang layak disebut, dan keduanya tidak muncul di papan video Artificial Analysis mana pun. Ketakterlihatan bersama itulah titik akhir kemiripan, dan yang menggantikannya adalah sepasang plafon yang memberi tahu Anda lebih banyak tentang masing-masing model daripada yang bisa disampaikan baris benchmark mana pun. Kandinsky 6.0 Video membuat rekaman lima detik dengan audio tersinkronisasi lalu berhenti — lima detik adalah panjang terlatih, bukan nilai default. WeMM-Video-4B membaca klip melalui enam belas frame sampel lalu berhenti, yang merupakan nilai yang ditetapkan resep penyajiannya sendiri dibandingkan default prosesor 128. Satu batas ada pada durasi keluaran, yang lain pada fidelitas masukan, dan memilih di antara keduanya berarti memilih jenis kebutaan mana yang dapat ditanggung pipeline Anda.

Tidak satu pun model telah dievaluasi secara independen. Angka Sber adalah milik Sber, angka T​encent adalah milik T​encent, dan judul-judul bagian di bawah ini menjaga batas tersebut tetap terlihat alih-alih menguburnya.

Batas lima detik dan jendela enam belas frame

Kandinsky 6.0 Video dirilis oleh Kandinsky Lab milik Sber pada 6 Oktober 2026 di bawah lisensi MIT, dalam dua ukuran: Pro dengan 29 miliar parameter dan Lite dengan 3 miliar. Model ini menerima prompt teks atau gambar referensi dan mengembalikan klip lima detik dengan audio 44,1 kHz yang dihasilkan dalam proses yang sama, termasuk sinkronisasi bibir. Makalah dan resep penyajiannya sama-sama dibangun di sekitar 121 frame pada 24 frame per detik, dan tidak ada mode perpanjangan dalam rilis ini. Apa pun yang lebih panjang adalah masalah penyambungan yang menjadi tanggung jawab Anda sendiri.

WeMM-Video-4B adalah anak tengah dari keluarga berisi empat ukuran dari grup WeChat Vision Tencent, diunggah pada 17 November 2026 dengan laporan teknis menyusul pada 19 November. Model ini memiliki 5.611.746.312 parameter — 10,45 GiB dalam BF16 — karena label "4B" merujuk pada tulang punggung bahasa Qwen3.5-4B, bukan pada checkpoint-nya. Model ini menerima teks, gambar, video, dan audio serta mengembalikan teks.

• Kandinsky 6.0 Video — batas keluaran: lima detik, 121 frame, 24 fps, audio 44,1 kHz yang menyatu dengan gambar.

• WeMM-Video-4B — batas input: 2 frame per detik yang disampel hingga maksimum 16 frame, total 262.144 piksel, dalam konteks 8.192 token yang audio habiskan sebanyak 10 token untuk setiap detik.

• Keduanya — batasnya ada dalam konfigurasi yang dirilis, bukan pada arsitekturnya, dan tidak ada repositori yang menjelaskan apa yang akan dilakukan model tanpanya.

Baca keduanya bersama-sama dan muncul alur kerja yang tidak didokumentasikan oleh kedua vendor: klip lima detik yang diserahkan kepada pendeskripsi yang mengambil sampel enam belas frame adalah klip yang disampel pada sekitar tiga frame per detik, yang berada di atas batas bawah dua per detik dari resep itu sendiri. Itulah satu-satunya tempat kedua model ini menyatu dengan rapi, dan patut diperhatikan justru karena hal itu kebetulan.

Kali ini, lisensi adalah bagian yang mudah.

Untuk sekali ini, perbandingan hukum bukanlah penentu keputusan. Kedua rilis bersifat permisif dan keduanya didokumentasikan dengan baik mengenai hal ini, yang melegakan setelah setahun Apple AMLR dan komponen demo non-komersial.

• Kandinsky 6.0 Video — MIT pada kode, bobot, dan integrasi diffusers. Repositori ini menyediakan dua node ComfyUI yang dapat diinstal melalui ComfyUI Manager dan dua Hugging Face Space, satu untuk checkpoint distilasi Pro dan satu untuk super-resolution.

• WeMM-Video-4B — Apache 2.0 di seluruh koleksi, dengan file lisensi T​encent yang menyatakan bahwa komponen pihak ketiga tetap berada di bawah ketentuan aslinya. Pengecualian tersebut tidak dirinci per item, yang merupakan celah nyata dan bukan sekadar formalitas mengingat stack audio berasal dari Qwen2.5-Omni dan backbone-nya dari Q​wen3.5, keduanya Apache 2.0.

• Keduanya — penggunaan komersial tersedia, dan tidak ada vendor yang menerbitkan kebijakan penggunaan yang mempersempitnya lebih lanjut. Jika tinjauan hukum menjadi penghambat Anda, yang menjadi soal bukanlah baris lisensi di sini; melainkan pengecualian yang tidak dirinci di sisi T​encent.

Permukaan deployment adalah tempat keduanya berpisah.

Perbedaan yang lebih tajam bukanlah lisensi, melainkan seberapa banyak orang lain sudah melakukan untuk Anda, dan kesenjangannya cukup lebar untuk mengubah garis waktu.

Kandinsky 6.0 Video hadir dengan bundel diffusers, baris perintah, dua node ComfyUI, dan dua Space pada hari pertama. Kemudian seorang kontributor eksternal menggabungkan pull request 8537 ke vLLM-Omni, mendaftarkan pipeline sebagai Kandinsky6TI2VAPipeline dengan latent video dan audio didenoise bersama oleh satu transformer, bobot dimuat folder demi folder dari transformer/, vae/, text_encoder/, text_encoder_2/ dan audio_vae/, dan resep penyajian di recipes/Kandinsky/Kandinsky6-TI2VA.md. Pengondisian gambar referensi diterapkan sebagai frame ekor bertopeng alih-alih mode terpisah, sehingga satu pipeline melayani teks-ke-video-dan-audio maupun gambar-ke-video-dan-audio. Audio aktif secara default: permintaan tanpa parameter audio tetap mengembalikan ucapan, musik, atau ambiens yang tersinkronisasi.

WeMM-Video-4B memiliki profil yang berlawanan. Baik vLLM maupun SGLang tidak mendukung arsitektur tersebut di upstream, dan penelusuran pada issue tracker vLLM tidak menemukan permintaan untuk WeMM-Video. Yang disediakan repositori ini sebagai gantinya adalah patch direktori — overlay sumber dengan manifes SHA-256 untuk vLLM 0.18.0 dan 0.31.0 serta SGLang 0.5.16 dan 0.5.19, masing-masing dipatok ke kombinasi PyTorch, Transformers, dan CUDA 12.9 tertentu, dengan Python 3.12, FFmpeg, CUDA 12 NPP pada jalur linker untuk TorchCodec, serta toolchain C++ plus Ninja karena SGLang mengompilasi kernel saat pertama kali digunakan. Bundel GGUF menargetkan runtime native yang Anda kompilasi dari repositori, bukan llama.cpp, dan Tencent memberinya label exported_unvalidated.

Screenshot of vLLM-Omni pull request 8537, titled Kandinsky6 and merged on 6 October, describing a Kandinsky 6 TI2VA pipeline serving text-to-video-and-audio and image-to-video-and-audio, one DiT jointly denoising video and audio latents, weights loaded per Hub folder, audio on by default at 44.1 kHz and a reference image applied as a masked tail frame.

Asimetri itu punya biaya yang bisa Anda masukkan ke dalam jadwal. Kandinsky 6.0 Video adalah kontainer yang berbicara HTTP saat ini. WeMM-Video-4B adalah satu hari kerja toolchain sebelum token pertama Anda, dan satu-satunya validasi yang diklaim T​encent adalah bahwa vLLM yang dipatch memuatnya di H20 dan menyelesaikan pemeriksaan generasi untuk teks, gambar, audio, dan video dengan soundtrack — tanpa throughput, tanpa latensi, tanpa jejak memori, tanpa angka konkurensi.

Two-column contrast headed 'WeMM-Video-4B vs Kandinsky 6.0 Video', the left listing video and audio in with text out, 5.61B parameters, a 16-frame cap, patched vLLM or SGLang and Apache 2.0, the right listing text or image in with video and audio out, 29B Pro and 3B Lite, a five-second 121-frame cap, diffusers plus ComfyUI plus vLLM-Omni and MIT, with a footer reading 'Both are absent from every Artificial Analysis video board as of 20 November 2026.'Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an Image-to-video pipeline tag, Diffusers, Safetensors, Kandinsky6TI2VAPipeline and video-generation tags, a model card line reading License: mit, and a gated-access notice asking the visitor to accept conditions before the files can be downloaded.

Apa kata angka-angka itu, dan siapa yang mengatakannya

Artificial Analysis menjalankan tiga papan peringkat video — teks-ke-video, gambar-ke-video, dan penyuntingan video — masing-masing dengan skala Elo dan kumpulan suaranya sendiri. Baca ketiganya pada 20 November 2026: Kandinsky 6.0 Video tidak muncul di satu pun, begitu pula WeMM-Video-4B. Ketiadaan keduanya bukanlah suatu penilaian. Kandinsky 6.0 Video tidak memiliki pengajuan arena dan peringkat teks-ke-video pada papan tersebut memerlukan harga API untuk perbandingan yang dinormalisasi, yang tidak dimiliki oleh checkpoint terbuka; WeMM-Video-4B sama sekali tidak dapat diikutsertakan dalam pemungutan suara antara dua klip hasil generasi, karena ia tidak menghasilkan klip.

Yang tersisa adalah pekerjaan para vendor itu sendiri, dan itu mengukur hal-hal yang berbeda pada skala yang berbeda.

• Kandinsky 6.0 Video, kualitas — hasil yang dilaporkan vendor pada VABench dan evaluasi manusia yang dijalankan laboratorium terhadap Kling 2.6, Veo 3.1 Fast, MiniMax H3, dan Seedance 2.0. Sber juga melaporkan, dalam ablasi makalah, bahwa checkpoint terdistilasi yang mereka harapkan Anda sajikan lebih disukai atau setara pada mayoritas kriteria dengan preferensi rata-rata 51 persen berbanding 49 persen — paritas, pada kecepatan yang Anda inginkan.

• Kandinsky 6.0 Video, audio — dua angka word-error-rate dalam makalah yang tidak dapat dibandingkan. Pengurangan 47 persen yang menyertai tahap pembelajaran penguatan dinilai dengan Whisper-large-v3, salah satu model reward RL; WER yang dilaporkan bersama VABench menggunakan Qwen3-ASR-1.7B pada subset ucapan. Para penulis sendiri mengatakan demikian, dan mengutip yang satu sebagai yang lain adalah kesalahan termudah yang dibuat dengan rilis ini.

• WeMM-Video-4B, audio-visual gabungan — Video-MME dengan audio 83,9 dibandingkan dengan 77,3 milik Qwen3-Omni-30B-A3B-Instruct dan 69,2 milik MiniCPM-o-4.5-9B; Video-MME v2 48,1 dibandingkan dengan 36,3 dan 28,1; Daily-Omni 82,5 dibandingkan dengan 70,7 dan 80,2, semuanya dalam mode Thinking.

• WeMM-Video-4B, di mana ia kalah — MMAU 75,2 dibandingkan dengan 80,4 milik Qwen3.5-Omni-Flash dan MMAR 67,3 dibandingkan dengan 74,0, dengan satu kemenangan pada MMAU-Pro sebesar 68,1 dibandingkan dengan 64,8. Video-Holmes 58,8 dibandingkan dengan 64,3 milik MiniCPM-o-4.5-9B, dan FutureOmni 50,9 dibandingkan dengan 55,1 dan 56,1.

Dua catatan penting menyertai kolom WeMM. Makalah ini tidak menyatakan jumlah frame, anggaran piksel, atau panjang konteks yang digunakan untuk evaluasi videonya, dan itu penting karena resep yang dirilis menggunakan enam belas frame sementara pemroses secara default menggunakan 128. Dan mode berubah antar tabel: Thinking untuk video, Instruct untuk audio, Thinking lagi untuk gambar dan teks. Membandingkan baris audio WeMM dengan baris video pesaing bukanlah sebuah perbandingan.

Waktu jam dinding, angka yang tidak dikutip siapa pun

Repositori Kandinsky memublikasikan angka yang menentukan apakah model video terbuka dapat digunakan pada perangkat keras Anda, dan hasilnya tidak menggembirakan. Berikut adalah waktu kerja model dasar non-distilasi untuk satu klip berdurasi lima detik setelah pemanasan, tidak termasuk pemuatan bobot dan pengodean MP4, dengan Full HD berarti proses super-resolusi juga berjalan.

• Full HD, Pro — 402 detik pada H100, 765 pada RTX PRO 6000, 854 pada RTX 5090, 1.106 pada A100 80GB, 1.247 pada RTX 4090, 3.530 pada RTX 5060 Ti.

• Full HD, Lite — 284 detik pada H100, 387 pada RTX PRO 6000, 406 pada RTX 5090, 664 pada A100, 578 pada 4090, 1.774 pada 5060 Ti.

• SD, Pro — 356 detik pada H100 dibandingkan 936 pada 4090, di mana penalti kartu konsumen paling kecil.

Memori teralokasi puncak dalam eksekusi Pro SD mencapai 72,8 GiB, melampaui setiap kartu konsumen, itulah sebabnya repositori menyertakan block offloading — dua blok transformer tetap dimuat di memori, sisanya dialirkan dari memori host — dengan preset untuk 32, 24, dan 16 GB. Preset 32 dan 24 GB identik karena di atas 24 GB, sisa ruang tidak menambah kecepatan. Peringatan yang tersembunyi adalah bahwa pada preset 16 GB, text encoder dikuantisasi ke NF4, dan makalahnya menyatakan secara eksplisit bahwa ini adalah satu-satunya perubahan preset yang mengubah clip itu sendiri, dengan sekitar 12 persen piksel berbeda satu tingkat kecerahan pada sekitar 57 dB PSNR. Jika Anda mereproduksi hasil orang lain pada kartu 16 GB dan hasilnya tidak cocok, periksa itu terlebih dahulu.

WeMM-Video-4B tidak memiliki tabel setara, dan ketiadaan itu sendiri sudah informatif. Tencent memvalidasi bahwa checkpoint tersebut dapat dimuat dan menghasilkan. Model yang nilai jualnya adalah video, tetapi hanya dijelaskan sebagai "telah menghasilkan," menyerahkan seluruh sisi biaya dari keputusan deployment kepada Anda.

Menghubungkan lapisan teks di sekitar keduanya

Jika Anda menjalankan salah satu dari ini, stack di sekitarnya memerlukan tiga hal yang sama, dan tidak satu pun dari ketiganya adalah model. Ekspansi prompt mengubah deskripsi bidikan menjadi keterangan panjang, sedang, atau pendek yang digunakan Kandinsky untuk pelatihan, atau menjadi pertanyaan yang harus dijawab WeMM. Transkripsi dan pemberian keterangan memberi masukan pada proses gambar-ke-video atau menyiapkan klip untuk deskripsi. Ringkasan tinjauan memutuskan generasi mana dari empat yang harus dipertahankan, yang merupakan pemanggilan yang Anda bayar pada setiap kandidat alih-alih setiap yang bertahan.

Itu adalah completion teks biasa, dan itulah bagian dari stack ini yang dicakup OrcaRouter: satu kunci yang kompatibel dengan OpenAI untuk lebih dari dua ratus model, harga daftar dari penyedia diteruskan dengan markup 0% sehingga perubahan harga vendor langsung berlaku pada hari yang sama, dan failover otomatis sehingga tahap caption yang mati tidak ikut menggagalkan render lima menit. Tidak ada model yang ada di platform — katalog tidak memiliki entri Kandinsky dan tidak ada entri WeMM, dan tidak ada lapisan routing yang mengubah unduhan bobot menjadi endpoint terhosting. Yang dihilangkan router adalah pekerjaan integrasi di sekitar dua model yang Anda host sendiri, plus cara menempatkan vendor kedua di belakang vendor pertama tanpa menulis klien kedua.

Dua plafon, satu keputusan

Tanyakan batas mana yang bisa Anda gunakan untuk bekerja. Jika Anda memerlukan rekaman dengan suara dan dapat memotong dalam satuan lima detik, Kandinsky 6.0 Video adalah rilis yang lebih lengkap di setiap aspek selain kualitas mentah: {{1}}MIT licence{{/1}}, empat permukaan deployment, angka H100 yang dapat Anda jadikan dasar perencanaan anggaran, dan proses super-resolution yang membuat Full HD menjadi pengaturan nyata, bukan sekadar klaim. Kendalanya adalah durasi, dan durasi mudah diakomodasi dalam desain.

Jika Anda perlu mengetahui isi rekaman yang sudah Anda miliki — apa yang terjadi di layar dan apa yang terdengar bersamanya — WeMM-Video-4B adalah satu-satunya dari keduanya yang dapat menjawab, dan batasannya adalah fidelitas: enam belas frame tersampel dan delapan ribu token adalah yang diberikan resep yang dikirimkan kepada Anda, dan baris benchmark video panjang dihasilkan dalam kondisi yang tidak dijelaskan oleh makalah tersebut.

Apa yang tidak disediakan oleh kedua rilis ini adalah hal yang akan membuat perbandingan ini murah: angka dari seseorang yang tidak menulis makalah tersebut. Keduanya terbuka, keduanya berlisensi permisif, dan keduanya tidak terlihat oleh setiap papan peringkat yang akan menyelesaikan perdebatan itu. Sampai salah satunya diukur secara independen, batas atas di masing-masing repositori adalah fakta paling andal yang telah diterbitkan oleh masing-masing vendor.