Kartu judul bertuliskan 'WeMM-Video-9B vs Kandinsky 6.0 Video' dengan subjudul 'Keduanya terbuka, tak satu pun diukur', dua panel dipisahkan oleh cakram vs: panel kiri berjudul WeMM-Video-9B dengan lencana 'Apache 2.0' dan baris-baris bertuliskan 'pembaca dense 9B', '19,54 GiB BF16', '16 frame pada 2 fps', 'dua video per permintaan', 'mengembalikan teks'; panel kanan berjudul Kandinsky 6.0 Video dengan lencana 'lisensi MIT' dan baris-baris bertuliskan '29B Pro, 3B Lite', '5 dtk, 121 frame, 24 fps', 'audio 44,1 kHz dalam satu proses', 'tanpa mode ekstensi', 'sekitar 7 mnt H100 per klip'.
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video: Keduanya Terbuka, Keduanya Belum Diukur

Penulis

jinhao.song

Tanggal Terbit

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

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.

Berikut ini memperlakukan kedua rilis tersebut sebagaimana adanya: model terbuka siap produksi dengan ekosistem, dan rilis riset dengan sebuah makalah. Kedua deskripsi itu adalah pujian sekaligus keterbatasan, dan urutan Anda membacanya akan menentukan mana yang sebaiknya Anda unduh.

Lima detik adalah panjang yang dilatih

Kandinsky 6.0 Video menghasilkan klip berdurasi lima detik, dan kata yang penting adalah "terlatih," bukan "default." Lima detik pada 121 frame adalah durasi yang dipelajari model; meminta lebih bukanlah sebuah pengaturan, melainkan ekstrapolasi, dan Sber tidak menyajikannya sebagai hal lain. Di dalam lima detik itu Anda mendapatkan audio 44 kHz yang dihasilkan dalam proses yang sama dengan penyelarasan lip-sync, yang merupakan kemampuan yang benar-benar tidak biasa pada lisensi dan ukuran ini.

Permukaan deployment adalah bagian yang paling tajam membedakan kedua rilis. Pada hari pertama, Kandinsky 6.0 Video merilis bundel Diffusers, titik masuk baris perintah, dua node ComfyUI, dan dua Spaces. Kemudian seorang kontributor eksternal menggabungkan pull request 8537 ke vLLM-Omni, mendaftarkan pipeline sebagai Kandinsky6TI2VAPipeline dan menyajikan teks-ke-video-dan-audio serta gambar-ke-video-dan-audio dari satu DiT.

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, dengan native_inference_validated dan native_low_precision_gemm_validated keduanya false.

• AWQ W4A16, 12,86 GiB — quantized_unvalidated.

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, dengan GEMM FP4 native, inferensi PRO5000 dan validasi vLLM semuanya false, ditambah atestasi numerik berupa RMSE relatif rata-rata 0,095 terhadap batas 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.

Empat build terkompresi, semuanya berselisih dalam 0,42 GiB satu sama lain, dan tidak satu pun telah divalidasi untuk inferensi native. Bandingkan dengan Kandinsky 6.0 Video, yang lisensi MIT dan empat front end independennya berarti masalah validasi sudah didistribusikan kepada orang-orang yang bukan 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.'

Sembilan belas setengah gigabyte, dirinci

WeMM-Video-9B menutupi cerita penerapannya yang minim dengan penjelasan tentang dirinya yang luar biasa lengkap. Jumlah parameternya adalah 10,488,603,384 di seluruh 1,305 tensor. Pembagiannya dipublikasikan: tulang punggung bahasa 7.94B termasuk embedding token 1.02B, kepala keluaran tak-terikat 1.02B, menara audio 1.08B — 32 lapisan bergaya Whisper dengan lebar 1,280 di belakang Q-Former dua lapis, sepuluh token audio per detik — dan menara visi 0.46B dengan 27 blok, hidden 1,152, patch 16, penggabungan spasial 2×2.

Hanya FFN padat yang dikuantisasi dalam build terkompresi: 96 matriks bahasa, tiga per lapisan di seluruh 32 lapisan dengan ukuran 4,096 x 12,288, yaitu 4,831,838,208 elemen dari 10.49B. Attention dikembalikan ke BF16 — 152 matriks proyeksi ditambah 32 input norm, semuanya dengan hash SHA-256 — dan 1,209 tensor tetap bit-exact. Kira-kira 3.57B parameter, sekitar 7.1 GB, dari vision tower, audio tower, embedding, dan output head sama sekali tidak masuk ke kuantiser. Itulah sebabnya AWQ menghemat 34% dibandingkan BF16, bukan 70% seperti yang disiratkan namanya.

Tidak satu pun dari ini memberi tahu Anda apakah modelnya bagus. Ini memberi tahu Anda bahwa rilisnya dapat diaudit, yang merupakan keunggulan berbeda dan kurang dihargai.

Keduanya tidak memiliki skor independen.

Kandinsky 6.0 Video tidak muncul di satu pun dari tiga papan video Artificial Analysis. WeMM-Video-9B juga tidak. Kedua ketidakhadiran tersebut memiliki penyebab yang berbeda dan perbedaannya penting.

Kandinsky 6.0 Video tidak memiliki pengajuan ke arena, dan papan teks-ke-video mewajibkan adanya harga API sebelum dapat mencantumkan sebuah model — output open-weight berdurasi lima detik tanpa tarif komersial tidak punya baris yang bisa ditempati. WeMM-Video-9B tidak dapat diperingkat dalam arti yang lebih mendalam: papan-papan tersebut menilai rekaman yang dihasilkan, sedangkan model ini menghasilkan teks.

Yang ditawarkan masing-masing lab sebagai gantinya adalah evaluasinya sendiri, dan keduanya harus dibaca dengan skeptisisme yang sama.

• Kandinsky 6.0 Video — hasil VABench menurut laporan vendor ditambah evaluasi manusia yang dijalankan oleh laboratorium tersebut, sekitar 200 perbandingan berpasangan per kriteria. Juga dilaporkan adanya penurunan 47% pada tingkat kesalahan kata dalam ucapan yang dihasilkan setelah pasca-pelatihan RL. Angka terakhir itu perlu diberi catatan: angka tersebut diukur dengan Whisper-large-v3, sedangkan angka WER VABench yang dibandingkan dengannya menggunakan Qwen3-ASR-1.7B. Dua pengenal berbeda, dua tingkat kesalahan berbeda, tidak ada pengurangan yang sah. Peningkatan itu bisa jadi nyata; namun angka yang disajikan tidak dapat dibandingkan.

• WeMM-Video-9B — harness milik penulis sendiri, yang dinyatakan sebagai "hasil resmi jika tersedia dan evaluasi kami sendiri jika tidak." Dalam mode berpikir pada tugas audio-visual gabungan, model ini mengalahkan Qwen3-Omni-30B-A3B-Instruct pada 35 dari 37 angka yang sama, termasuk Video-MME dengan audio 85,1 berbanding 77,3 dan SciVideoBench 64,2 berbanding 49,9, serta kalah pada satu, FutureOmni 53,7 berbanding 55,1. Pada video tanpa audio dibandingkan dengan backbone Qwen3.5-9B miliknya, model ini unggul pada F-16-NBA 88,7 berbanding 75,8 dan TimeLens, serta kalah pada MLVU, LVBench, VideoVista, VSI-Bench, dan MVBench.

Dua rilis terbuka, dua evaluasi yang dinilai sendiri, tanpa pihak ketiga. Itulah gambaran terkini yang jujur untuk keduanya.

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.

Enam belas frame berbanding lima detik

Titik pertemuan kedua batas itu lebih menarik daripada masing-masingnya saja. WeMM-Video-9B menyertakan resep vLLM yang menimpa default prosesornya sendiri — 2 fps, minimum 4 frame, maksimum 128, 100,663,296 piksel — menjadi 2 fps dan 16 frame pada 262,144 piksel, yang diambil di sekitar titik tengah klip. Enam belas frame pada dua per detik adalah delapan detik cakupan, dan setiap perintah serving juga meneruskan konteks 8,192 token terhadap 262,144 position embedding dalam arsitektur.

• Kandinsky 6.0 Video — lima detik masuk, lima detik keluar, 121 frame, audio 44 kHz. Panjang yang dilatih secara ketat.

• WeMM-Video-9B — delapan detik input tersampel, keluaran teks, dengan trek audio lengkap hingga sekitar tiga belas menit pada sepuluh token per detik.

• Sambungan — klip Kandinsky berdurasi lima detik masuk ke dalam jendela delapan detik WeMM-Video-9B dengan sisa tiga detik, dan itulah satu-satunya konfigurasi di mana pengiriman klip yang dihasilkan ke pendeskripsi berjalan mulus.

• Biaya penggabungan — Sber melaporkan sekitar tujuh menit waktu H100 per klip Full-HD, jadi generasi lima detik berarti reservasi tujuh menit sebelum pendeskripsian apa pun terjadi di perangkat keras lokal.

Perutean berdasarkan panjang klip

Tidak satu pun dari kedua model ini dilayani melalui OrcaRouter, dan tidak akan: keduanya adalah bobot terbuka yang Anda host sendiri. Yang dilakukan lapisan perutean untuk pipeline seperti ini adalah memutuskan segmen mana yang dijalankan di mana, dan DSL perutean adalah tempat yang jujur untuk menaruh batas delapan detik. Nyatakan itu sebagai kebijakan — klip berdurasi kurang dari delapan detik ke pendeskripsi WeMM-Video-9B lokal, klip yang lebih panjang ke model omni yang dihosting — dan batas itu berhenti menjadi komentar di file konfigurasi yang tidak dibaca siapa pun sampai klip enam puluh detik kembali dengan deskripsi dalam fragmen delapan detik.

Untuk bagian hosted dari kebijakan tersebut, satu API mencakup lebih dari 200 model dengan 0% markup atas harga daftar penyedia, sehingga pipeline yang mencakup describer yang di-self-host dan yang disewa tetap menjadi satu tagihan dan satu kunci. Pemotongan tarif penyedia sampai kepada Anda pada hari yang sama saat penyedia menerimanya, yang penting ketika separuh beban kerja Anda yang di-host dipilih berdasarkan harga.

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.

Unduh keduanya, atau tidak sama sekali

Jika Anda ingin pipeline yang berfungsi minggu ini, Kandinsky 6.0 Video adalah jawabannya dan tidak ada yang mendekati. Lisensi MIT, empat permukaan deployment pada hari pertama, audio 44 kHz tersinkronisasi dengan lip-sync, dan panjang terlatih lima detik yang bisa Anda jadikan acuan. Anda mengorbankan durasi dan validasi independen.

Jika Anda menginginkan pendeskripsi omni-modal 9B yang dapat Anda audit, WeMM-Video-9B adalah jawabannya, dan audit itulah intinya: akuntansi parameter penuh, cakupan kuantisasi yang dirinci per item, string status yang jujur pada empat build yang belum tervalidasi. Anda harus merelakan kontrak serving, ekosistem, dan bukti apa pun di luar tabel milik penulis sendiri.

Kesalahannya adalah membaca "open weights" sebagai satu properti tunggal. Salah satu rilis ini berperilaku seperti produk dengan lisensi yang menempel. Yang lain berperilaku seperti makalah dengan checkpoint yang menempel, dan mana yang Anda butuhkan sepenuhnya bergantung pada apakah Anda mencoba merilis footage atau memahaminya.