Titolo: "WeMM-Video-4B vs Kandinsky 6.0 Video", con il sottotitolo "Due limiti rigidi"; due pannelli separati da un disco "vs", quello a sinistra con il sottotitolo "legge clip" ed elenca 16 frame campionati, 8.192 token e Apache 2.0 accanto a una piccola icona a finestra con la didascalia "limite di input"; quello a destra con il sottotitolo "crea clip" ed elenca cinque secondi, 121 frame e audio a 44,1 kHz accanto a un'icona di cronometro con la didascalia "limite di output"; in fondo, una nota recita: "Entrambi assenti da ogni classifica video di Artificial Analysis, 20 novembre 2026."
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: due limiti rigidi

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Entrambi Kandinsky 6.0 Video e WeMM-Video-4B sono rilasci open-weight con licenze permissive, entrambi sono arrivati negli ultimi due mesi senza una campagna marketing degna di tale nome, ed entrambi sono assenti da ogni classifica video di Artificial Analysis. Quella invisibilità condivisa è il punto in cui finisce la somiglianza, e ciò che la sostituisce è una coppia di tetti che ti dicono più su ciascun modello di quanto farebbe qualsiasi riga di benchmark. Kandinsky 6.0 Video genera cinque secondi di filmato con audio sincronizzato e poi si ferma — cinque secondi sono la lunghezza addestrata, non un valore predefinito. WeMM-Video-4B legge una clip attraverso sedici fotogrammi campionati e poi si ferma, che è ciò che la sua stessa ricetta di serving imposta rispetto a un valore predefinito del processore di 128. Un limite riguarda la durata dell'output, l'altro la fedeltà dell'input, e scegliere tra i due significa scegliere quale tipo di cecità la tua pipeline può sopravvivere.

Nessuno dei due modelli è stato valutato in modo indipendente. I numeri di Sber sono quelli di Sber, quelli di Tencent sono quelli di Tencent, e le intestazioni di sezione qui sotto mantengono visibile questo confine anziché seppellirlo.

Un tetto di cinque secondi e una finestra di sedici fotogrammi

Kandinsky 6.0 Video è stato rilasciato dal Kandinsky Lab di Sber il 6 ottobre 2026 con licenza MIT, in due dimensioni: Pro con 29 miliardi di parametri e Lite con 3 miliardi. Accetta un prompt testuale o un'immagine di riferimento e restituisce una clip di cinque secondi con audio a 44,1 kHz generato nella stessa passata, sincronizzazione labiale inclusa. Il paper e la ricetta di serving sono entrambi basati su 121 frame a 24 frame al secondo, e nella release non è presente alcuna modalità di estensione. Qualsiasi contenuto più lungo è un problema di stitching di cui sei responsabile.

WeMM-Video-4B è il figlio di mezzo di una famiglia di quattro dimensioni del gruppo WeChat Vision di Tencent, pubblicato il 17 novembre 2026 con il rapporto tecnico pubblicato il 19 novembre. Ha {{1}}5,611,746,312{{/1}} parametri — {{2}}10.45 GiB{{/2}} in BF16 — perché l'etichetta "4B" si riferisce al suo backbone linguistico Qwen3.5-4B anziché al checkpoint. Accetta testo, immagini, video e audio e restituisce testo.

• Kandinsky 6.0 Video — limite di output: cinque secondi, 121 frame, 24 fps, audio a 44,1 kHz saldato all'immagine.

• WeMM-Video-4B — limite di input: 2 fotogrammi al secondo campionati fino a un massimo di 16 fotogrammi, 262.144 pixel totali, all'interno di un contesto di 8.192 token che l'audio consuma a 10 token per ogni secondo.

• Entrambi — il limite è nella configurazione rilasciata, non nell'architettura, e nessuno dei due repository spiega cosa farebbe il modello senza di esso.

Leggi i due insieme e si suggerisce un flusso di lavoro che nessuno dei due fornitori documenta: una clip di cinque secondi passata a un descrittore che campiona sedici frame è una clip campionata a circa tre frame al secondo, che è sopra la soglia di due al secondo della ricetta stessa. Questo è l'unico punto in cui questi due modelli si incastrano in modo pulito, e vale la pena notarlo proprio perché è accidentale.

Le licenze sono la parte facile questa volta

Per una volta il confronto legale non è la decisione. Entrambe le release sono permissive ed entrambe sono adeguatamente documentate su questo punto, il che è un sollievo dopo un anno di Apple AMLR e componenti demo non commerciali.

• Kandinsky 6.0 Video — MIT su codice, pesi e integrazione diffusers. Il repository include due nodi ComfyUI installabili tramite ComfyUI Manager e due Hugging Face Spaces, uno per il checkpoint distill Pro e uno per la super-risoluzione.

• WeMM-Video-4B — Apache 2.0 su tutta la raccolta, con un file di licenza Tencent che dichiara che i componenti di terze parti restano soggetti ai loro termini originali. L'eccezione non è dettagliata voce per voce, il che rappresenta una vera lacuna più che una formalità, dato che lo stack audio discende da Qwen2.5-Omni e la backbone da Qwen3.5, entrambi Apache 2.0.

• Entrambi — l'uso commerciale è disponibile e nessuno dei due fornitori pubblica una politica di utilizzo che lo restringa ulteriormente. Se la revisione legale è il tuo ostacolo, non sarà la riga della licenza qui; sarà l'eccezione non dettagliata sul fronte Tencent.

La superficie di deployment è il punto in cui si separano.

La differenza più netta non sta nella licenza, ma in quanto qualcun altro ha già fatto per te, e il divario è abbastanza ampio da modificare una tempistica.

Kandinsky 6.0 Video è arrivato con un bundle diffusers, una riga di comando, due nodi ComfyUI e due Spaces fin dal primo giorno. Poi un contributore esterno ha integrato la pull request 8537 in vLLM-Omni, registrando la pipeline come Kandinsky6TI2VAPipeline con latenti video e audio denoizzati congiuntamente da un unico transformer, pesi caricati cartella per cartella da transformer/, vae/, text_encoder/, text_encoder_2/ e audio_vae/, e una recipe di serving in recipes/Kandinsky/Kandinsky6-TI2VA.md. Il condizionamento tramite immagine di riferimento viene applicato come frame finale mascherato anziché come modalità separata, quindi un'unica pipeline serve sia la modalità text-to-video-and-audio sia quella image-to-video-and-audio. L'audio è attivo per impostazione predefinita: una richiesta senza parametri audio restituisce comunque parlato, musica o ambienza sincronizzati.

WeMM-Video-4B presenta il profilo opposto. Né vLLM né SGLang supportano l'architettura upstream, e una ricerca nell'issue tracker di vLLM non restituisce alcuna richiesta per WeMM-Video. Ciò che il repository fornisce invece è una patch directory — overlay di codice sorgente con manifest SHA-256 per vLLM 0.18.0 e 0.31.0 e SGLang 0.5.16 e 0.5.19, ciascuno vincolato a una specifica combinazione di PyTorch, Transformers e CUDA 12.9, con Python 3.12, FFmpeg, CUDA 12 NPP nel percorso del linker per TorchCodec, e una toolchain C++ più Ninja perché SGLang compila i kernel al primo utilizzo. Il bundle GGUF è destinato a un runtime nativo che si compila dal repository anziché a llama.cpp, e Tencent lo etichetta come 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.

Quell'asimmetria ha un costo che puoi inserire in una pianificazione. Kandinsky 6.0 Video è un container che oggi parla HTTP. WeMM-Video-4B richiede una giornata di lavoro sulla toolchain prima del primo token, e l'unica validazione che Tencent dichiara è che vLLM con patch l'ha caricato su un H20 e ha completato i controlli di generazione per testo, immagine, audio e video con una colonna sonora — nessun dato su throughput, latenza, impronta di memoria o numeri di concorrenza.

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.

Che cosa dicono i numeri, e chi li ha detti

Artificial Analysis gestisce tre classifiche video — testo-a-video, immagine-a-video e montaggio video — ciascuna con la propria scala Elo e il proprio bacino di voti. Consultate tutte e tre il 20 novembre 2026: Kandinsky 6.0 Video non compare in nessuna di esse, e neppure WeMM-Video-4B. Nessuna delle due assenze è un giudizio. Kandinsky 6.0 Video non ha una submission all'arena e la classifica testo-a-video della board richiede un prezzo API per un confronto normalizzato, che un checkpoint aperto non ha; WeMM-Video-4B non può affatto essere inserito in un voto tra due clip generate, perché non ne genera alcuna.

Ciò che resta è il lavoro dei fornitori stessi, e misura cose diverse su scale diverse.

• Kandinsky 6.0 Video, qualità — risultati riportati dal fornitore su VABench e una valutazione umana condotta in laboratorio rispetto a Kling 2.6, Veo 3.1 Fast, MiniMax H3 e Seedance 2.0. Sber riporta inoltre, nell'ablation del paper, che il checkpoint distillato che si aspetta venga servito è preferito o alla pari sulla maggioranza dei criteri, con una preferenza media del 51 per cento contro il 49 per cento — parità, alla velocità che desideri.

• Kandinsky 6.0 Video, audio — due valori di word error rate nel paper che non sono confrontabili. La riduzione del 47 percento che accompagna la fase di reinforcement learning è misurata con Whisper-large-v3, uno dei modelli di reward del RL; il WER riportato accanto a VABench utilizza Qwen3-ASR-1.7B sul sottoinsieme vocale. Gli autori stessi lo dicono, e citare l'uno al posto dell'altro è l'errore più facile da commettere con questa release.

• WeMM-Video-4B, audio-visivo congiunto — Video-MME con audio 83,9 contro 77,3 di Qwen3-Omni-30B-A3B-Instruct e 69,2 di MiniCPM-o-4.5-9B; Video-MME v2 48,1 contro 36,3 e 28,1; Daily-Omni 82,5 contro 70,7 e 80,2, tutti in modalità Thinking.

• WeMM-Video-4B, dove perde — MMAU 75,2 contro gli 80,4 di Qwen3.5-Omni-Flash e MMAR 67,3 contro 74,0, con una vittoria su MMAU-Pro a 68,1 contro 64,8. Video-Holmes 58,8 contro 64,3 di MiniCPM-o-4.5-9B, e FutureOmni 50,9 contro 55,1 e 56,1.

Due avvertenze accompagnano la colonna WeMM. L'articolo non indica il numero di frame, il budget di pixel o la lunghezza del contesto usati per le sue valutazioni video, il che è importante perché la ricetta distribuita usa sedici frame mentre il processore ne usa 128 per impostazione predefinita. E la modalità cambia tra le tabelle: Thinking per il video, Instruct per l'audio, di nuovo Thinking per immagine e testo. Confrontare una riga audio di WeMM con una riga video di un concorrente non è un confronto.

Wall-clock, il numero che nessuno cita

Il repository di Kandinsky pubblica il dato che decide se un modello video open è utilizzabile sul tuo hardware, e non è lusinghiero. Questi sono i tempi di elaborazione del modello base non distillato per una singola clip di cinque secondi dopo il warmup, esclusi il caricamento dei pesi e la codifica MP4, dove Full HD significa che è attivo anche il passaggio di super-risoluzione.

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

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

• SD, Pro — 356 secondi su una H100 contro 936 su una 4090, dove la penalità della scheda consumer è minima.

La memoria allocata di picco in un'esecuzione di Pro SD raggiunge i 72,8 GiB, oltre ogni scheda consumer, ed è per questo che il repository include l'offloading a blocchi — due blocchi transformer residenti, il resto trasferito in streaming dalla memoria host — con preset per 32, 24 e 16 GB. I preset da 32 e 24 GB sono identici perché oltre i 24 GB il margine non offre alcun guadagno in velocità. Il caveat nascosto è che sul preset da 16 GB l'encoder di testo è quantizzato a NF4, e l'articolo è esplicito nel dire che questo è l'unico cambiamento di preset che altera il CLIP stesso, con circa il 12 percento dei pixel che differiscono di un livello di luminosità a circa 57 dB di PSNR. Se stai riproducendo il risultato di qualcun altro su una scheda da 16 GB e non corrisponde, controlla prima questo.

WeMM-Video-4B non ha una tabella equivalente, e questa assenza è di per sé informativa. Tencent ha validato che il checkpoint si carica e genera. Un modello il cui punto di forza è il video, descritto solo come "ha generato", lascia a te l'intera parte dei costi di una decisione di deployment.

Collegando un livello di testo attorno a entrambi

Se esegui uno di questi, lo stack circostante necessita delle stesse tre cose, e nessuna di esse è il modello. L'espansione del prompt trasforma la descrizione di un'inquadratura nella didascalia lunga, media o breve su cui è stato addestrato Kandinsky, oppure nella domanda a cui dovrebbe rispondere WeMM. Trascrizione e generazione di didascalie alimentano un passaggio image-to-video o preparano una clip per la descrizione. I riepiloghi di revisione decidono quale di quattro generazioni mantenere, ed è la chiamata che paghi per ogni candidato anziché per ogni sopravvissuto.

Quelli sono normali completamenti di testo, e sono la parte di questo stack che OrcaRouter copre: una chiave compatibile con OpenAI per oltre duecento modelli, prezzi di listino dei provider applicati con ricarico 0%, così una variazione di prezzo di un fornitore arriva lo stesso giorno, e failover automatico così una fase di didascalia che si interrompe non si porta dietro un rendering di cinque minuti. Nessuno dei due modelli è sulla piattaforma — il catalogo non ha alcuna voce Kandinsky né WeMM, e nessun livello di routing trasforma un download di pesi in un endpoint ospitato. Ciò che il router elimina è il lavoro di integrazione attorno ai due modelli che ospiti tu stesso, più un modo per tenere un secondo fornitore dietro il primo senza scrivere un secondo client.

Due tetti, una decisione

Chiedi entro quale limite puoi lavorare. Se ti servono filmati con l'audio e puoi montare in unità da cinque secondi, Kandinsky 6.0 Video è la versione più completa su ogni asse che non sia la qualità grezza: licenza MIT, quattro superfici di distribuzione, un numero H100 su cui puoi pianificare un budget e un passaggio di super-risoluzione che rende il Full HD un'impostazione reale anziché una promessa. Il suo vincolo è la durata, e la durata è facile da progettare intorno.

Se devi sapere cosa c'è in un filmato che possiedi già — cosa succede sullo schermo e cosa si sente sopra — WeMM-Video-4B è l'unico dei due in grado di rispondere, e il suo vincolo è la fedeltà: sedici fotogrammi campionati e ottomila token sono ciò che la ricetta distribuita ti offre, e le righe del benchmark sui video lunghi sono state prodotte in condizioni che il paper non descrive.

Ciò che nessuna delle due release fornisce è la cosa che renderebbe questo confronto economico: un numero da qualcuno che non ha scritto il paper. Entrambe sono aperte, entrambe hanno licenze permissive ed entrambe sono invisibili a ogni classifica che risolverebbe la questione. Finché uno dei due non viene misurato in modo indipendente, il tetto in ciascun repository è il fatto più affidabile che ciascun fornitore abbia pubblicato.