
WeMM-Video-9B vs Kandinsky 6.0 Video: entrambi open, nessuno dei due misurato
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 182 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 364 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 148 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
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 Tencent'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.
Quanto segue tratta le due release per ciò che sono: un modello aperto di livello produttivo con un ecosistema, e una release di ricerca con un paper. Entrambe le descrizioni sono complimenti ed entrambe sono limitazioni, e l’ordine in cui le leggi determinerà quale delle due dovresti scaricare.
La durata addestrata è di cinque secondi
Kandinsky 6.0 Video produce clip di cinque secondi, e la parola importante è "addestrato", non "predefinito". Cinque secondi a 121 frame è la durata che il modello ha appreso; chiederne di più non è un'impostazione, è extrapolazione, e Sber non lo presenta come nient'altro. Entro quei cinque secondi si ottiene audio a 44 kHz generato nello stesso passaggio con allineamento del lip-sync, una capacità davvero insolita per questa licenza e queste dimensioni.
La superficie di distribuzione è l'elemento che separa più nettamente le due release. Fin dal primo giorno, Kandinsky 6.0 Video ha rilasciato un bundle Diffusers, un punto di ingresso a riga di comando, due nodi ComfyUI e due Spaces. Poi un collaboratore esterno ha integrato la pull request 8537 in vLLM-Omni, registrando la pipeline come Kandinsky6TI2VAPipeline ed erogando text-to-video-and-audio e image-to-video-and-audio da un unico DiT.
WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation Tencent 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, con native_inference_validated e native_low_precision_gemm_validated entrambi false.
• AWQ W4A16, 12.86 GiB — quantizzato_non_validato.
• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, con GEMM FP4 nativo, inferenza PRO5000 e validazione vLLM tutti impostati su false, oltre a un'attestazione numerica di RMSE relativo medio 0,095 rispetto a un limite di 0,35.
• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on Tencent's own runtime, not llama.cpp or Ollama.
Quattro build compresse, tutte a meno di 0,42 GiB l'una dall'altra, nessuna delle quali validata per l'inferenza nativa. Confrontalo con Kandinsky 6.0 Video, dove la licenza MIT e quattro front-end indipendenti fanno sì che il problema della validazione sia già stato distribuito a persone che non sono Sber.

Diciannove gigabyte e mezzo, dettagliati voce per voce
WeMM-Video-9B compensa la sua scarna storia di deployment con un resoconto insolitamente completo di sé. Il conteggio dei parametri è 10.488.603.384 su 1.305 tensori. La suddivisione è pubblicata: 7,94B di backbone linguistico, incluso un embedding di token da 1,02B, una testa di output non legata da 1,02B, una torre audio da 1,08B — 32 layer in stile Whisper con larghezza 1.280 dietro un Q-Former a due layer, dieci token audio al secondo — e una torre visiva da 0,46B a 27 blocchi, hidden 1.152, patch 16, merge spaziale 2×2.
Solo la FFN densa è quantizzata nelle build compresse: 96 matrici linguistiche, tre per layer su 32 layer, da 4.096 per 12.288, ovvero 4.831.838.208 elementi su 10,49 miliardi. L'attenzione è ripristinata a BF16 — 152 matrici di proiezione più 32 norme di input, tutte con hash SHA-256 — e 1.209 tensori restano bit-exact. Circa 3,57 miliardi di parametri, circa 7,1 GB, tra torre visione, torre audio, embedding e testa di output non entrano affatto nel quantizzatore. Ecco perché AWQ fa risparmiare il 34% rispetto a BF16 anziché il 70% che il nome suggerisce.
Niente di tutto questo ti dice se il modello sia valido. Ti dice che il rilascio è verificabile, il che è una virtù diversa e sottovalutata.
Nessuno dei due ha un punteggio indipendente.
Kandinsky 6.0 Video non compare in nessuna delle tre classifiche video di Artificial Analysis. Neanche WeMM-Video-9B. Le due assenze hanno cause diverse e la differenza è importante.
Kandinsky 6.0 Video non ha una candidatura all'arena, e la classifica text-to-video richiede un prezzo API prima di elencare un modello — cinque secondi di output open-weight senza una tariffa commerciale non hanno una riga da occupare. WeMM-Video-9B non è classificabile in un senso più profondo: le classifiche valutano i filmati generati, e lui genera testo.
Ciò che ciascun laboratorio offre invece è la propria valutazione, ed entrambe dovrebbero essere lette con lo stesso scetticismo.
• Kandinsky 6.0 Video — risultati VABench riportati dal fornitore, più una valutazione umana eseguita dal laboratorio, con circa 200 confronti a coppie per criterio. Inoltre, una riduzione del 47% riportata nel tasso di errore delle parole del parlato generato dopo il post-addestramento RL. Quell'ultimo dato necessita di una precisazione: è stato misurato con Whisper-large-v3, mentre il dato WER di VABench a cui viene confrontato utilizza Qwen3-ASR-1.7B. Due riconoscitori diversi, due tassi di errore diversi, nessuna sottrazione valida. Il miglioramento potrebbe benissimo essere reale; il numero così presentato non è confrontabile.
• WeMM-Video-9B — il sistema di valutazione degli autori stessi, divulgato come «risultati ufficiali ove disponibili e, altrimenti, nostre valutazioni». In modalità thinking sui compiti audio-visivi congiunti supera Qwen3-Omni-30B-A3B-Instruct su 35 delle 37 metriche condivise, tra cui Video-MME con audio 85,1 contro 77,3 e SciVideoBench 64,2 contro 49,9, e ne perde una, FutureOmni con 53,7 contro 55,1. Sul video silenzioso, rispetto al suo backbone Qwen3.5-9B, guadagna su F-16-NBA 88,7 contro 75,8 e su TimeLens, e perde su MLVU, LVBench, VideoVista, VSI-Bench e MVBench.
Due release aperte, due valutazioni autovalutate, nessuna terza parte. Questo è l'onesto stato dell'arte per entrambe.

Sedici fotogrammi contro cinque secondi
Dove i due limiti si incontrano è più interessante di ciascuno dei due preso da solo. WeMM-Video-9B include una recipe vLLM che sovrascrive i valori predefiniti del proprio processore — 2 fps, minimo 4 frame, massimo 128, 100.663.296 pixel — portandoli a 2 fps e 16 frame a 262.144 pixel, campionati intorno al punto centrale della clip. Sedici frame a due al secondo equivalgono a otto secondi di copertura, e ogni comando di serving passa anche un contesto di 8.192 token rispetto a 262.144 position embedding nell'architettura.
• Kandinsky 6.0 Video — cinque secondi in ingresso, cinque secondi in uscita, 121 fotogrammi, audio a 44 kHz. Una lunghezza fissa su cui è stato addestrato.
• WeMM-Video-9B — otto secondi di input campionato, testo in uscita, con la traccia audio completa fino a circa tredici minuti a dieci token al secondo.
• Il punto di congiunzione — una clip Kandinsky di cinque secondi entra nella finestra di otto secondi di WeMM-Video-9B con tre secondi di margine, che è l'unica configurazione in cui instradare una clip generata nel descrittore è pulito.
• Il costo del join — Sber riporta circa sette minuti di tempo H100 per clip Full-HD, quindi una generazione da cinque secondi equivale a una prenotazione di sette minuti prima che qualsiasi descrizione avvenga su hardware locale.
Routing in base alla lunghezza della clip
Nessuno dei due modelli viene servito tramite OrcaRouter, e nessuno dei due lo sarà: entrambi sono pesi aperti che ospiti tu stesso. Quello che fa un livello di routing per una pipeline come questa è decidere quale segmento viene eseguito dove, e il DSL di routing è il luogo onesto in cui collocare il confine degli otto secondi. Esprimilo come policy — clip sotto gli otto secondi al descrittore locale WeMM-Video-9B, clip più lunghi a un modello omni ospitato — e il confine smette di essere un commento in un file di configurazione che nessuno legge finché non torna indietro una clip di sessanta secondi descritta in frammenti da otto secondi.
Per il segmento ospitato di quella policy, una singola API copre oltre 200 modelli con 0% di ricarico sul prezzo di listino del provider, quindi una pipeline che comprende un descrittore self-hosted e uno noleggiato resta un'unica fattura e un'unica chiave. Le riduzioni delle tariffe dei provider ti raggiungono il giorno stesso in cui raggiungono il provider, il che conta quando la metà ospitata del tuo carico di lavoro viene scelta in base al prezzo.

Scarica entrambi, o nessuno dei due
Se vuoi una pipeline funzionante questa settimana, Kandinsky 6.0 Video è la risposta, e non c'è confronto. Licenza MIT, quattro superfici di deployment dal primo giorno, audio sincronizzato a 44 kHz con lip-sync e una durata addestrata di cinque secondi su cui puoi pianificare. Rinunci a durata e validazione indipendente.
Se vuoi un descrittore omni-modale da 9B che puoi sottoporre ad audit, WeMM-Video-9B è la risposta, e l’audit è il punto: rendicontazione completa dei parametri, copertura della quantizzazione dettagliata voce per voce, stringhe di stato oneste su quattro build non validate. Rinunci a un contratto di serving, a un ecosistema e a qualsiasi prova oltre alle tabelle degli autori stessi.
L'errore è leggere «open weights» come un'unica proprietà. Una di queste release si comporta come un prodotto con una licenza allegata. L'altra si comporta come un paper con un checkpoint allegato, e quale delle due ti serve dipende interamente dal fatto che tu stia cercando di distribuire filmati o di capirli.
