タイトルカードは「WeMM-Video-4B vs Kandinsky 6.0 Video」、サブタイトルは「2つの厳しい上限」。vsディスクで分割された2つのパネルがあり、左側は「クリップを読み込む」というサブタイトルで、16フレームをサンプリング入力、8,192トークン、Apache 2.0を列挙し、その横に「入力上限」とキャプションされた小さなウィンドウアイコンがある。右側は「クリップを生成する」というサブタイトルで、5秒、121フレーム、44.1 kHz音声を列挙し、その横に「出力上限」とキャプションされたストップウォッチアイコンがある。フッターには「どちらもArtificial Analysisのすべての動画ボードに未掲載、2026年11月20日。」とある。
Engineering & Research

WeMM-Video-4B 対 Kandinsky 6.0 Video:2つの厳しい上限

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

はどちらもKandinsky 6.0 VideoとWeMM-Video-4B、寛容なライセンスによるオープンウェイトのリリースであり、どちらもこの2か月の間に、名に値するマーケティングキャンペーンもなしに登場し、どちらもArtificial Analysisのどの動画ボードにも載っていない。その共通の不可視性は、類似点が終わる場所だ。そしてそれを置き換えるのは、どのベンチマーク行よりも各モデルについて多くを語る一対の上限である。Kandinsky 6.0 Videoは同期音声付きの5秒の映像を作り、そこで止まる——5秒は学習された長さであり、デフォルトではない。WeMM-Video-4Bはクリップを16枚のサンプリングフレームを通して読み、そこで止まる。これは、プロセッサのデフォルトである128に対して、それ自身のサービングレシピが設定している値だ。一方の上限は出力時間に、もう一方は入力忠実度にあり、両者から選ぶことは、あなたのパイプラインが生き延びられる種類の盲目を選ぶことだ。

どちらのモデルも独立した評価はまだ受けていません。Sberの数値はSberによるものであり、Tencentの数値はTencentによるものであり、以下の各セクションの見出しは、その境界を埋もれさせずに可視化しています。

5秒の上限と16フレームのウィンドウ

Kandinsky 6.0 Videoは、SberのKandinsky Labによって2026年10月6日にMITライセンスの下でリリースされ、Proは290億パラメータ、Liteは30億パラメータの2サイズ展開です。テキストプロンプトまたは参照画像を受け取り、同じパスで生成された44.1 kHz音声を含む5秒のクリップを返します。リップシンクも含まれます。論文とサービングレシピはどちらも24 fpsで121フレームを前提に構築されており、このリリースには拡張モードはありません。それより長いものは、あなた自身が担うスティッチングの問題です。

WeMM-Video-4Bは、TencentのWeChat Visionグループによる4サイズ展開ファミリーの中間モデルで、2026年11月17日にアップロードされ、技術レポートは11月19日に続いて公開されました。パラメータ数は5,611,746,312(BF16で10.45 GiB)です。これは「4B」というラベルがチェックポイントではなくQwen3.5-4B言語バックボーンを指しているためです。テキスト、画像、動画、音声を受け取り、テキストを返します。

• Kandinsky 6.0 Video — 出力上限:5秒、121フレーム、24 fps、44.1 kHz音声が映像に完全に一体化。

• WeMM-Video-4B — 入力上限:毎秒2フレームを最大16フレームまでサンプリング、合計262,144ピクセル。8,192トークンのコンテキスト内で、音声は毎秒10トークンを消費します。

• 両方 — 上限は出荷時の設定にあり、アーキテクチャにあるのではなく、どちらのリポジトリも、それがなければモデルがどう動作するかを説明していません。

{{1}}両方を一緒に読むと{{/1}}、どちらのベンダーも文書化していないワークフローがおのずと見えてくる。{{2}}16フレームをサンプリングする記述モデルに渡される5秒のクリップは、およそ毎秒3フレームでサンプリングされたクリップであり{{/2}}、これはレシピ自体の{{3}}毎秒2フレームという下限{{/3}}を上回っている。{{4}}ここが、これら2つのモデルがきれいに組み合わさる唯一の箇所であり{{/4}}、それが偶然であるからこそ、まさに注目に値する。

今回はライセンスが簡単な部分です

今回は珍しく、法的な比較が判断の決め手ではない。両リリースとも許容的で、この点については適切に文書化されている。Apple AMLRと非商用デモコンポーネントの一年を経て、これはほっとする話だ。

• Kandinsky 6.0 Video — コード、重み、および diffusers 統合は MIT ライセンスです。リポジトリには、ComfyUI Manager を通じてインストールできる 2 つの ComfyUI ノードと、2 つの Hugging Face Spaces が同梱されています。1 つは Pro distill チェックポイント用、もう 1 つは超解像用です。

• WeMM-Video-4B — コレクション全体でApache 2.0ですが、T​encentのライセンスファイルには、第三者コンポーネントは元の条件のままであると記載されています。この除外範囲は個別に列挙されておらず、オーディオスタックがQwen2.5-Omniに由来し、バックボーンがQ​wen3.5に由来し、どちらもApache 2.0であることを考えると、これは形式的な問題ではなく実際の欠落です。

• 両方とも — 商用利用は可能で、どちらのベンダーもそれをさらに狭める利用ポリシーを公表していません。法務レビューが障害になっている場合、ここで問題になるのはライセンス条項の記載ではなく、Tencent側の項目化されていない除外規定です。

デプロイメントサーフェスは、それらが分かれるところです。

より鮮明な違いはライセンスではなく、他人がすでにどれだけあなたのために作業を済ませているかであり、その差はタイムラインを変えてしまうほど大きい。

Kandinsky 6.0 Video は初日から diffusers バンドル、コマンドライン、2 つの ComfyUI ノード、2 つの Spaces を備えて登場しました。その後、外部のコントリビューターが vLLM-Omni にプルリクエスト 8537 をマージし、パイプラインを次の名前で登録しました。Kandinsky6TI2VAPipelineこのパイプラインでは、1 つの transformer が映像と音声の潜在表現を共同でノイズ除去し、重みはフォルダごとに次から読み込みます: transformer/、vae/、text_encoder/、text_encoder_2/、および audio_vae/、そしてサービングレシピは recipes/Kandinsky/Kandinsky6-TI2VA.md にあります。参照画像による条件付けは別モードではなく、マスクされた末尾フレームとして適用されるため、単一のパイプラインでテキストから映像と音声へ、および画像から映像と音声への両方を処理できます。音声はデフォルトで有効です。音声パラメータのないリクエストでも、同期した音声、音楽、または環境音を返します。

WeMM-Video-4B は正反対のプロファイルを持っています。vLLM も SGLang も上流でこのアーキテクチャをサポートしておらず、vLLM の issue tracker を検索しても WeMM-Video のリクエストは見つかりません。代わりにリポジトリが提供するのは patch ディレクトリです — vLLM 0.18.0 と 0.31.0、SGLang 0.5.16 と 0.5.19 用の SHA-256 マニフェスト付きソースオーバーレイで、それぞれが特定の PyTorch、Transformers、CUDA 12.9 の組み合わせに固定され、Python 3.12、FFmpeg、TorchCodec 用のリンカーパス上の CUDA 12 NPP、および SGLang が初回使用時にカーネルをコンパイルするための C++ ツールチェーンと Ninja を備えています。GGUF バンドルは、llama.cpp ではなく、リポジトリからコンパイルするネイティブランタイムを対象としており、Tencent はこれを 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.

その非対称性には、スケジュールに組み込めるコストがある。Kandinsky 6.0 Video は現在、HTTP を話すコンテナだ。WeMM-Video-4B は最初のトークンを得る前にツールチェーン作業が1日かかり、T​encent が主張する唯一の検証は、パッチを当てた vLLM が H20 上でこれをロードし、テキスト、画像、音声、サウンドトラック付き動画の生成チェックを完了したということだけだ——スループットも、レイテンシも、メモリフットプリントも、同時実行数の数値もない。

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.

数字が示すもの、そしてそれを語ったのは誰か

Artificial Analysisは3つの動画ボード——テキストから動画、画像から動画、動画編集——を運営しており、それぞれに独自のEloスケールと独自の投票プールがあります。2026年11月20日に3つすべてを確認してください。Kandinsky 6.0 Videoはそのどれにも登場しておらず、WeMM-Video-4Bも同様です。どちらの不在も評価判断ではありません。Kandinsky 6.0 Videoにはアリーナへの提出がなく、ボードのテキストから動画のランキングでは正規化比較のためにAPI価格が必要ですが、オープンチェックポイントにはそれがありません。WeMM-Video-4Bは、2つの生成クリップ間の投票にそもそも参加できません。なぜなら、クリップを生成しないからです。

残っているのはベンダー自身の作業であり、それは異なる尺度で異なるものを測定している。

• Kandinsky 6.0 Video、品質 — VABenchにおけるベンダー報告の結果と、Kling 2.6、Veo 3.1 Fast、MiniMax H3、Seedance 2.0を対象にラボで実施した人間評価。Sberはまた、論文のアブレーションにおいて、提供することが想定されている蒸留チェックポイントが、平均選好率51%対49%で、大多数の基準において好まれるか同等であると報告しています — 求める速度での互角です。

• Kandinsky 6.0 ビデオ、音声 — 論文にある、比較できない2つの単語誤り率の数値。強化学習段階に伴う47パーセントの削減は、RL報酬モデルの一つであるWhisper-large-v3で採点されている。一方、VABenchと併記されるWERは、音声サブセットでQwen3-ASR-1.7Bを使用している。著者ら自身もそう述べており、このリリースでは一方を他方として引用するのが最も犯しやすい間違いだ。

• WeMM-Video-4B、音声視覚統合 — 音声付きVideo-MMEでは83.9で、Qwen3-Omni-30B-A3B-Instructの77.3、MiniCPM-o-4.5-9Bの69.2に対して優位;Video-MME v2では48.1で、36.3、28.1に対して優位;Daily-Omniでは82.5で、70.7、80.2に対して優位、いずれもThinkingモード。

• WeMM-Video-4B では負けており — MMAU は 75.2 に対し Qwen3.5-Omni-Flash は 80.4、MMAR は 67.3 に対し 74.0 で、MMAU-Pro では 68.1 対 64.8 で 1 勝している。Video-Holmes は 58.8 に対し MiniCPM-o-4.5-9B は 64.3、FutureOmni は 50.9 に対し 55.1 と 56.1。

WeMM列には2つの注意点が付きまとう。論文には動画評価で使用したフレーム数、ピクセル予算、コンテキスト長が記載されていない。これは重要だ。なぜなら、出荷済みのレシピでは16フレームを使用するのに対し、プロセッサのデフォルトは128だからだ。また、モードは表ごとに変わる。動画ではThinking、音声ではInstruct、画像とテキストでは再びThinkingである。WeMMの音声行を競合の動画行と比較しても、比較にはならない。

実時間――誰も口にしない数字

Kandinskyのリポジトリは、オープンな動画モデルがあなたのハードウェアで実用的に使えるかどうかを左右する数値を公開しているが、その内容は手放しで褒められるものではない。これは、ウォームアップ後の5秒クリップ1本あたりの非蒸留ベースモデルの処理時間であり、重みの読み込みとMP4エンコードは除外されている。Full HDは、超解像パスも実行されている場合を指す。

• フルHD、Pro — H100で402秒、RTX PRO 6000で765秒、RTX 5090で854秒、A100 80GBで1,106秒、RTX 4090で1,247秒、RTX 5060 Tiで3,530秒。

• Full HD, Lite — H100で284秒、RTX PRO 6000で387秒、RTX 5090で406秒、A100で664秒、4090で578秒、5060 Tiで1,774秒。

• SD, Pro — H100では356秒、4090では936秒で、コンシューマーカードのペナルティが最も小さくなります。

Pro SD実行時のピーク割り当てメモリは72.8 GiBに達し、あらゆるコンシューマー向けカードを超えます。そのためリポジトリにはブロックオフロードが搭載されています。2つのトランスフォーマーブロックを常駐させ、残りをホストメモリからストリーミングする方式で、32、24、16 GB向けのプリセットがあります。32 GBと24 GBのプリセットは同一です。24 GBを超えると、余裕があっても速度は向上しないからです。埋もれた注意点は、16 GBプリセットではテキストエンコーダーがNF4に量子化されることであり、論文は、これがCLIP自体を変える唯一のプリセット変更だと明言しています。約12%のピクセルが明るさ1段階だけ異なり、PSNRは約57 dBとなります。16 GBカードで他者の結果を再現していて一致しない場合は、まずこれを確認してください。

WeMM-Video-4Bには同等の表がなく、その不在自体が示唆的です。Tencentは、チェックポイントが読み込まれ、生成が行われることを検証しました。動画を売り物とするモデルが「生成した」とだけ説明されているのは、導入判断におけるコスト面のすべてをあなたに委ねることを意味します。

両方の周囲にテキストレイヤーを配線する

これらのいずれかを実行する場合、周囲のスタックには同じ3つの要素が必要であり、そのどれもモデルではありません。プロンプト拡張は、ショットの記述を、Kandinsky が学習した長文・中程度・短文のキャプションに変えるか、WeMM が答えるべき質問に変えます。文字起こしとキャプション生成は、image-to-video パスに渡すか、クリップを記述用に準備します。レビュー要約は、4つの生成物のうちどれを残すかを決めます。これは、生き残ったものごとではなく、候補ごとにコストを支払う判断です。

これらは通常のテキスト補完であり、このスタックのうち OrcaRouter がカバーする部分です:OpenAI 互換のキー1つで200以上のモデルにまたがって利用でき、プロバイダーの定価は0%のマークアップでそのまま適用されるため、ベンダーの価格変更が当日に反映されます。さらに自動フェイルオーバーにより、落ちたキャプション処理段階が5分のレンダリングを巻き添えにすることはありません。どちらのモデルもこのプラットフォーム上にはありません。カタログに Kandinsky の項目も WeMM の項目もなく、ルーティング層が重みのダウンロードをホスト型エンドポイントに変えることもありません。ルーターが取り除くのは、実際にセルフホストする2つのモデルをめぐる統合作業と、2つ目のクライアントを書かずに別ベンダーを第一のベンダーの後ろに控えさせておく手段です。

2つの天井、1つの決断

どの上限の範囲内で作業できるかを確認してください。音声付きの映像が必要で、5秒単位で編集できるなら、Kandinsky 6.0 Video は、生の品質以外のあらゆる軸でより完成度の高いリリースです。MITライセンス、4つのデプロイ環境、予算を組めるH100の数値、そしてFull HDを単なる主張ではなく実際の設定にする超解像パスを備えています。制約は尺ですが、尺は設計で対処しやすいものです。

すでに手元にある映像の中身——画面で何が起きているか、その映像で何が聞こえるか——を知る必要があるなら、2つのうち答えられるのはWeMM-Video-4Bだけです。ただしその制約は忠実性にあります。提供されるレシピが与えるのは16枚のサンプリングフレームと8,000トークンであり、長尺動画ベンチマークの各行は、論文が記述していない条件で生成されたものです。

どちらのリリースも提供していないのは、この比較を手軽にするもの、つまりその論文を書いていない誰かからの数値だ。両方ともオープンで、両方とも寛容型ライセンスで提供され、そして議論を決着させるはずのあらゆるリーダーボードからは見えない。どちらかが独立に測定されるまでは、各リポジトリにおける上限が、どちらのベンダーが公表した中でも最も信頼できる事実である。