『WeMM-Video-9B vs Kandinsky 6.0 Video』と書かれたタイトルカード。サブタイトルは「どちらもオープン、どちらも未測定」。VS ディスクで分割された2つのパネルがあり、左は見出しが WeMM-Video-9B で、「Apache 2.0」バッジと、以下の行を表示:「9B デンスリーダー」、「19.54 GiB BF16」、「2 fps で 16 フレーム」、「1リクエストにつき動画2本」、「テキストを返す」。右は見出しが Kandinsky 6.0 Video で、「MIT ライセンス」バッジと、以下の行を表示:「29B Pro、3B Lite」、「5秒、121フレーム、24 fps」、「44.1 kHz 音声を同一パス内で」、「拡張モードなし」、「クリップあたり H100 で約7分」。
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video:両方オープン、どちらも未測定

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

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.

以下では、この2つのリリースを、それぞれの実態に即して扱う。すなわち、エコシステムを備えた実用グレードのオープンモデルと、論文を伴う研究リリースである。どちらの説明も称賛であり、どちらも制約でもある。そして、どちらを先に読むかによって、あなたがダウンロードすべきものが決まる。

5秒がトレーニング済みの長さです

Kandinsky 6.0 Video は5秒のクリップを生成します。重要なのは「デフォルト」ではなく「学習済み」という言葉です。121フレームで5秒というのはモデルが学習した長さであり、それ以上を求めるのは設定ではなく外挿です。Sber もそれをそれ以外のものとしては提示していません。その5秒の中には、同じパスで生成され、リップシンクが合わせられた44 kHz音声が含まれており、このライセンスとこのサイズでは本当に珍しい能力です。

デプロイメントサーフェスは、2つのリリースを最も鮮明に分ける部分です。初日には、Kandinsky 6.0 Video が Diffusers バンドル、コマンドラインエントリポイント、2つの ComfyUI ノード、2つの Spaces を提供しました。その後、外部コントリビューターがプルリクエスト8537を vLLM-Omni にマージし、パイプラインを Kandinsky6TI2VAPipeline として登録して、1つの DiT で「テキストから動画と音声へ」と「画像から動画と音声へ」の両方を提供しました。

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、native_inference_validated と native_low_precision_gemm_validated はどちらも false です。

• AWQ W4A16、12.86 GiB — quantized_unvalidated。

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread。native FP4 GEMM、PRO5000 推論、vLLM 検証はいずれも false であり、さらに 0.35 の上限に対する平均相対 RMSE 0.095 の数値証明を含みます。

• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on T​encent's own runtime, not llama.cpp or Ollama.

4つの圧縮ビルドはすべて互いに0.42 GiB以内に収まっており、ネイティブ推論向けの検証はどれも行われていない。これとKandinsky 6.0 Videoを比べてみよう。そこではMITライセンスと4つの独立したフロントエンドによって、検証の問題はすでにSberではない人々に分散されている。

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.'

19.5ギガバイト、項目別に

WeMM-Video-9Bは、デプロイ面の説明が薄い分を、異例なほど完全な自己説明で補っている。パラメータ数は1,305個のテンソル全体で10,488,603,384。内訳も公開されている。7.94Bの言語バックボーン(1.02Bのトークン埋め込みを含む)、1.02Bの非共有出力ヘッド、1.08Bの音声タワー——2層のQ-Formerの後ろに幅1,280のWhisper形式層が32層、毎秒10音声トークン——そして0.46Bの視覚タワーは27ブロック、隠れ次元1,152、パッチ16、2×2空間マージ。

圧縮ビルドでは密なFFNのみが量子化されます。96個の言語行列があり、32層にわたって各層3つ、4,096×12,288で、これは10.49Bのうち4,831,838,208要素です。AttentionはBF16に戻され、152個の射影行列と32個の入力ノルム(すべてSHA-256ハッシュ付き)があり、1,209個のテンソルはビット単位で正確なままです。ビジョンタワー、音声タワー、埋め込み、出力ヘッドの約3.57Bパラメータ(約7.1 GB)は量子化器に一切入りません。そのためAWQはBF16に対して34%を削減するのであり、名前が示唆する70%ではありません。

これらはどれも、そのモデルが優れているかどうかを教えてくれるものではない。これはそのリリースが監査可能であることを示しており、それはまた別の、過小評価されている美点だ。

どちらも独立したスコアを持っていません。

Kandinsky 6.0 Videoは、Artificial Analysisの3つの動画ボードのいずれにも掲載されていません。WeMM-Video-9Bも同様です。この2つの不在には異なる原因があり、その違いは重要です。

Kandinsky 6.0 Videoにはアリーナへの提出がなく、テキスト動画ボードはモデルを掲載する前にAPI価格を要求する——商用レートのない5秒のオープンウェイト出力には、載る行が存在しない。WeMM-Video-9Bはより深い意味でランク付け不能だ。ボードは生成された映像を採点するが、これはテキストを生成する。

代わりに各研究所が提供しているのはそれぞれ独自の評価であり、どちらも同じ懐疑心をもって読むべきだ。

• Kandinsky 6.0 Video — ベンダー報告のVABench結果に加え、ラボが実施した人手評価(各基準あたり約200件のペアワイズ比較)です。また、RL事後学習後に生成音声の単語誤り率が47%低下したとの報告もあります。ただし、この最後の数値には注意が必要です。測定にはWhisper-large-v3が使われた一方、比較対象のVABenchのWER値はQwen3-ASR-1.7Bを使用しています。異なる2つの認識器、異なる2つの誤り率であり、有効な引き算はできません。改善は実際に起きている可能性は十分ありますが、提示されている数値は比較可能ではありません。

• WeMM-Video-9B — 著者ら自身のハーネスであり、「利用可能な場合は公式結果、それ以外は独自評価」と開示されている。思考モードでは、音声映像の複合タスクにおいて、37個の共通評価項目のうち35個で Qwen3-Omni-30B-A3B-Instruct を上回る。これには音声付き Video-MME の85.1対77.3、SciVideoBench の64.2対49.9が含まれる。一方、1項目では負けており、FutureOmni では53.7対55.1である。無音動画では、そのバックボーンである Qwen3.5-9B に対して、F-16-NBA で88.7対75.8、TimeLens で上回る一方、MLVU、LVBench、VideoVista、VSI-Bench、MVBench では下回る。

2つの公開リリース、2つの自己評価、第三者なし。それが両者にとっての正直な現状だ。

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.

16フレーム対5秒

2つの上限が交わるところは、どちらか一方だけよりも興味深い。WeMM-Video-9Bは、自身のプロセッサのデフォルト設定——2 fps、最小4フレーム、最大128、100,663,296ピクセル——を、2 fps、16フレーム、262,144ピクセルへと上書きし、クリップの中点付近でサンプリングするvLLMレシピを提供している。2秒あたり2フレームで16フレームは8秒分のカバレッジであり、すべてのサービングコマンドは、アーキテクチャ内の262,144個の位置埋め込みに対して8,192トークンのコンテキストも渡している。

• Kandinsky 6.0 Video — 入力5秒、出力5秒、121フレーム、44 kHzオーディオ。学習済みの固定長です。

• WeMM-Video-9B — 8秒のサンプリング入力、テキスト出力、毎秒10トークンで最大約13分のフルオーディオトラック。

• この結合 — 5秒のKandinskyクリップはWeMM-Video-9Bの8秒のウィンドウに3秒の余裕を残して収まり、生成されたクリップを記述器にルーティングするのが問題なく行える唯一の構成です。

• 結合にかかるコスト — Sberの報告によれば、Full-HDクリップ1本あたり約7分のH100時間を要するため、5秒の生成には、ローカルハードウェア上で記述処理が始まる前に7分間の予約が必要になります。

クリップの長さによるルーティング

どちらのモデルも OrcaRouter 経由では提供されておらず、今後も提供されません。どちらも自分でホストするオープンウェイトです。このようなパイプラインにおいてルーティング層が果たすのは、どの区間をどこで実行するかを決めることであり、8秒の境界はルーティング DSL にこそ正直に置くべきものです。これをポリシーとして表現してください — 8秒未満のクリップはローカルの WeMM-Video-9B 記述モデルへ、より長いクリップはホスト型のオムニモデルへ — そうすれば、その境界は、60秒のクリップが8秒の断片として記述されて返ってくるまで誰も読まない設定ファイルのコメントではなくなります。

その方針のホスト型部分では、単一のAPIが200以上のモデルをカバーし、0%のマークアップをプロバイダーのリスト価格に適用するため、セルフホスト型の記述子とレンタル型の記述子にまたがるパイプラインでも、請求は1つ、キーも1つのままです。プロバイダーの料金引き下げは、プロバイダーに届くその日にあなたにも反映されます。これは、ワークロードのホスト型の半分を価格で選ぶ場合に重要です。

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.

両方をダウンロードするか、どちらもダウンロードしないでください

今週中に動くパイプラインが欲しいなら、答えはKandinsky 6.0 Videoで、他は遠く及ばない。MITライセンス、初日から4つの展開サーフェス、リップシンク付きの同期44 kHz音声、そして計画に組み込める5秒の学習済み長さ。その代わりに、尺の長さと独立した検証は諦めることになる。

監査可能な9Bオムニモーダル記述器が欲しいなら、WeMM-Video-9Bが答えであり、監査こそが要点だ。完全なパラメータ内訳、項目別の量子化カバレッジ、4つの未検証ビルドに関する正直なステータス文字列。その代わりに、サービング契約、エコシステム、そして著者自身の表以外のあらゆる証拠を諦めることになる。

「オープンウェイト」を単一の性質として読むのが誤りだ。これらのリリースの一方は、ライセンスが付いた製品のように振る舞う。もう一方は、チェックポイントが付いた論文のように振る舞う。どちらが必要かは、映像を世に出すことを目指しているのか、それを理解することを目指しているのかで完全に決まる。