WeMM-Video-4B vs Kandinsky 6.0 Video라고 적힌 타이틀 카드, 두 가지 확실한 한도라는 부제, vs 원형 디스크로 나뉜 두 패널이 있다. 왼쪽 패널은 클립을 읽음이라는 부제 아래 16프레임 샘플링, 8,192 토큰, Apache 2.0을 나열하고, 입력 한도라는 캡션이 달린 작은 창 아이콘 옆에 있다. 오른쪽 패널은 클립을 생성함이라는 부제 아래 5초, 121프레임, 44.1 kHz 오디오를 나열하며, 출력 한도라는 캡션이 달린 스톱워치 아이콘 옆에 있다. 하단에는 둘 다 2026년 11월 20일 기준 모든 Artificial Analysis 비디오 보드에 없음이라고 적혀 있다.
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: 두 가지 뚜렷한 한계

작성자

jinhao.song

게시일

최신 모델 · 20모든 모델 보기 →
벤치마크: Artificial Analysis · 매일 업데이트
모든 게시물로 돌아가기

둘 다 Kandinsky 6.0 Video와 WeMM-Video-4B는 관대한 라이선스로 공개된 오픈 웨이트 릴리스이며, 둘 다 지난 두 달 사이에 제대로 된 마케팅 캠페인도 없이 등장했고, 둘 다 모든 Artificial Analysis 비디오 보드에서 빠져 있다. 이러한 공통의 비가시성이 닮음이 끝나는 지점이며, 그 자리를 대신하는 것은 어떤 벤치마크 행보다 각 모델에 대해 더 많은 것을 알려 주는 두 개의 상한선이다. Kandinsky 6.0 Video는 동기화된 오디오와 함께 5초 분량의 영상을 만들고 나서 멈춘다 — 5초는 기본값이 아니라 학습된 길이다. WeMM-Video-4B는 16개의 샘플링된 프레임을 통해 클립을 읽고 나서 멈추는데, 이는 자체 서빙 레시피가 프로세서 기본값 128에 대해 설정한 값이다. 하나의 상한은 출력 지속 시간에, 다른 하나는 입력 충실도에 있으며, 이 둘 중에서 고르는 것은 파이프라인이 견딜 수 있는 사각지대의 종류를 고르는 일이다.

어느 모델도 독립적으로 평가된 적이 없습니다. Sber의 수치는 Sber의 것이고 Tencent의 수치는 Tencent의 것이며, 아래 섹션 제목은 그 경계를 감추지 않고 드러냅니다.

5초의 상한선과 16프레임의 창

Kandinsky 6.0 Video는 2026년 10월 6일 Sber의 Kandinsky Lab이 MIT 라이선스로 공개했으며, Pro(290억 파라미터)와 Lite(30억 파라미터) 두 가지 크기로 제공됩니다. 텍스트 프롬프트나 참조 이미지를 입력하면 같은 패스에서 생성된 44.1 kHz 오디오와 립싱크를 포함한 5초 클립을 반환합니다. 논문과 서빙 레시피는 모두 초당 24프레임 기준 121프레임을 중심으로 구성되어 있으며, 이번 릴리스에는 확장 모드가 없습니다. 그보다 긴 영상은 직접 이어 붙여야 하는 문제입니다.

WeMM-Video-4B는 T​encent의 WeChat Vision 그룹에서 만든 네 가지 크기 제품군의 중간 모델로, 2026년 11월 17일에 업로드되었으며 기술 보고서는 11월 19일에 뒤이어 공개되었습니다. 이 모델은 5,611,746,312개의 파라미터, BF16 기준 10.45 GiB입니다. "4B"라는 표시가 체크포인트가 아니라 Qwen3.5-4B 언어 백본을 가리키기 때문입니다. 텍스트, 이미지, 비디오, 오디오를 입력받아 텍스트를 반환합니다.

• Kandinsky 6.0 Video — 출력 상한: 5초, 121프레임, 24fps, 44.1kHz 오디오가 영상에 그대로 결합됩니다.

• WeMM-Video-4B — 입력 상한: 초당 2프레임을 최대 16프레임까지 샘플링하며, 총 262,144픽셀, 오디오가 매초 10토큰을 소비하는 8,192토큰 컨텍스트 내에 있습니다.

• 둘 다 — 상한은 아키텍처가 아니라 배포된 구성에 있으며, 어느 저장소도 그것이 없을 때 모델이 무엇을 할지 설명하지 않습니다.

두 가지를 함께 읽어 보면 어느 벤더도 문서화하지 않은 워크플로가 자연스럽게 떠오른다. 16프레임을 샘플링하는 설명자에게 5초 클립을 넘기면, 그 클립은 대략 초당 3프레임으로 샘플링된 것이며, 이는 해당 레시피 자체의 초당 2프레임 하한보다 높다. 바로 이 지점이 두 모델이 깔끔하게 맞물리는 유일한 곳이며, 그것이 우연이라는 점 때문에 더욱 주목할 가치가 있다.

이번에는 라이선스가 쉬운 부분입니다.

이번만큼은 법적 비교가 결정을 좌우하지 않는다. 두 릴리스 모두 허용적이며 이 점에 관해 제대로 문서화되어 있는데, 이는 Apple AMLR과 비상업적 데모 구성 요소로 보낸 한 해 이후 안도가 된다.

• Kandinsky 6.0 Video — 코드, 가중치 및 diffusers 통합에 MIT 라이선스가 적용됩니다. 리포지토리에는 ComfyUI Manager를 통해 설치할 수 있는 두 개의 ComfyUI 노드와 두 개의 Hugging Face Spaces가 제공되며, 하나는 Pro distill 체크포인트용이고 다른 하나는 초해상도용입니다.

• WeMM-Video-4B — 컬렉션 전체에 Apache 2.0이 적용되며, Tencent 라이선스 파일에는 타사 구성 요소가 원래 조건을 유지한다고 명시되어 있습니다. 이러한 예외 조항은 항목별로 명시되어 있지 않은데, 오디오 스택이 Qwen2.5-Omni에서, 백본이 Qwen3.5에서 파생되었고 둘 다 Apache 2.0이라는 점을 고려하면 이는 형식적인 문제가 아니라 실질적인 공백입니다.

• 둘 다 — 상업적 사용이 가능하며, 두 공급업체 모두 이를 더 좁히는 사용 정책을 공개하지 않습니다. 법무 검토가 걸림돌이라면, 여기서 문제가 되는 것은 라이선스 조항이 아니라 Tencent 측의 항목별로 명시되지 않은 예외 조항일 것입니다.

배포 표면은 그것들이 갈라지는 지점이다.

더 뚜렷한 차이는 라이선스가 아니라 다른 누군가가 당신을 위해 이미 얼마나 많은 일을 해두었는가에 있으며, 그 격차는 타임라인을 바꿀 만큼 큽니다.

Kandinsky 6.0 Video는 출시 첫날부터 diffusers 번들, 명령줄, ComfyUI 노드 두 개, Spaces 두 개와 함께 제공되었습니다. 그다음 외부 기여자가 풀 리퀘스트 8537을 vLLM-Omni에 병합하여 파이프라인을 Kandinsky6TI2VAPipeline으로 등록했으며, 비디오 및 오디오 잠재 변수는 하나의 트랜스포머가 공동으로 디노이징하고, 가중치는 다음에서 폴더별로 로드됩니다: transformer/, vae/, text_encoder/, text_encoder_2/ 및 audio_vae/이며, 서빙 레시피는 recipes/Kandinsky/Kandinsky6-TI2VA.md에 있습니다. 참조 이미지 컨디셔닝은 별도의 모드가 아니라 마스킹된 마지막 프레임으로 적용되므로, 하나의 파이프라인이 텍스트-투-비디오-및-오디오와 이미지-투-비디오-및-오디오를 모두 처리합니다. 오디오는 기본적으로 켜져 있습니다: 오디오 매개변수가 없는 요청도 동기화된 음성, 음악 또는 주변음을 반환합니다.

WeMM-Video-4B는 정반대의 프로필을 가집니다. vLLM도 SGLang도 이 아키텍처를 업스트림에서 지원하지 않으며, vLLM 이슈 트래커를 검색해도 WeMM-Video 요청은 나오지 않습니다. 대신 저장소가 제공하는 것은 patch 디렉터리입니다 — vLLM 0.18.0 및 0.31.0과 SGLang 0.5.16 및 0.5.19용 SHA-256 매니페스트가 포함된 소스 오버레이로, 각각 특정 PyTorch, Transformers 및 CUDA 12.9 조합에 고정되어 있고, Python 3.12, FFmpeg, TorchCodec용 링커 경로의 CUDA 12 NPP, SGLang이 커널을 처음 사용할 때 컴파일하기 때문에 C++ 툴체인과 Ninja가 함께 제공됩니다. GGUF 번들은 llama.cpp가 아니라 저장소에서 직접 컴파일하는 네이티브 런타임을 대상으로 하며, Tencent는 이를 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.

그 비대칭성에는 일정에 반영할 수 있는 비용이 따릅니다. Kandinsky 6.0 Video는 현재 HTTP를 사용하는 컨테이너입니다. WeMM-Video-4B는 첫 토큰을 생성하기까지 툴체인 작업에 하루가 걸리는 모델이며, T​encent가 주장하는 유일한 검증은 패치된 vLLM이 H20에 이를 로드하고 텍스트, 이미지, 오디오, 사운드트랙이 있는 비디오에 대한 생성 검사를 완료했다는 것뿐입니다 — 처리량도, 지연 시간도, 메모리 사용량도, 동시성 수치도 없습니다.

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.

숫자가 말하는 것, 그리고 누가 말했는지

Artificial Analysis는 텍스트-투-비디오, 이미지-투-비디오, 비디오 편집의 세 가지 비디오 보드를 운영하며, 각 보드는 자체 Elo 척도와 자체 투표 풀을 가지고 있습니다. 2026년 11월 20일에 세 보드를 모두 확인해 보십시오. Kandinsky 6.0 Video는 어느 보드에도 나타나지 않으며 WeMM-Video-4B도 마찬가지입니다. 어느 쪽의 부재도 판단은 아닙니다. Kandinsky 6.0 Video는 아레나 제출물이 없고, 보드의 텍스트-투-비디오 순위는 정규화된 비교를 위해 API 가격을 요구하지만 오픈 체크포인트에는 API 가격이 없습니다. WeMM-Video-4B는 생성된 클립 두 개 사이의 투표에 아예 올릴 수 없습니다. 생성하는 클립이 전혀 없기 때문입니다.

남은 것은 벤더 자체의 작업이며, 이는 서로 다른 척도로 서로 다른 것을 측정한다.

• Kandinsky 6.0 Video, 품질 — VABench 및 Kling 2.6, Veo 3.1 Fast, MiniMax H3, Seedance 2.0 대비 실험실에서 수행한 인간 평가에 대해 벤더가 보고한 결과. Sber는 또한 논문의 어블레이션에서, 서빙하도록 기대하는 증류 체크포인트가 평균 선호도 51% 대 49%로 대다수 기준에서 선호되거나 동률을 이룬다고 보고합니다 — 원하는 속도에서의 동등성.

• Kandinsky 6.0 비디오, 오디오 — 논문에 있는 비교할 수 없는 두 개의 단어 오류율 수치. 강화학습 단계에 수반되는 47퍼센트 감소는 RL 보상 모델 중 하나인 Whisper-large-v3로 채점됩니다. VABench와 함께 보고된 WER은 음성 하위 집합에서 Qwen3-ASR-1.7B를 사용합니다. 저자들도 그렇게 말하며, 이번 릴리스에서는 하나를 다른 하나로 인용하는 것이 가장 하기 쉬운 실수입니다.

• WeMM-Video-4B, 오디오-비주얼 결합 — 오디오 포함 Video-MME에서 83.9로 Qwen3-Omni-30B-A3B-Instruct의 77.3 및 MiniCPM-o-4.5-9B의 69.2를 상회; Video-MME v2에서 48.1로 36.3 및 28.1을 상회; Daily-Omni에서 82.5로 70.7 및 80.2를 상회, 모두 Thinking 모드 기준.

• WeMM-Video-4B, 여기서 뒤처짐 — MMAU는 75.2로 Qwen3.5-Omni-Flash의 80.4에, MMAR은 67.3으로 74.0에 뒤지며, MMAU-Pro에서는 68.1 대 64.8로 한 번 승리했습니다. Video-Holmes는 58.8로 MiniCPM-o-4.5-9B의 64.3에, FutureOmni는 50.9로 55.1 및 56.1에 뒤졌습니다.

WeMM 열에는 두 가지 유의점이 따른다. 논문은 비디오 평가에 사용된 프레임 수, 픽셀 예산, 컨텍스트 길이를 명시하지 않는데, 이는 배포된 레시피가 16프레임을 사용하는 반면 프로세서 기본값은 128이라는 점에서 중요하다. 또한 모드는 표마다 바뀐다. 비디오에는 Thinking, 오디오에는 Instruct, 이미지와 텍스트에는 다시 Thinking이다. WeMM 오디오 행을 경쟁 모델의 비디오 행과 비교하는 것은 비교라고 할 수 없다.

실제 경과 시간, 아무도 인용하지 않는 숫자

Kandinsky의 리포지토리는 오픈 비디오 모델이 당신의 하드웨어에서 사용 가능한지를 결정하는 수치를 공개하는데, 그리 좋게 보이지는 않습니다. 다음은 워밍업 후 5초짜리 클립 하나에 대한, 증류되지 않은 기본 모델의 작업 시간입니다. 가중치 로딩과 MP4 인코딩은 제외했으며, Full HD는 초해상도 패스도 함께 실행 중임을 뜻합니다.

• Full HD, Pro — H100에서 402초, RTX PRO 6000에서 765초, RTX 5090에서 854초, A100 80GB에서 1,106초, RTX 4090에서 1,247초, RTX 5060 Ti에서 3,530초.

• Full HD, Lite — H100에서 284초, RTX PRO 6000에서 387초, RTX 5090에서 406초, A100에서 664초, 4090에서 578초, 5060 Ti에서 1,774초.

• SD, Pro — H100에서는 356초, 4090에서는 936초로, 소비자용 카드에 대한 페널티가 가장 작은 경우입니다.

Pro SD 실행 시 최대 할당 메모리는 72.8GiB에 달해 모든 소비자용 카드를 넘어서며, 그래서 이 저장소는 블록 오프로딩을 제공합니다 — 두 개의 트랜스포머 블록은 상주시키고 나머지는 호스트 메모리에서 스트리밍 — 32, 24, 16GB 프리셋과 함께요. 32GB와 24GB 프리셋은 동일한데, 24GB를 넘으면 여유 공간이 속도 향상을 가져오지 않기 때문입니다. 숨겨진 주의사항은 16GB 프리셋에서 텍스트 인코더가 NF4로 양자화된다는 점이며, 논문은 이것이 clip 자체를 변경하는 유일한 프리셋 변경이라고 명시합니다. 약 57dB PSNR에서 약 12퍼센트의 픽셀이 한 단계 밝기 수준만큼 다릅니다. 16GB 카드에서 다른 사람의 결과를 재현했는데 일치하지 않는다면, 그것부터 확인하세요.

WeMM-Video-4B에는 이에 해당하는 표가 없으며, 그 부재 자체가 의미심장합니다. T​encent는 해당 체크포인트가 로드되고 생성된다는 점을 검증했습니다. 판매 포인트가 영상인 모델을 두고 “생성되었다”고만 설명하는 것은 배포 결정의 비용 측면 전체를 여러분에게 맡기는 셈입니다.

양쪽 모두를 감싸는 텍스트 레이어 연결하기

이들 중 하나를 실행하더라도 주변 스택에는 동일한 세 가지가 필요하며, 그중 어느 것도 모델이 아닙니다. 프롬프트 확장은 샷 설명을 Kandinsky가 학습한 긴, 중간 또는 짧은 캡션으로 바꾸거나 WeMM이 답해야 할 질문으로 바꿉니다. 전사와 캡셔닝은 이미지-투-비디오 패스에 입력을 제공하거나 클립을 설명용으로 준비합니다. 리뷰 요약은 네 개의 생성 결과 중 무엇을 유지할지 결정하며, 이는 살아남은 결과마다가 아니라 모든 후보마다 비용을 지불하는 판단입니다.

이것들은 일반적인 텍스트 완성이며, 이 스택에서 OrcaRouter가 담당하는 부분입니다: 하나의 OpenAI 호환 키로 200개가 넘는 모델 전반을 이용할 수 있고, 공급자 정가가 0% 마크업으로 그대로 전달되어 벤더 가격 변경이 당일에 반영되며, 자동 장애 조치를 통해 죽은 캡션 단계가 5분짜리 렌더링을 함께 끌고 가지 않도록 합니다. 두 모델 중 어느 것도 플랫폼에 없습니다 — 카탈로그에는 Kandinsky 항목도 WeMM 항목도 없고, 어떤 라우팅 계층도 가중치 다운로드를 호스팅 엔드포인트로 바꾸지 않습니다. 라우터가 없애는 것은 직접 호스팅하는 두 모델 주변의 통합 작업과, 두 번째 클라이언트를 작성하지 않고도 첫 번째 벤더 뒤에 두 번째 벤더를 둘 수 있는 방법입니다.

두 개의 천장, 하나의 결정

어떤 한도 안에서 작업할 수 있는지 물어보세요. 소리가 있는 영상이 필요하고 5초 단위로 편집할 수 있다면, Kandinsky 6.0 Video는 원본 품질을 제외한 모든 축에서 더 완성도 높은 릴리스입니다. MIT 라이선스, 네 가지 배포 표면, 예산 계획을 세울 수 있는 H100 수치, 그리고 Full HD를 주장이 아닌 실제 설정으로 만들어 주는 초해상도 패스까지 갖추고 있습니다. 이 모델의 제약은 길이이며, 길이는 설계로 쉽게 대응할 수 있습니다.

이미 가지고 있는 영상에 무엇이 담겨 있는지 — 화면에서 무슨 일이 일어나고 그 위로 무엇이 들리는지 — 알아야 한다면, 두 모델 중 답할 수 있는 것은 WeMM-Video-4B뿐이며, 그 제약은 충실도입니다: 샘플링된 16개 프레임과 8천 개 토큰이 배포된 레시피가 제공하는 것이고, 장시간 비디오 벤치마크 행들은 논문이 설명하지 않는 조건에서 생성되었습니다.

두 릴리스 모두 제공하지 않는 것은 이 비교를 손쉽게 만들어 줄 요소, 즉 논문을 쓰지 않은 누군가가 제시한 숫자다. 둘 다 공개되어 있고, 둘 다 허용적 라이선스를 따르며, 둘 다 그 논쟁을 끝내 줄 모든 리더보드에서는 보이지 않는다. 둘 중 하나가 독립적으로 측정되기 전까지는, 각 리포지토리에 있는 상한이 두 벤더 중 어느 쪽이든 공개한 사실 가운데 가장 신뢰할 수 있는 사실이다.