Titelkaart met de tekst 'WeMM-Video-4B vs Kandinsky 6.0 Video' en de ondertitel 'Twee harde limieten', twee panelen gescheiden door een vs-schijf, links met de ondertitel 'leest clips' en een opsomming van 16 gesamplede frames, 8.192 tokens en Apache 2.0 naast een klein vensterpictogram met het bijschrift 'invoerlimiet', rechts met de ondertitel 'maakt clips' en een opsomming van vijf seconden, 121 frames en 44,1 kHz audio naast een stopwatchpictogram met het bijschrift 'uitvoerlimiet', met onderaan de tekst 'Beide ontbreken op elk videobord van Artificial Analysis, 20 november 2026.'
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: twee harde beperkingen

Auteur

jinhao.song

Publicatiedatum

Nieuwste modellen · 20Bekijk alle modellen →
Benchmarks: Artificial Analysis · dagelijks bijgewerkt
Terug naar alle berichten

Zowel Kandinsky 6.0 Video als WeMM-Video-4B zijn open-weight releases met permissieve licenties, beide verschenen in de afgelopen twee maanden zonder een marketingcampagne die de naam waardig is, en beide ontbreken op elk Artificial Analysis-videoboard. Die gedeelde onzichtbaarheid is waar de gelijkenis ophoudt, en wat daarvoor in de plaats komt, is een paar plafonds die je meer over elk model vertellen dan welke benchmarkrij dan ook. Kandinsky 6.0 Video maakt vijf seconden beeld met gesynchroniseerde audio en stopt dan — vijf seconden is de getrainde lengte, niet een standaardwaarde. WeMM-Video-4B leest een clip via zestien bemonsterde frames en stopt dan, wat zijn eigen servingrecept instelt tegen een processorstandaard van 128. De ene limiet betreft de uitvoerduur, de andere de invoergetrouwheid, en kiezen tussen beide is kiezen welk soort blindheid je pipeline kan overleven.

Geen van beide modellen is onafhankelijk geëvalueerd. De cijfers van Sber zijn van Sber, die van Tencent zijn van Tencent, en de onderstaande sectiekoppen houden die grens zichtbaar in plaats van hem te verbergen.

Een plafond van vijf seconden en een venster van zestien frames

Kandinsky 6.0 Video werd op 6 oktober 2026 uitgebracht door Sber's Kandinsky Lab onder de MIT-licentie, in twee formaten: Pro met 29 miljard parameters en Lite met 3 miljard. Het neemt een tekstprompt of een referentieafbeelding en retourneert een clip van vijf seconden met audio van 44,1 kHz die in dezelfde doorgang wordt gegenereerd, inclusief lip-sync. Het paper en het servingrecept zijn beide opgebouwd rond 121 frames bij 24 frames per seconde, en er is geen extensiemodus in de release. Alles wat langer is, is een stitchingprobleem dat je zelf moet oplossen.

WeMM-Video-4B is het middelste kind van een familie van vier formaten uit de WeChat Vision-groep van T​encent, geüpload op 17 november 2026, met het technische rapport dat op 19 november volgde. Het heeft 5.611.746.312 parameters — 10,45 GiB in BF16 — omdat het label "4B" verwijst naar de Qwen3.5-4B-taalbackbone en niet naar het checkpoint. Het accepteert tekst, afbeeldingen, video en audio en retourneert tekst.

• Kandinsky 6.0 Video — uitvoerlimiet: vijf seconden, 121 frames, 24 fps, 44,1 kHz audio vast aan het beeld geklonken.

• WeMM-Video-4B — invoerlimiet: 2 frames per seconde, gesampled tot maximaal 16 frames, 262.144 totale pixels, binnen een context van 8.192 tokens waarin audio 10 tokens per seconde verbruikt.

• Beide — de limiet zit in de geleverde configuratie, niet in de architectuur, en geen van beide repositories legt uit wat het model zou doen zonder deze.

Lees je de twee samen, dan dringt zich een workflow op die geen van beide leveranciers documenteert: een clip van vijf seconden die aan een beschrijver wordt gegeven die zestien frames samplet, is een clip die met ongeveer drie frames per seconde wordt gesampled, wat boven de eigen ondergrens van twee per seconde van het recept ligt. Dat is de enige plek waar deze twee modellen netjes in elkaar passen, en het is juist de moeite waard om dat op te merken omdat het toevallig is.

Dit keer zijn de licenties het makkelijke deel.

Voor de verandering is de juridische vergelijking niet beslissend. Beide releases zijn permissief en beide zijn op dit punt goed gedocumenteerd, wat een opluchting is na een jaar van Apple AMLR en niet-commerciële demo-componenten.

• Kandinsky 6.0 Video — MIT-licentie voor de code, de gewichten en de diffusers-integratie. De repository wordt geleverd met twee ComfyUI-nodes die via ComfyUI Manager te installeren zijn, en twee Hugging Face Spaces: één voor het Pro-distill-checkpoint en één voor superresolutie.

• WeMM-Video-4B — Apache 2.0 voor de hele collectie, met een licentiebestand van Tencent dat aangeeft dat componenten van derden onder hun oorspronkelijke voorwaarden blijven vallen. De uitzondering wordt niet per onderdeel gespecificeerd, wat een reëel hiaat is in plaats van een formaliteit, aangezien de audiostream afstamt van Qwen2.5-Omni en de backbone van Qwen3.5, beide Apache 2.0.

• Beide — commercieel gebruik is beschikbaar, en geen van beide leveranciers publiceert een gebruiksbeleid dat dit verder beperkt. Als juridische toetsing uw blokkade is, zal het hier niet de licentievoorwaarde zijn; het zal de niet nader gespecificeerde uitzondering aan de Tencent-zijde zijn.

Het deployment-oppervlak is waar ze uiteengaan.

Het scherpere verschil is niet de licentie, maar hoeveel iemand anders al voor je heeft gedaan, en de kloof is groot genoeg om een tijdlijn te veranderen.

Kandinsky 6.0 Video verscheen op de eerste dag met een diffusers-bundel, een command line, twee ComfyUI-nodes en twee Spaces. Daarna heeft een externe bijdrager pull request 8537 samengevoegd in vLLM-Omni, waarmee de pipeline geregistreerd werd als Kandinsky6TI2VAPipeline waarbij video- en audiolatenten gezamenlijk worden gedenoised door één transformer, gewichten map voor map geladen uit transformer/, vae/, text_encoder/, text_encoder_2/ en audio_vae/, en een servingrecept op recipes/Kandinsky/Kandinsky6-TI2VA.md. Conditionering op een referentieafbeelding wordt toegepast als een gemaskeerd laatste frame in plaats van als een aparte modus, zodat één pipeline zowel tekst-naar-video-en-audio als afbeelding-naar-video-en-audio bedient. Audio staat standaard aan: een verzoek zonder audioparameters levert nog steeds gesynchroniseerde spraak, muziek of omgevingsgeluid.

WeMM-Video-4B heeft het tegenovergestelde profiel. Noch vLLM noch SGLang ondersteunt de architectuur upstream, en een zoektocht in de vLLM-issuetracker levert geen WeMM-Video-verzoek op. Wat de repository in plaats daarvan levert, is een patchmap — bronoverlays met SHA-256-manifesten voor vLLM 0.18.0 en 0.31.0 en SGLang 0.5.16 en 0.5.19, die elk op een specifieke combinatie van PyTorch, Transformers en CUDA 12.9 zijn vastgezet, met Python 3.12, FFmpeg, CUDA 12 NPP op het linkerpad voor TorchCodec, en een C++-toolchain plus Ninja, omdat SGLang kernels compileert bij het eerste gebruik. De GGUF-bundel is bedoeld voor een native runtime die je zelf uit de repository compileert in plaats van llama.cpp, en T​encent bestempelt het als 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.

Die asymmetrie heeft een kostenpost die je in een planning kunt opnemen. Kandinsky 6.0 Video is een container die vandaag HTTP spreekt. WeMM-Video-4B is een dag toolchain-werk voordat je je eerste token krijgt, en de enige validatie die Tencent claimt, is dat een gepatchte vLLM hem op een H20 laadde en de generatiecontroles voor tekst, afbeelding, audio en video met soundtrack voltooide — geen doorvoer, geen latentie, geen geheugengebruik, geen cijfers over gelijktijdigheid.

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.

Wat de cijfers zeggen, en wie ze heeft gezegd

Artificial Analysis beheert drie videoboards — tekst-naar-video, afbeelding-naar-video en videobewerking — elk met een eigen Elo-schaal en een eigen stemmenpool. Lees ze alle drie op 20 november 2026: Kandinsky 6.0 Video komt op geen ervan voor, en WeMM-Video-4B ook niet. Geen van beide afwezigheden is een oordeel. Kandinsky 6.0 Video heeft geen arena-inzending en de tekst-naar-video-rangschikking van het board vereist een API-prijs voor een genormaliseerde vergelijking, die een open checkpoint niet heeft; WeMM-Video-4B kan helemaal niet worden opgenomen in een stemming tussen twee gegenereerde clips, omdat het er geen genereert.

Wat overblijft is het eigen werk van de leveranciers, en dat meet verschillende dingen op verschillende schalen.

• Kandinsky 6.0 Video, kwaliteit — door de leverancier gerapporteerde resultaten op VABench en een door het lab uitgevoerde menselijke evaluatie tegen Kling 2.6, Veo 3.1 Fast, MiniMax H3 en Seedance 2.0. Sber rapporteert ook, in de ablatiestudie van de paper, dat het gedistilleerde checkpoint waarvan men verwacht dat je het serveert, de voorkeur krijgt of gelijk eindigt op de meerderheid van de criteria bij een gemiddelde voorkeur van 51 procent tegen 49 procent — pariteit, bij de snelheid die je wilt.

• Kandinsky 6.0 Video, audio — twee word-error-rate-cijfers in het paper die niet met elkaar te vergelijken zijn. De reductie van 47 procent die bij de reinforcement-learning-fase hoort, is gescoord met Whisper-large-v3, een van de RL-rewardmodellen; de WER die naast VABench wordt gerapporteerd, gebruikt Qwen3-ASR-1.7B op de spraaksubset. De auteurs zeggen dat zelf ook, en het ene cijfer als het andere citeren is de gemakkelijkste fout die je bij deze release kunt maken.

• WeMM-Video-4B, gezamenlijk audio-visueel — Video-MME met audio 83,9 tegenover 77,3 van Qwen3-Omni-30B-A3B-Instruct en 69,2 van MiniCPM-o-4.5-9B; Video-MME v2 48,1 tegenover 36,3 en 28,1; Daily-Omni 82,5 tegenover 70,7 en 80,2, allemaal in Thinking-modus.

• WeMM-Video-4B, waar het verliest — MMAU 75,2 tegen de 80,4 van Qwen3.5-Omni-Flash en MMAR 67,3 tegen 74,0, met één overwinning op MMAU-Pro met 68,1 tegen 64,8. Video-Holmes 58,8 tegen de 64,3 van MiniCPM-o-4.5-9B, en FutureOmni 50,9 tegen 55,1 en 56,1.

Bij de WeMM-kolom horen twee kanttekeningen. Het artikel vermeldt niet het aantal frames, het pixelbudget of de contextlengte dat voor de video-evaluaties is gebruikt, wat van belang is omdat het meegeleverde recept zestien frames gebruikt waar de processor standaard op 128 staat. En de modus wisselt tussen tabellen: Thinking voor video, Instruct voor audio en weer Thinking voor beeld en tekst. Een WeMM-audioregel vergelijken met een videorij van een concurrent is geen vergelijking.

Kloktijd, het getal dat niemand noemt

De repository van Kandinsky publiceert het cijfer dat bepaalt of een open videomodel bruikbaar is op je hardware, en het is niet flatteus. Dit zijn de verwerkingstijden van het niet-gedistilleerde basismodel voor één clip van vijf seconden na opwarming, exclusief het laden van gewichten en MP4-codering, waarbij Full HD betekent dat de superresolutiepass ook draait.

• Full HD, Pro — 402 seconden op een H100, 765 op een RTX PRO 6000, 854 op een RTX 5090, 1.106 op een A100 van 80 GB, 1.247 op een RTX 4090, 3.530 op een RTX 5060 Ti.

• Full HD, Lite — 284 seconden op een H100, 387 op een RTX PRO 6000, 406 op een RTX 5090, 664 op een A100, 578 op een 4090, 1.774 op een 5060 Ti.

• SD, Pro — 356 seconden op een H100 tegenover 936 op een 4090, waar de penalty voor consumentenkaarten het kleinst is.

Het piekgealloceerde geheugen bij een Pro SD-run komt op 72,8 GiB, meer dan elke consumentenkaart, en daarom levert de repository block-offloading mee — twee transformerblokken resident, de rest gestreamd vanuit het hostgeheugen — met presets voor 32, 24 en 16 GB. De presets voor 32 en 24 GB zijn identiek omdat boven de 24 GB de extra speelruimte geen snelheid oplevert. De verborgen kanttekening is dat bij de 16GB-preset de tekstencoder naar NF4 wordt gequantiseerd, en het paper zegt expliciet dat dit de enige presetwijziging is die de CLIP zelf verandert, waarbij ongeveer 12 procent van de pixels één helderheidsniveau verschilt bij ongeveer 57 dB PSNR. Als je iemands anders resultaat op een 16GB-kaart reproduceert en het komt niet overeen, controleer dat dan eerst.

WeMM-Video-4B heeft geen equivalente tabel, en die afwezigheid is op zichzelf informatief. T​encent heeft gevalideerd dat het checkpoint laadt en genereert. Een model waarvan het verkoopargument video is, en dat alleen wordt beschreven als "het genereerde", laat de hele kostenkant van een implementatiebeslissing aan jou over.

Een tekstlaag rond beide aansluiten

Als je een van deze uitvoert, heeft de omringende stack dezelfde drie dingen nodig, en geen ervan is het model. Promptuitbreiding zet een shotbeschrijving om in het lange, middellange of korte bijschrift waarmee Kandinsky is getraind, of in de vraag die WeMM moet beantwoorden. Transcriptie en captioning voeden een image-to-video-pass of bereiden een clip voor op beschrijving. Review-samenvattingen beslissen welke van de vier generaties behouden blijven, wat de aanroep is die je per kandidaat betaalt in plaats van per overlevende.

Dat zijn gewone tekstcompletions, en dat is het deel van deze stack dat OrcaRouter dekt: één OpenAI-compatibele sleutel voor meer dan tweehonderd modellen, lijstprijzen van providers doorgegeven met 0% markup, zodat een prijswijziging van een leverancier dezelfde dag nog doorwerkt, en automatische failover zodat een caption-stap die uitvalt niet een render van vijf minuten meesleurt. Geen van beide modellen staat op het platform — de catalogus heeft geen Kandinsky-vermelding en geen WeMM-vermelding, en geen enkele routeringslaag verandert een gewichtsdownload in een gehost endpoint. Wat de router wegneemt, is het integratiewerk rond de twee modellen die je wél zelf host, plus een manier om een tweede leverancier achter de eerste te houden zonder een tweede client te schrijven.

Twee plafonds, één beslissing

Vraag binnen welke limiet je kunt werken. Als je beeldmateriaal met geluid nodig hebt en in eenheden van vijf seconden kunt monteren, is Kandinsky 6.0 Video de completere release op elk vlak dat niet ruwe kwaliteit is: MIT-licentie, vier implementatieoppervlakken, een H100-getal waarop je een budget kunt baseren, en een superresolutiepass die Full HD een echte instelling maakt in plaats van een claim. De beperking is de duur, en met de duur is gemakkelijk rekening te houden in je ontwerp.

Als je wilt weten wat er in beeldmateriaal zit dat je al hebt — wat er op het scherm gebeurt en wat er overheen hoorbaar is — is WeMM-Video-4B de enige van de twee die antwoord kan geven, en de beperking ervan is getrouwheid: zestien gesamplede frames en achtduizend tokens zijn wat het meegeleverde recept je oplevert, en de rijen voor de langvideo-benchmark zijn geproduceerd onder omstandigheden die het artikel niet beschrijft.

Wat geen van beide releases biedt, is precies wat deze vergelijking goedkoop zou maken: een getal van iemand die het paper niet heeft geschreven. Beide zijn open, beide hebben een permissieve licentie, en beide zijn onzichtbaar voor elk leaderboard dat de discussie zou beslechten. Tot een van beide onafhankelijk wordt gemeten, is het plafond in elke repository het meest betrouwbare feit dat een van beide leveranciers heeft gepubliceerd.