Kling 4.0 vs Kandinsky 6.0 Video: Pojedynek, którego nikt nie przeprowadził

Jedyne opublikowane badanie z udziałem ludzi, w którym Kling 4.0 i Kandinsky 6.0 Video występują obok siebie, nie istnieje. Istnieje natomiast artykuł z laboratorium samego Kandinsky'ego, przesłany do arXiv 4 października 2026 r., który porównuje Kandinsky 6.0 Video Pro z Kling 2.6 — dwa pokolenia za modelem, który Kuaishou udostępnił wszystkim 15 października. Ta luka to uczciwy punkt wyjścia dla tego starcia i prowadzi w kierunku, który większość stron porównawczych pomija: w kolumnach, które artykuł faktycznie mierzy, starszy Kling odniósł kilka jednoznacznych zwycięstw. Twierdzenia Kuaishou dotyczące 4.0 w dokładnie tych kolumnach to te, których nikt nie zweryfikował.

To nie jest więc strona, która powie ci, który model jest lepszy, ponieważ dowody, by tak twierdzić, jeszcze nie istnieją. To strona o tym, do czego każdy z nich jest faktycznie stworzony, co wykazało jedyne prawdziwe bezpośrednie porównanie i który z tych dwóch możesz w tym tygodniu umieścić w pipeline.

Dwa produkty, które tylko wyglądają podobnie

Kling 4.0 to zamknięty generator rozliczany kredytami od Kuaishou. Pełny model obsługuje generowanie wideo z tekstu, z obrazu, z pierwszej i ostatniej klatki, z wielu klatek kluczowych, z odniesień omnimodalnych oraz edycję ukierunkowaną, w długościach od 3 do 30 sekund i rozdzielczościach od 720p do 4K. Jest sprzedawany przez aplikację i stronę internetową Kling, wraz z API, które Kuaishou zaczęło udostępniać etapami od 21 października, a którego cennik dla deweloperów wciąż oznacza model jako „Coming Soon”, zawierając wyłącznie stawki podglądowe.

Kandinsky 6.0 Video to artefakt przeciwnego rodzaju. Kandinsky Lab firmy Sber wydało go 6 października 2026 r. w postaci dwóch punktów kontrolnych — Pro z 29B parametrów i Lite z 3B, plus osobny model superrozdzielczości 1,4B — na licencji MIT, z wagami na Hugging Face, kodem na GitHubie oraz integracją od pierwszego dnia w Diffusers, ComfyUI, FastVideo, SGLang i vLLM-Omni. Generuje pięciosekundowe klipy przy 121 klatkach i 24 fps, z zsynchronizowanym dźwiękiem 44,1 kHz i synchronizacją ruchu warg, na podstawie promptu tekstowego lub obrazu referencyjnego.

Jeden to usługa z przewagą w zakresie czasu trwania. Drugi to plik do pobrania z przewagą w zakresie licencji. Niemal każda praktyczna różnica między nimi wynika z tego zdania.

Jedyne bezpośrednie porównanie — odczytane uczciwie

Ocena ludzka w pracy o Kandinsky jest najbliższa temu, co można nazwać wspólną tablicą wyników, i warto przyjrzeć się jej uważnie, ponieważ to laboratorium ocenia własny nowy model na tle wybranego przez siebie konkurenta.

• Ogólna jakość wizualna — Kling 2.6 na prowadzeniu, według samych oceniających z artykułu.

• Estetyka wizualna — Kling 2.6 na prowadzeniu.

• Jakość dźwięku — Kling 2.6 na prowadzeniu.

• Synchronizacja audio-video — Kling 2.6 na prowadzeniu.

• Zgodność z podpowiedzią dźwiękową — Kandinsky 6.0 Video Pro przed nami.

• Jakość mowy — Kandinsky 6.0 Video Pro na czele, co jest zgodne z raportowanym 47-procentowym spadkiem współczynnika błędów słów w generowanej mowie po douczeniu metodą uczenia ze wzmocnieniem.

• Sterowanie kamerą w trybie obraz‑na‑wideo z dźwiękiem — Kandinsky 6.0 Video Pro na czele.

• Podążanie za promptami wizualnymi — w przybliżeniu remis.

Z tego wynikają trzy rzeczy. Po pierwsze, nowszy model nie zmiażdżył starszego, co jest nietypowe w przypadku własnej ewaluacji laboratorium i co warto docenić. Po drugie, zwycięstwa Kandinsky'ego skupiają się tam, gdzie architektura jest nietypowa — denoizuje on latentne reprezentacje wideo i dźwięku łącznie przez jeden transformer, zamiast uruchamiać dwa modele sekwencyjnie — i widać to bardziej w wierności promptom mowy i dźwięku niż w samej jakości obrazu. Po trzecie, porównanie nie mówi nic o Kling 4.0, którego cały przekaz to lepszy realizm, stabilniejszy ruch w dużej skali i czystsza synchronizacja ust. To dokładnie te kolumny, w których jego poprzednik już miał przewagę.

Jeśli porównanie ma być rzeczywiste, a nie oparte na wnioskowaniu, brakującym artefaktem jest niezależny przebieg w arenie z oboma modelami. Dziś żaden z nich nie ma takiego przebiegu przeciwko drugiemu.

Luka w specyfikacji, która przesądza o większości zadań

• Długość klipu — Kling 4.0 obsługuje od 3 do 30 sekund w jednym przebiegu, a rozszerzenie do 2 minut widnieje jako „wkrótce”. Kandinsky 6.0 Video jest trenowany na 121 klatkach i generuje 5 sekund. Wszystko dłuższe to problem ze zszywaniem, który bierzesz na siebie.

• Rozdzielczość — Kling 4.0 oferuje 720p, 1080p i 4K, a 10-bitowy HDR przy 1080p i 4K jest oznaczony jako „wkrótce" w nocie wydania samego Kuaishou. Kandinsky generuje w SD i skaluje w górę za pomocą swojego 1,4-miliardowego modelu superrozdzielczości do Full HD, 1920×1080, ze współczynnikami ×2, ×2,25 i ×4.

• Sygnały wejściowe — Kling 4.0 przyjmuje do 10 klatek kluczowych oraz budżet referencyjny obejmujący 15 pozycji, rozdzielony na 10 obrazów, 5 filmów o łącznym czasie do 30 sekund, referencje głosowe i maksymalnie 7 elementów. Kandinsky 6.0 Video przyjmuje prompt tekstowy lub pojedynczy obraz referencyjny, stosowany jako maskowana klatka końcowa.

• Audio — Kling 4.0 generuje dwukanałowe stereo z synchronizacją ruchu warg w dziewięciu językach i z nazwanymi akcentami. Kandinsky generuje dźwięk AAC 44,1 kHz z domyślnie włączonym audio; pipeline zwraca zsynchronizowaną mowę, muzykę lub tło dźwiękowe, nawet gdy nie przekażesz żadnych parametrów audio.

• Długość promptu — Kling 4.0 obsługuje do 8000 tokenów. Sposób obsługi Kandinsky'ego opiera się na stylu opisu, na którym model był trenowany — długim, średnim lub krótkim — a nie na otwartym skrypcie.

• Licencja — Kling 4.0 jest zamknięty i objęty warunkami Kuaishou. Kandinsky 6.0 Video jest na licencji MIT w zakresie kodu, wag i integracji z Diffusers.

Ten ostatni wiersz robi więcej, niż sugeruje jego długość. 30-sekundowy model zamknięty i 5-sekundowy model MIT nie są wymienne, nawet gdy ich jakość obrazu jest zbliżona, ponieważ jeden ogranicza to, co możesz zbudować, a drugi ogranicza to, co możesz wygenerować.

Ile kosztuje każdy z nich, w jednostce, która faktycznie podlega rozliczeniu

Na stronie cennika dla deweloperów Kuaishou podano Kling 4.0 w cenie 1,5 jednostki na sekundę przy 1080p, co przelicza się na 0,235 USD za sekundę, oraz 1,0 jednostki, 0,157 USD za sekundę, przy 720p. Nie ma stawki dla 4K — w kolumnie widnieje „-”. Przy wejściu wideo stawka spada do 0,094 USD za sekundę przy 720p i 0,141 USD przy 1080p, ale rozliczanie liczy czas wyjściowy razy dwa, gdy wejście jest krótsze niż wyjście. Strona głosi też, że podane wartości są „wyłącznie do celów podglądowych”, a dostęp do API jest „jeszcze niedostępny”, co kłopotliwie kontrastuje z ogłoszeniem Kuaishou z 21 października, że API zostało uruchomione dla klientów korporacyjnych i deweloperów. Biorąc to razem, uczciwe stwierdzenie brzmi: API jest otwierane etapami i na dzień 23 października nie istnieje publiczny, stabilny cennik.

Przy stawce podglądowej pięciosekundowy klip 720p kosztuje około 0,79 USD, a trzydziestosekundowy około 4,71 USD. To właśnie ta liczba służy do weryfikacji każdej oferty zewnętrznego resellera, ponieważ stawki resellerów zmieniają się niezależnie od stawek Kuaishou.

Kandinsky 6.0 Video nie ma ceny za sekundę, ponieważ nie istnieje endpoint sprzedawcy, za pośrednictwem którego można go kupić. Jego koszt to czas GPU, a repozytorium publikuje zmierzone wartości dla jednego pięciosekundowego klipu po rozgrzewce, z wyłączeniem ładowania modelu i kodowania: Pro w Full HD zajmuje 402 sekundy na H100, 854 na RTX 5090, 1 247 na RTX 4090 i 3 530 na RTX 5060 Ti. Lite w Full HD zajmuje 284 sekundy na H100. Przy dowolnej stawce za H100, jaką akurat płacisz, 402 sekundy to 6,7 minuty pracy tej karty na pięciosekundowy klip — pomnóż to i obliczenia są już po twojej stronie, ponieważ sprzedawca nie sprzedaje ci wyniku, a zatem nie publikuje dla niego żadnej ceny.

Limit pamięci to druga liczba, która decyduje, czy self-hosting jest dla Ciebie realny. Uruchomienie Pro SD osiąga szczyt na poziomie 72,8 GiB, przekraczając możliwości każdej karty konsumenckiej. Preset 16 GB w repozytorium strumieniuje bloki transformera z pamięci hosta i kwantyzuje enkoder tekstu do NF4 — a w artykule wyraźnie stwierdzono, że to jedyna zmiana presetu, która modyfikuje sam model CLIP. Jeśli odtwarzasz czyjś wynik na karcie 16 GB i nie jest on zgodny, to ustawienie należy sprawdzić w pierwszej kolejności.

Co możesz dziś nazwać i jak to kształtuje decyzję

Oto asymetria, która ma większe znaczenie niż jakikolwiek benchmark: Kling 4.0 jest dostępny poprzez własną aplikację Kuaishou i coraz częściej poprzez jej API, podczas gdy Kandinsky 6.0 Video jest dostępny poprzez pobranie go. Żaden z nich nie jest wywołaniem typu drop-in z poziomu warstwy routingu.

To, co OrcaRouter rzeczywiście kieruje, to generacja, którą Kling 4.0 zastępuje. Kling 3.0 jest w katalogu w cenie 0,084 USD za żądanie, a MiniMax H3 jest tam w cenie 0,08 USD za sekundę wygenerowanego wideo — oba na tym samym punkcie końcowym zgodnym z OpenAI co ponad 200 modeli, w cenie katalogowej dostawcy bez narzutu 0%. Ma to znaczenie dla modelu hostowanego samodzielnie w sposób, w jaki nie ma znaczenia dla modelu hostowanego: etap rozszerzania promptu, który zamienia opis ujęcia w długi podpis, na którym trenowano Kandinsky'ego, prace nad podpisami i transkrypcją zasilające dane wejściowe obrazu, podsumowania przeglądów decydujące, którą z czterech generacji zachować — to zwykłe wywołania tekstowe i mogą współdzielić jeden klucz oraz jedną politykę przełączania awaryjnego, podczas gdy cała ciężka praca związana z wideo odbywa się tam, gdzie ją umieścisz. Sam Kandinsky nie jest trasą OrcaRouter i niczego tutaj nie należy odczytywać jako twierdzenia, że nią jest.

Który z nich należy do twojego stacka?

Decyzja nie zależy od jakości, ponieważ nikt nie zmierzył jej rzetelnie. Zależy od trzech pytań, na które możesz odpowiedzieć sam.

Potrzebujesz ujęcia dłuższego niż pięć sekund? Wtedy Kandinsky 6.0 Video odpada w przypadku tego ujęcia, a żadna licencja MIT tego nie zmieni — trzeba by sklejać, a sklejanie kosztuje cię spójność czasową, w której ten model jest dobry.

Czy musisz posiadać wagi, działać offline, dostrajać model lub wdrażać go w produkcie, w którym niedopuszczalny jest rachunek od dostawcy za każde wywołanie? Wtedy Kling 4.0 odpada niezależnie od swojej karty specyfikacji, ponieważ zamknięte API to zależność, a nie atut.

Musisz podjąć decyzję w tym tygodniu przy budżecie, który ktoś podpisze? Wtedy żadna z opcji nie jest czysta. API Kling 4.0 jest w trakcie wdrażania z cenami w wersji zapowiedzi, a rzeczywisty koszt Kandinsky'ego to liczba godzin GPU, którą musisz przełożyć na własną infrastrukturę. Modele, które możesz wycenić i wywołać dzisiaj, to poprzednia generacja po obu stronach — Kling 3.0 przez Kuaishou lub router, Kandinsky 6.0 Video z Hub.

Nie chodzi o specyfikację. Chodzi o to, czy ktoś uruchomi oba modele na tych samych promptach i opublikuje wynik — niezależny wpis w arenie, laboratorium, które nie jest właścicielem żadnego z modeli, albo wiarygodny zestaw klipów porównawczych z dołączonymi promptami. Dopóki to nie istnieje, każda strona, która zestawia Kling 4.0 z Kandinsky 6.0 Video i wskazuje zwycięzcę, ekstrapoluje z porównania z Kling 2.6 i liczy, że tego nie zauważysz. Pożyteczna praca w międzyczasie jest węższa: wybierz ograniczenie, którego nie możesz zmienić, i pozwól, by to ono wybrało model.