
WeMM-Video-4B kontra Kandinsky 6.0 Video: Dwa twarde limity
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 182 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 356 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 147 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Oba Kandinsky 6.0 Video i WeMM-Video-4Bto wydania z otwartymi wagami na permisywnych licencjach; oba pojawiły się w ciągu ostatnich dwóch miesięcy bez kampanii marketingowej godnej tej nazwy i oba są nieobecne na wszystkich rankingach wideo Artificial Analysis. Na tej wspólnej niewidzialności podobieństwo się kończy, a zastępuje je para sufitów, które mówią o każdym modelu więcej niż jakikolwiek wiersz benchmarku. Kandinsky 6.0 Video tworzy pięć sekund materiału z zsynchronizowanym dźwiękiem, po czym się zatrzymuje — pięć sekund to wyuczona długość, a nie wartość domyślna. WeMM-Video-4B odczytuje klip przez szesnaście próbkowanych klatek, po czym się zatrzymuje, co wynika z jego własnej receptury serwowania ustawionej wbrew domyślnej wartości procesora wynoszącej 128. Jeden limit dotyczy czasu trwania wyjścia, drugi wierności wejścia, a wybór między nimi to wybór tego, który rodzaj ślepoty jest w stanie przetrwać twój pipeline.
Żaden z modeli nie został niezależnie oceniony. Liczby Sbera są liczbami Sbera, liczby Tencenta są liczbami Tencenta, a poniższe nagłówki sekcji utrzymują tę granicę widoczną, zamiast ją ukrywać.
Pięciosekundowy limit i szesnastoklatkowe okno
Kandinsky 6.0 Video został wydany przez Kandinsky Lab firmy Sber 6 października 2026 r. na licencji MIT, w dwóch rozmiarach: Pro z 29 miliardami parametrów i Lite z 3 miliardami. Przyjmuje prompt tekstowy lub obraz referencyjny i zwraca pięciosekundowy klip z dźwiękiem 44,1 kHz wygenerowanym w tym samym przebiegu, wraz z synchronizacją ust. Artykuł i receptura serwowania opierają się na 121 klatkach przy 24 klatkach na sekundę, a w wydaniu nie ma trybu przedłużania. Wszystko dłuższe to problem sklejania, za który odpowiadasz.
WeMM-Video-4B jest środkowym dzieckiem czterorozmiarowej rodziny z grupy WeChat Vision Tencenta, udostępnionym 17 listopada 2026 r., a raport techniczny ukazał się 19 listopada. Ma 5 611 746 312 parametrów — 10,45 GiB w BF16 — ponieważ etykieta „4B” odnosi się do jego językowego szkieletu Qwen3.5-4B, a nie do checkpointu. Przyjmuje tekst, obrazy, wideo i dźwięk, a zwraca tekst.
• Kandinsky 6.0 Video — limit wyjściowy: pięć sekund, 121 klatek, 24 fps, dźwięk 44,1 kHz zsynchronizowany z obrazem.
• WeMM-Video-4B — limit danych wejściowych: 2 klatki na sekundę próbkowane do maksymalnie 16 klatek, 262,144 pikseli łącznie, w kontekście 8,192 tokenów, w którym audio zużywa 10 tokenów na każdą sekundę.
• Oba — limit jest w dostarczanej konfiguracji, a nie w architekturze, i żadne z repozytoriów nie wyjaśnia, co model zrobiłby bez niego.
Czytając je razem, nasuwa się pewien workflow, którego żaden z dostawców nie dokumentuje: pięciosekundowy klip przekazany opisującemu modelowi, który próbkuje szesnaście klatek, to klip próbkowany z grubsza trzema klatkami na sekundę, co jest powyżej własnego progu receptury wynoszącego dwie klatki na sekundę. To jedyne miejsce, w którym te dwa modele pasują do siebie bezproblemowo, i warto to zauważyć właśnie dlatego, że jest to przypadkowe.
Tym razem licencje to łatwa część.
Wyjątkowo porównanie prawne nie jest tu rozstrzygające. Obie wersje mają liberalne licencje i obie są w tym punkcie należycie udokumentowane, co jest ulgą po roku z Apple AMLR i niekomercyjnymi komponentami demonstracyjnymi.
• Kandinsky 6.0 Video — licencja MIT obejmuje kod, wagi i integrację z diffusers. Repozytorium dostarcza dwa węzły ComfyUI instalowalne przez ComfyUI Manager oraz dwa Hugging Face Spaces: jeden dla checkpointu destylowanego Pro, a drugi do superrozdzielczości.
• WeMM-Video-4B — Apache 2.0 w całej kolekcji, z plikiem licencji Tencent stwierdzającym, że komponenty firm trzecich pozostają na warunkach swoich oryginalnych licencji. Wyłączenie nie zostało wyszczególnione, co jest realną luką, a nie formalnością, biorąc pod uwagę, że stos audio wywodzi się z Qwen2.5-Omni, a szkielet z Qwen3.5, oba na licencji Apache 2.0.
• Oba — wykorzystanie komercyjne jest możliwe, a żaden z dostawców nie publikuje polityki użytkowania, która dodatkowo by je zawężała. Jeśli przeszkodą jest dla Ciebie przegląd prawny, to nie będzie nią tutaj zapis licencyjny; będzie nią niewyszczególnione wyłączenie po stronie Tencent.
Powierzchnia wdrożenia to miejsce, w którym się rozchodzą.
Wyraźniejsza różnica nie dotyczy licencji, lecz tego, ile ktoś inny już dla ciebie zrobił, a ta luka jest wystarczająco duża, by zmienić harmonogram.
Kandinsky 6.0 Video pojawił się już pierwszego dnia wraz z pakietem diffusers, interfejsem wiersza poleceń, dwoma węzłami ComfyUI i dwoma Spaces. Następnie zewnętrzny współtwórca scalił pull request 8537 do vLLM-Omni, rejestrując pipeline jako Kandinsky6TI2VAPipeline z latentami wideo i audio odszumianymi łącznie przez jeden transformer, wagami ładowanymi folder po folderze z transformer/, vae/, text_encoder/, text_encoder_2/ i audio_vae/, oraz przepisem serwowania w recipes/Kandinsky/Kandinsky6-TI2VA.md. Warunkowanie obrazem referencyjnym jest stosowane jako zamaskowana klatka końcowa, a nie osobny tryb, więc jeden pipeline obsługuje zarówno zamianę tekstu na wideo i audio, jak i zamianę obrazu na wideo i audio. Dźwięk jest domyślnie włączony: żądanie bez parametrów audio nadal zwraca zsynchronizowaną mowę, muzykę lub dźwięki otoczenia.
WeMM-Video-4B ma odwrotny profil. Ani vLLM, ani SGLang nie obsługują tej architektury w upstreamie, a przeszukanie trackera zgłoszeń vLLM nie ujawnia żadnego zgłoszenia dotyczącego WeMM-Video. Zamiast tego repozytorium dostarcza katalog łatek — nakładki źródłowe z manifestami SHA-256 dla vLLM 0.18.0 i 0.31.0 oraz SGLang 0.5.16 i 0.5.19, z których każda jest przypięta do konkretnej kombinacji PyTorch, Transformers i CUDA 12.9, z Pythonem 3.12, FFmpeg, CUDA 12 NPP na ścieżce linkera dla TorchCodec oraz zestawem narzędzi C++ i Ninja, ponieważ SGLang kompiluje jądra przy pierwszym użyciu. Pakiet GGUF jest przeznaczony dla natywnego środowiska uruchomieniowego, które kompilujesz z repozytorium, a nie dla llama.cpp, i Tencent oznacza go jako exported_unvalidated.

Ta asymetria ma koszt, który można wpisać w harmonogram. Kandinsky 6.0 Video to kontener, który już dziś komunikuje się przez HTTP. WeMM-Video-4B to dzień pracy nad łańcuchem narzędzi, zanim pojawi się pierwszy token, a jedynym potwierdzeniem, jakie podaje Tencent, jest to, że załatany vLLM załadował go na H20 i ukończył testy generowania tekstu, obrazu, dźwięku oraz wideo ze ścieżką dźwiękową — bez danych o przepustowości, opóźnieniach, zużyciu pamięci czy współbieżności.


Co mówią liczby i kto je podał
Artificial Analysis prowadzi trzy tablice rankingowe wideo — tekst-na-wideo, obraz-na-wideo i edycję wideo — każdą z własną skalą Elo i własną pulą głosów. Odczytaj wszystkie trzy 20 listopada 2026 r.: Kandinsky 6.0 Video nie pojawia się na żadnej z nich, podobnie jak WeMM-Video-4B. Żadna z tych nieobecności nie jest osądem. Kandinsky 6.0 Video nie ma zgłoszenia do areny, a ranking tekst-na-wideo tej tablicy wymaga ceny API do znormalizowanego porównania, której otwarty checkpoint nie ma; WeMM-Video-4B w ogóle nie można wprowadzić do głosowania między dwoma wygenerowanymi klipami, ponieważ nie generuje żadnego.
To, co pozostaje, to własna praca dostawców, a mierzy ona różne rzeczy w różnych skalach.
• Kandinsky 6.0 Video, jakość — wyniki zgłaszane przez dostawcę w VABench oraz przeprowadzona w laboratorium ocena ludzka w porównaniu z Kling 2.6, Veo 3.1 Fast, MiniMax H3 i Seedance 2.0. Sber podaje również w ablacji zawartej w artykule, że destylowany checkpoint, który ma być serwowany, jest preferowany lub remisuje w większości kryteriów przy średniej preferencji 51 do 49 procent — parytet przy prędkości, jakiej oczekujesz.
• Kandinsky 6.0 Video, audio — dwie liczby wskaźnika błędu słów w artykule, których nie można ze sobą porównywać. 47-procentową redukcję towarzyszącą etapowi uczenia ze wzmocnieniem ocenia się za pomocą Whisper-large-v3, jednego z modeli nagród RL; WER podawany obok VABench wykorzystuje Qwen3-ASR-1.7B na podzbiorze mowy. Sami autorzy tak twierdzą, a cytowanie jednej liczby jako drugiej to najłatwiejszy błąd, jaki można popełnić przy tym wydaniu.
• WeMM-Video-4B, łączny audio-wizualny — Video-MME z dźwiękiem 83,9 wobec 77,3 modelu Qwen3-Omni-30B-A3B-Instruct i 69,2 modelu MiniCPM-o-4.5-9B; Video-MME v2 48,1 wobec 36,3 i 28,1; Daily-Omni 82,5 wobec 70,7 i 80,2, wszystko w trybie Thinking.
• WeMM-Video-4B, gdzie przegrywa — MMAU 75,2 wobec 80,4 Qwen3.5-Omni-Flash i MMAR 67,3 wobec 74,0, z jednym zwycięstwem w MMAU-Pro 68,1 wobec 64,8. Video-Holmes 58,8 wobec 64,3 MiniCPM-o-4.5-9B, a FutureOmni 50,9 wobec 55,1 i 56,1.
Z kolumną WeMM wiążą się dwa zastrzeżenia. W artykule nie podano liczby klatek, budżetu pikseli ani długości kontekstu użytych w jego ewaluacjach wideo, co ma znaczenie, ponieważ dostarczana receptura używa szesnastu klatek, podczas gdy procesor domyślnie przyjmuje 128. Poza tym tryb zmienia się między tabelami: Thinking dla wideo, Instruct dla dźwięku, znowu Thinking dla obrazu i tekstu. Porównywanie wiersza audio WeMM z wierszem wideo konkurenta nie jest porównaniem.
Czas zegarowy — liczba, której nikt nie cytuje
Repozytorium Kandinsky'ego publikuje liczbę, która decyduje o tym, czy otwarty model wideo jest użyteczny na twoim sprzęcie, i nie jest to pochlebne. To czasy działania niedestylowanego modelu bazowego dla pojedynczego pięciosekundowego klipu po rozgrzewce, z wyłączeniem wczytywania wag i kodowania MP4, gdzie Full HD oznacza, że uruchomiony jest również etap superrozdzielczości.
• Full HD, Pro — 402 sekundy na H100, 765 na RTX PRO 6000, 854 na RTX 5090, 1 106 na A100 80GB, 1 247 na RTX 4090, 3 530 na RTX 5060 Ti.
• Full HD, Lite — 284 sekundy na H100, 387 na RTX PRO 6000, 406 na RTX 5090, 664 na A100, 578 na 4090, 1 774 na 5060 Ti.
• SD, Pro — 356 sekund na H100 wobec 936 na 4090, gdzie kara za kartę konsumencką jest najmniejsza.
Szczytowa alokacja pamięci podczas uruchomienia Pro SD sięga 72,8 GiB, przekraczając możliwości każdej karty konsumenckiej, dlatego repozytorium udostępnia odciążanie bloków — dwa bloki transformera pozostają w pamięci, a reszta jest strumieniowana z pamięci hosta — z presetami dla 32, 24 i 16 GB. Presety 32 i 24 GB są identyczne, ponieważ powyżej 24 GB zapas pamięci nie przekłada się na szybkość. Ukrytym zastrzeżeniem jest to, że w presecie 16 GB koder tekstu jest skwantowany do NF4, a artykuł wyraźnie stwierdza, że to jedyna zmiana presetu, która modyfikuje sam clip — około 12 procent pikseli różni się o jeden poziom jasności przy około 57 dB PSNR. Jeśli odtwarzasz czyjś wynik na karcie 16 GB i się nie zgadza, sprawdź to najpierw.
WeMM-Video-4B nie ma równoważnej tabeli, a sama jej nieobecność jest wymowna. Tencent potwierdził, że checkpoint ładuje się i generuje. Model, którego atutem jest wideo, opisany jedynie jako „wygenerował”, pozostawia całą stronę kosztową decyzji o wdrożeniu Tobie.
Podłączanie warstwy tekstowej wokół obu
Jeśli uruchomisz którykolwiek z nich, otaczający stos potrzebuje tych samych trzech rzeczy — i żadną z nich nie jest model. Rozszerzanie promptu zamienia opis ujęcia w długi, średni lub krótki podpis, na którym trenowano Kandinsky'ego, albo w pytanie, na które powinien odpowiedzieć WeMM. Transkrypcja i opisywanie zasilają przebieg image-to-video lub przygotowują klip do opisu. Podsumowania przeglądu decydują, którą z czterech generacji zachować — to decyzja, za którą płacisz przy każdym kandydacie, a nie przy każdym ocalałym.
To zwykłe uzupełnienia tekstu i właśnie tę część tego stosu obejmuje OrcaRouter: jeden klucz zgodny z OpenAI na ponad dwieście modeli, ceny cennikowe dostawców przekazywane z marżą 0%, dzięki czemu zmiana ceny u dostawcy trafia do nas tego samego dnia, oraz automatyczne przełączanie awaryjne, dzięki któremu awaria etapu generowania podpisów nie pociąga za sobą pięciominutowego renderowania. Żaden z tych modeli nie jest dostępny na platformie — w katalogu nie ma wpisu Kandinsky ani WeMM, a żadna warstwa routingu nie zamienia pobranych wag w hostowany endpoint. Router usuwa pracę integracyjną wokół dwóch modeli, które hostujesz samodzielnie, a dodatkowo daje sposób na trzymanie drugiego dostawcy za pierwszym bez pisania drugiego klienta.
Dwa sufity, jedna decyzja
Zapytaj, w jakim limicie możesz pracować. Jeśli potrzebujesz materiału filmowego z dźwiękiem i możesz montować w pięciosekundowych jednostkach, Kandinsky 6.0 Video to bardziej kompletne wydanie pod każdym względem poza surową jakością: licencja MIT, cztery środowiska wdrożeniowe, liczba H100, na której można oprzeć planowanie budżetu, oraz etap superrozdzielczości, który sprawia, że Full HD jest realnym ustawieniem, a nie obietnicą. Jego ograniczeniem jest czas trwania, a czas trwania łatwo uwzględnić w projekcie.
Jeśli musisz wiedzieć, co zawiera materiał wideo, który już masz — co dzieje się na ekranie i co słychać w tle — WeMM-Video-4B jest jedynym z tych dwóch, który potrafi odpowiedzieć, a jego ograniczeniem jest wierność: szesnaście próbkowanych klatek i osiem tysięcy tokenów to wszystko, co daje dostarczona receptura, a wiersze benchmarku długich wideo powstały w warunkach, których artykuł nie opisuje.
To, czego nie zapewnia żadne z wydań, jest tym, co uczyniłoby to porównanie tanim: liczba od kogoś, kto nie napisał artykułu. Oba są otwarte, oba są objęte permisywnymi licencjami i oba są niewidoczne dla każdego rankingu, który rozstrzygnąłby spór. Dopóki jedno z nich nie zostanie zmierzone niezależnie, górna granica w każdym repozytorium jest najbardziej wiarygodnym faktem, jaki opublikował którykolwiek z dostawców.
