Karta tytułowa z napisem „WeMM-Video-9B vs Kandinsky 6.0 Video” i podtytułem „Oba otwarte, żadnego nie zmierzono”, dwa panele rozdzielone okrągłym oznaczeniem „vs”: po lewej nagłówek WeMM-Video-9B z plakietką „Apache 2.0” i wierszami o treści „gęsty czytnik 9B”, „19.54 GiB BF16”, „16 klatek przy 2 fps”, „dwa filmy na żądanie”, „zwraca tekst”; po prawej nagłówek Kandinsky 6.0 Video z plakietką „licencja MIT” i wierszami o treści „29B Pro, 3B Lite”, „5 s, 121 klatek, 24 fps”, „audio 44.1 kHz w jednym przebiegu”, „brak trybu rozszerzenia”, „około 7 min na klip na H100”.
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video: oba otwarte, żaden niezmierzony

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

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.

To, co następuje, traktuje te dwa wydania tak, jak na to zasługują: jako gotowy do produkcji otwarty model z ekosystemem oraz jako wydanie badawcze z artykułem. Oba opisy są komplementami i oba są ograniczeniami, a kolejność, w jakiej je czytasz, zdecyduje o tym, które z nich powinieneś pobrać.

Pięć sekund to długość, na której trenowano

Kandinsky 6.0 Video generuje pięciosekundowe klipy, a ważnym słowem jest „wytrenowany”, a nie „domyślny”. Pięć sekund przy 121 klatkach to długość, której model się nauczył; proszenie o więcej nie jest ustawieniem, to ekstrapolacja, a Sber nie przedstawia tego jako czegokolwiek innego. W ramach tych pięciu sekund otrzymujesz dźwięk 44 kHz generowany w tym samym przebiegu z dopasowaniem synchronizacji ust, co jest naprawdę nietypową możliwością przy tej licencji i tej wielkości.

Obszar wdrożenia to część, która najostrzej oddziela oba wydania. W pierwszym dniu Kandinsky 6.0 Video udostępnił pakiet Diffusers, punkt wejścia wiersza poleceń, dwa węzły ComfyUI i dwa Spaces. Następnie zewnętrzny współtwórca scalił pull request 8537 do vLLM-Omni, rejestrując pipeline jako Kandinsky6TI2VAPipeline i obsługując text-to-video-and-audio oraz image-to-video-and-audio z jednego DiT.

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, przy czym zarówno native_inference_validated, jak i native_low_precision_gemm_validated mają wartość false.

• AWQ W4A16, 12,86 GiB — quantized_unvalidated.

• NVFP4 W4A16, 13,07 GiB — cpu_NVFP4_weight_artifact_independently_reread, przy czym natywne FP4 GEMM, wnioskowanie PRO5000 i walidacja vLLM mają wartość false, a dodatkowo liczbowe poświadczenie średniego względnego RMSE 0,095 wobec limitu 0,35.

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

Cztery skompresowane buildy, wszystkie różniące się od siebie o nie więcej niż 0,42 GiB, żaden z nich nie został zweryfikowany pod kątem natywnego wnioskowania. Porównaj to z Kandinsky 6.0 Video, gdzie licencja MIT i cztery niezależne frontendy sprawiają, że problem walidacji został już rozłożony na osoby spoza Sber.

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.'

Dziewiętnaście i pół gigabajta, wyszczególnione

WeMM-Video-9B rekompensuje skromną historię wdrożenia nietypowo pełnym opisem siebie. Liczba parametrów wynosi 10 488 603 384 w 1305 tensorach. Podział został opublikowany: 7,94 mld szkieletu językowego, w tym 1,02 mld osadzania tokenów, 1,02 mld niepowiązanej głowicy wyjściowej, 1,08 mld wieży audio — 32 warstwy w stylu Whispera o szerokości 1280 za dwuwarstwowym Q-Formerem, dziesięć tokenów audio na sekundę — oraz 0,46 mld wieży wizyjnej z 27 blokami, wymiarem ukrytym 1152, patchem 16 i scalaniem przestrzennym 2×2.

W skompresowanych kompilacjach kwantyzowany jest wyłącznie gęsty FFN: 96 macierzy językowych, po trzy na warstwę w 32 warstwach, o wymiarach 4096 na 12 288, co daje 4 831 838 208 elementów z 10,49 mld. Mechanizm uwagi przywrócono do BF16 — 152 macierze projekcji plus 32 normy wejściowe, wszystkie z hashami SHA-256 — a 1209 tensorów pozostaje bitowo dokładnych. Około 3,57 mld parametrów, około 7,1 GB, z wieży wizji, wieży audio, embeddingu i głowicy wyjściowej nigdy nie trafia do kwantyzatora. Dlatego AWQ oszczędza 34% względem BF16, a nie 70%, które sugeruje nazwa.

Nic z tego nie mówi, czy model jest dobry. Mówi natomiast, że wydanie jest audytowalne, co jest inną i niedocenianą zaletą.

Żaden z nich nie ma niezależnego wyniku

Kandinsky 6.0 Video nie pojawia się w żadnym z trzech rankingów wideo Artificial Analysis. Podobnie jak WeMM-Video-9B. Te dwie nieobecności mają różne przyczyny i ta różnica ma znaczenie.

Kandinsky 6.0 Video nie ma zgłoszenia do areny, a ranking text-to-video wymaga ceny API, zanim umieści model na liście — pięć sekund wyników open-weight bez komercyjnej stawki nie ma wiersza, który mógłby zająć. WeMM-Video-9B jest niesklasyfikowalny w głębszym sensie: rankingi oceniają wygenerowany materiał filmowy, a on generuje tekst.

To, co każde laboratorium oferuje w zamian, to własna ocena, a obie powinny być czytane z takim samym sceptycyzmem.

• Kandinsky 6.0 Video — wyniki VABench zgłoszone przez dostawcę oraz ocena ludzka przeprowadzona przez laboratorium, około 200 porównań parami na kryterium. Odnotowano także 47% spadek współczynnika błędów słów w generowanej mowie po douczaniu RL. Ostatnia liczba wymaga zastrzeżenia: zmierzono ją za pomocą Whisper-large-v3, podczas gdy porównywana z nią wartość WER z VABench wykorzystuje Qwen3-ASR-1.7B. Dwa różne systemy rozpoznawania mowy, dwa różne współczynniki błędów, brak podstaw do poprawnego odejmowania. Poprawa może być rzeczywista; liczba w przedstawionej postaci nie jest porównywalna.

• WeMM-Video-9B — własny zestaw testowy autorów, opisany jako „oficjalne wyniki, tam gdzie były dostępne, a w pozostałych przypadkach nasze własne oceny”. W trybie myślenia na wspólnych zadaniach audio-wizualnych przewyższa Qwen3-Omni-30B-A3B-Instruct w 35 z 37 wspólnych pozycji, w tym Video-MME z dźwiękiem 85,1 wobec 77,3 i SciVideoBench 64,2 wobec 49,9, a przegrywa w jednej, FutureOmni 53,7 wobec 55,1. W przypadku niemego wideo, w porównaniu z jego backbone'em Qwen3.5-9B, zyskuje na F-16-NBA 88,7 wobec 75,8 i TimeLens, a przegrywa na MLVU, LVBench, VideoVista, VSI-Bench i MVBench.

Dwa otwarte wydania, dwie samooceny, bez strony trzeciej. Taki jest uczciwy stan techniki w obu przypadkach.

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.

Szesnaście klatek kontra pięć sekund

Miejsce, w którym spotykają się oba ograniczenia, jest ciekawsze niż każde z nich osobno. WeMM-Video-9B udostępnia recepturę vLLM, która nadpisuje własne domyślne ustawienia procesora — 2 fps, minimum 4 klatki, maksimum 128, 100 663 296 pikseli — na 2 fps i 16 klatek przy 262 144 pikselach, z próbkowaniem w okolicach środka klipu. Szesnaście klatek przy dwóch na sekundę to osiem sekund pokrycia, a każde polecenie serwowania przekazuje również kontekst 8192 tokenów wobec 262 144 osadzeń pozycji w architekturze.

• Kandinsky 6.0 Video — pięć sekund na wejściu, pięć sekund na wyjściu, 121 klatek, dźwięk 44 kHz. Stała, wytrenowana długość.

• WeMM-Video-9B — osiem sekund próbkowanego wejścia, tekst na wyjściu, z pełną ścieżką audio do około trzynastu minut przy dziesięciu tokenach na sekundę.

• Połączenie — pięciosekundowy klip Kandinsky'ego mieści się w ośmiosekundowym oknie WeMM-Video-9B z trzema sekundami zapasu, co jest jedyną konfiguracją, w której przekazanie wygenerowanego klipu do modułu opisującego przebiega bezproblemowo.

• Koszt dołączenia — Sber podaje około siedmiu minut czasu H100 na klip Full-HD, więc pięciosekundowa generacja to siedmiominutowa rezerwacja, zanim na lokalnym sprzęcie dojdzie do jakiegokolwiek opisywania.

Routing według długości klipu

Żaden z tych modeli nie jest udostępniany przez OrcaRouter i nie będzie: oba to otwarte wagi, które hostujesz samodzielnie. Warstwa routingu w takim potoku decyduje o tym, który etap przebiega gdzie, a DSL routingu to uczciwe miejsce na umieszczenie granicy ośmiu sekund. Wyraź ją jako politykę — klipy krótsze niż osiem sekund do lokalnego modelu opisującego WeMM-Video-9B, dłuższe klipy do hostowanego modelu omni — a granica przestanie być komentarzem w pliku konfiguracyjnym, którego nikt nie czyta, dopóki sześćdziesięciosekundowy klip nie wróci opisany w ośmiosekundowych fragmentach.

W przypadku hostowanej części tej polityki jedno API obejmuje ponad 200 modeli z 0% narzutu na cenę katalogową dostawcy, więc pipeline obejmujący describer hostowany u siebie i wynajmowany to nadal jeden rachunek i jeden klucz. Obniżki stawek dostawców docierają do Ciebie w dniu, w którym docierają do dostawcy, co ma znaczenie, gdy hostowana połowa Twojego obciążenia jest wybierana pod kątem ceny.

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.

Pobierz oba lub żadne

Jeśli potrzebujesz działającego pipeline'u w tym tygodniu, Kandinsky 6.0 Video jest odpowiedzią i to bezapelacyjnie. Licencja MIT, cztery powierzchnie wdrożeniowe od pierwszego dnia, zsynchronizowany dźwięk 44 kHz z lip-sync i pięciosekundowa długość treningowa, którą można uwzględnić w planach. Rezygnujesz z czasu trwania i niezależnej walidacji.

Jeśli potrzebujesz audytowalnego 9B omni-modalnego modelu opisującego, odpowiedzią jest WeMM-Video-9B, a chodzi właśnie o audyt: pełne rozliczenie parametrów, wyszczególnione pokrycie kwantyzacji, rzetelne ciągi statusu dla czterech niezwalidowanych kompilacji. Rezygnujesz z kontraktu serwowania, ekosystemu i jakichkolwiek dowodów poza tabelami samych autorów.

Błędem jest traktowanie „otwartych wag” jako jednej właściwości. Jedno z tych wydań zachowuje się jak produkt z dołączoną licencją. Drugie zachowuje się jak artykuł z dołączonym checkpointem — a to, którego potrzebujesz, zależy wyłącznie od tego, czy próbujesz wdrożyć materiał filmowy, czy go zrozumieć.