
WeMM-Video-4B vs Kandinsky 6.0 Video: Dois Limites Rígidos
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 182 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 356 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 147 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Tanto Kandinsky 6.0 Video quanto WeMM-Video-4B são lançamentos de pesos abertos com licenças permissivas, ambos surgiram nos últimos dois meses sem uma campanha de marketing que mereça o nome, e ambos estão ausentes de todos os rankings de vídeo do Artificial Analysis. Essa invisibilidade compartilhada é onde a semelhança termina, e o que a substitui é um par de limites que revelam mais sobre cada modelo do que qualquer linha de benchmark revelaria. Kandinsky 6.0 Video gera cinco segundos de vídeo com áudio sincronizado e então para — cinco segundos é a duração treinada, não um padrão. WeMM-Video-4B lê um clipe por meio de dezesseis quadros amostrados e então para, o que é o que sua própria receita de serviço estabelece em contraste com um padrão de 128 do processador. Um limite está na duração da saída, o outro na fidelidade da entrada, e escolher entre eles é escolher que tipo de cegueira seu pipeline consegue suportar.
Nenhum dos dois modelos foi avaliado de forma independente. Os números da Sber são da Sber, os da Tencent são da Tencent, e os títulos das seções abaixo mantêm essa fronteira visível em vez de escondê-la.
Um teto de cinco segundos e uma janela de dezesseis quadros
O Kandinsky 6.0 Video foi lançado pelo Kandinsky Lab da Sber em 6 de outubro de 2026 sob licença MIT, em dois tamanhos: Pro com 29 bilhões de parâmetros e Lite com 3 bilhões. Ele recebe um prompt de texto ou uma imagem de referência e retorna um clipe de cinco segundos com áudio de 44,1 kHz gerado na mesma passada, incluindo sincronização labial. O artigo e a receita de serving são ambos estruturados em torno de 121 quadros a 24 quadros por segundo, e não há modo de extensão no lançamento. Qualquer coisa mais longa é um problema de emenda que é sua responsabilidade.
O WeMM-Video-4B é o filho do meio de uma família de quatro tamanhos do grupo WeChat Vision da Tencent, publicado em 17 de novembro de 2026, com o relatório técnico vindo em 19 de novembro. Ele tem 5.611.746.312 parâmetros — 10,45 GiB em BF16 — porque o rótulo "4B" se refere ao seu backbone de linguagem Qwen3.5-4B, e não ao checkpoint. Ele aceita texto, imagens, vídeo e áudio e retorna texto.
• Kandinsky 6.0 Video — limite de saída: cinco segundos, 121 quadros, 24 fps, áudio de 44,1 kHz fundido à imagem.
• WeMM-Video-4B — limite de entrada: 2 quadros por segundo amostrados até no máximo 16 quadros, 262.144 pixels totais, dentro de um contexto de 8.192 tokens que o áudio consome a 10 tokens por segundo.
• Ambos — o limite está na configuração entregue, não na arquitetura, e nenhum dos repositórios explica o que o modelo faria sem ele.
Leia os dois em conjunto e surge um fluxo de trabalho que nenhum dos fornecedores documenta: um clipe de cinco segundos entregue a um descritor que amostra dezesseis quadros é um clipe amostrado a aproximadamente três quadros por segundo, o que está acima do piso de dois por segundo da própria receita. Esse é o único ponto em que esses dois modelos se encaixam de forma limpa, e vale a pena notar justamente porque é acidental.
As licenças são a parte fácil desta vez.
Pela primeira vez, a comparação jurídica não é o que decide. Ambos os lançamentos são permissivos e ambos estão devidamente documentados quanto a esse ponto, o que é um alívio depois de um ano de Apple AMLR e componentes de demonstração não comerciais.
• Kandinsky 6.0 Video — MIT no código, nos pesos e na integração com o diffusers. O repositório inclui dois nós do ComfyUI instaláveis pelo ComfyUI Manager e dois Hugging Face Spaces, um para o checkpoint destilado Pro e outro para super-resolução.
• WeMM-Video-4B — Apache 2.0 em toda a coleção, com um arquivo de licença da Tencent declarando que os componentes de terceiros permanecem sob seus termos originais. A ressalva não está discriminada item a item, o que é uma lacuna real e não uma formalidade, dado que a pilha de áudio deriva do Qwen2.5-Omni e a espinha dorsal do Qwen3.5, ambos Apache 2.0.
• Ambos — o uso comercial está disponível, e nenhum dos fornecedores publica uma política de uso que o restrinja ainda mais. Se uma revisão jurídica é o seu bloqueio, não será a linha da licença aqui; será a ressalva não itemizada do lado da Tencent.
A superfície de implantação é onde eles se separam.
A diferença mais nítida não está na licença, mas em quanto outra pessoa já fez por você, e a distância é grande o bastante para mudar um cronograma.
Kandinsky 6.0 Video chegou com um pacote do diffusers, uma linha de comando, dois nós do ComfyUI e dois Spaces no primeiro dia. Em seguida, um colaborador externo mesclou o pull request 8537 no vLLM-Omni, registrando o pipeline como Kandinsky6TI2VAPipeline, com latentes de vídeo e áudio cujo ruído é removido conjuntamente por um único transformer, pesos carregados pasta por pasta a partir de transformer/, vae/, text_encoder/, text_encoder_2/ e audio_vae/, e uma receita de serving em recipes/Kandinsky/Kandinsky6-TI2VA.md. O condicionamento por imagem de referência é aplicado como um quadro final mascarado, em vez de um modo separado, de modo que um único pipeline atende tanto texto para vídeo e áudio quanto imagem para vídeo e áudio. O áudio vem ativado por padrão: uma requisição sem parâmetros de áudio ainda retorna fala, música ou ambiência sincronizadas.
O WeMM-Video-4B tem o perfil oposto. Nem o vLLM nem o SGLang oferecem suporte à arquitetura upstream, e uma busca no rastreador de issues do vLLM não encontra nenhuma solicitação do WeMM-Video. O que o repositório disponibiliza, em vez disso, é um diretório de patch — overlays de código-fonte com manifestos SHA-256 para vLLM 0.18.0 e 0.31.0 e SGLang 0.5.16 e 0.5.19, cada um fixado em uma combinação específica de PyTorch, Transformers e CUDA 12.9, com Python 3.12, FFmpeg, CUDA 12 NPP no caminho do linker para o TorchCodec, e uma toolchain C++ mais Ninja porque o SGLang compila kernels no primeiro uso. O pacote GGUF tem como alvo um runtime nativo que você compila a partir do repositório, em vez do llama.cpp, e a Tencent o rotula como exported_unvalidated.

Essa assimetria tem um custo que você pode colocar em um cronograma. Kandinsky 6.0 Video é um contêiner que fala HTTP hoje. WeMM-Video-4B é um dia de trabalho de toolchain antes do seu primeiro token, e a única validação que a Tencent alega é que o vLLM com patches o carregou em um H20 e concluiu verificações de geração para texto, imagem, áudio e vídeo com trilha sonora — sem throughput, sem latência, sem consumo de memória, sem números de concorrência.


O que dizem os números, e quem os disse
O Artificial Analysis mantém três rankings de vídeo — texto para vídeo, imagem para vídeo e edição de vídeo —, cada um com sua própria escala Elo e seu próprio pool de votos. Leia os três em 20 de novembro de 2026: o Kandinsky 6.0 Video não aparece em nenhum deles, e o WeMM-Video-4B também não. Nenhuma das ausências é um julgamento. O Kandinsky 6.0 Video não tem submissão à arena, e o ranking de texto para vídeo do painel exige um preço de API para uma comparação normalizada, o que um checkpoint aberto não tem; o WeMM-Video-4B não pode de modo algum participar de uma votação entre dois clipes gerados, porque não gera nenhum.
O que resta é o trabalho dos próprios fornecedores, e ele mede coisas diferentes em escalas diferentes.
• Kandinsky 6.0 Video, qualidade — resultados relatados pelo fornecedor no VABench e uma avaliação humana realizada em laboratório contra Kling 2.6, Veo 3.1 Fast, MiniMax H3 e Seedance 2.0. A Sber também relata, na ablação do artigo, que o checkpoint destilado que ela espera que você sirva é preferido ou empatado na maioria dos critérios, com uma preferência média de 51% a 49% — paridade, na velocidade que você deseja.
• Kandinsky 6.0 Vídeo, áudio — dois números de taxa de erro de palavra no artigo que não são comparáveis. A redução de 47 por cento que acompanha a etapa de aprendizado por reforço é medida com o Whisper-large-v3, um dos modelos de recompensa do RL; a WER relatada junto ao VABench usa o Qwen3-ASR-1.7B no subconjunto de fala. Os próprios autores dizem isso, e citar um como se fosse o outro é o erro mais fácil de cometer com este lançamento.
• WeMM-Video-4B, áudio-visual conjunto — Video-MME com áudio 83,9 contra 77,3 do Qwen3-Omni-30B-A3B-Instruct e 69,2 do MiniCPM-o-4.5-9B; Video-MME v2 48,1 contra 36,3 e 28,1; Daily-Omni 82,5 contra 70,7 e 80,2, todos no modo Thinking.
• WeMM-Video-4B, onde perde — MMAU 75,2 contra 80,4 do Qwen3.5-Omni-Flash e MMAR 67,3 contra 74,0, com uma vitória no MMAU-Pro, 68,1 contra 64,8. Video-Holmes 58,8 contra 64,3 do MiniCPM-o-4.5-9B, e FutureOmni 50,9 contra 55,1 e 56,1.
Duas ressalvas acompanham a coluna WeMM. O artigo não informa a contagem de quadros, o orçamento de pixels ou o comprimento de contexto usados nas avaliações de vídeo, o que importa porque a receita disponibilizada usa dezesseis quadros, enquanto o processador assume 128 por padrão. E o modo muda entre as tabelas: Thinking para vídeo, Instruct para áudio, Thinking de novo para imagem e texto. Comparar uma linha de áudio do WeMM com uma linha de vídeo de um concorrente não é comparação.
Tempo de relógio, o número que ninguém cita
O repositório do Kandinsky publica o número que decide se um modelo de vídeo aberto é utilizável no seu hardware, e ele não é nada favorável. Estes são os tempos de execução do modelo base não destilado para um único clipe de cinco segundos após o aquecimento, excluindo o carregamento de pesos e a codificação MP4, sendo que Full HD significa que a etapa de super-resolução também está sendo executada.
• Full HD, Pro — 402 segundos em uma H100, 765 em uma RTX PRO 6000, 854 em uma RTX 5090, 1.106 em uma A100 80GB, 1.247 em uma RTX 4090, 3.530 em uma RTX 5060 Ti.
• Full HD, Lite — 284 segundos em uma H100, 387 em uma RTX PRO 6000, 406 em uma RTX 5090, 664 em uma A100, 578 em uma 4090, 1.774 em uma 5060 Ti.
• SD, Pro — 356 segundos em uma H100 contra 936 em uma 4090, onde a penalidade da placa de consumidor é menor.
A memória alocada de pico em uma execução do Pro SD chega a 72,8 GiB, acima de qualquer placa de consumidor, e é por isso que o repositório inclui offloading de blocos — dois blocos transformer residentes, o restante transferido da memória do host — com predefinições para 32, 24 e 16 GB. As predefinições de 32 e 24 GB são idênticas porque, acima de 24 GB, a folga não proporciona ganho de velocidade. A ressalva oculta é que, na predefinição de 16 GB, o codificador de texto é quantizado para NF4, e o artigo é explícito que esta é a única mudança de predefinição que altera o próprio clip, com cerca de 12% dos pixels diferindo em um nível de brilho a aproximadamente 57 dB de PSNR. Se você estiver reproduzindo o resultado de outra pessoa em uma placa de 16 GB e ele não corresponder, verifique isso primeiro.
O WeMM-Video-4B não tem uma tabela equivalente, e essa ausência é, por si só, informativa. A Tencent validou que o checkpoint carrega e gera. Um modelo cujo diferencial é vídeo, descrito apenas como "ele gerou", deixa todo o lado dos custos de uma decisão de implantação para você.
Conectando uma camada de texto em torno de ambos
Se você executar qualquer um destes, a pilha ao redor precisa das mesmas três coisas, e nenhuma delas é o modelo. A expansão de prompt transforma a descrição de uma tomada na legenda longa, média ou curta com a qual o Kandinsky foi treinado, ou na pergunta que o WeMM deve responder. A transcrição e a legendagem alimentam uma etapa de imagem para vídeo ou preparam um clipe para descrição. Os resumos de revisão decidem qual de quatro gerações manter, que é a decisão pela qual você paga em cada candidato, e não em cada sobrevivente.
Essas são completions de texto comuns, e são a parte desta stack que o OrcaRouter cobre: uma chave compatível com OpenAI para mais de duzentos modelos, preços de lista dos provedores repassados com 0% de markup, para que uma mudança de preço do fornecedor chegue no mesmo dia, e failover automático para que uma etapa de legendagem que falha não leve junto uma renderização de cinco minutos. Nenhum dos dois modelos está na plataforma — o catálogo não tem entrada para Kandinsky nem para WeMM, e nenhuma camada de roteamento transforma o download de pesos em um endpoint hospedado. O que o roteador elimina é o trabalho de integração em torno dos dois modelos que você mesmo hospeda, além de uma forma de manter um segundo fornecedor atrás do primeiro sem escrever um segundo cliente.
Dois tetos, uma decisão
Pergunte dentro de qual limite você consegue trabalhar. Se você precisa de filmagens com som e consegue editar em unidades de cinco segundos, o Kandinsky 6.0 Video é o lançamento mais completo em todos os eixos que não sejam a qualidade bruta: licença MIT, quatro superfícies de implantação, um número de H100 com o qual você pode planejar um orçamento e uma passada de super-resolução que torna o Full HD uma configuração real, e não uma promessa. Sua restrição é a duração, e a duração é fácil de contornar no projeto.
Se você precisa saber o que há em gravações que já possui — o que acontece na tela e o que se ouve sobre ela —, o WeMM-Video-4B é o único dos dois capaz de responder, e sua restrição é a fidelidade: dezesseis quadros amostrados e oito mil tokens são o que a receita entregue lhe dá, e as linhas do benchmark de vídeos longos foram produzidas sob condições que o artigo não descreve.
O que nenhum dos dois lançamentos fornece é aquilo que tornaria esta comparação barata: um número de alguém que não escreveu o artigo. Ambos são abertos, ambos têm licença permissiva e ambos são invisíveis para todos os rankings que resolveriam a discussão. Até que um deles seja medido de forma independente, o teto em cada repositório é o fato mais confiável que qualquer um dos fornecedores publicou.
