
WeMM-Video-9B vs Kandinsky 6.0 Video: Ambos abertos, nenhum dos dois avaliado
- 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 · 364 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 · 148 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 · 93 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 · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 118 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
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 Tencent'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.
O que se segue trata os dois lançamentos pelo que são: um modelo aberto de nível de produção com um ecossistema, e um lançamento de pesquisa com um artigo. Ambas as descrições são elogios e ambas são limitações, e a ordem em que você as lê determinará qual dos dois você deve baixar.
A duração treinada é de cinco segundos.
O Kandinsky 6.0 Video produz clipes de cinco segundos, e a palavra importante é "treinado", não "predefinido". Cinco segundos a 121 frames é a duração que o modelo aprendeu; pedir mais não é uma configuração, é extrapolação, e a Sber não o apresenta como outra coisa. Dentro desses cinco segundos, obtém áudio de 44 kHz gerado na mesma passagem com alinhamento de sincronização labial, o que é uma capacidade genuinamente invulgar nesta licença e neste tamanho.
A superfície de implantação é a parte que mais nitidamente separa as duas versões. No primeiro dia, o Kandinsky 6.0 Video disponibilizou um pacote Diffusers, um ponto de entrada de linha de comando, dois nós do ComfyUI e dois Spaces. Em seguida, um colaborador externo mesclou o pull request 8537 no vLLM-Omni, registrando o pipeline como Kandinsky6TI2VAPipeline e servindo texto-para-vídeo-e-áudio e imagem-para-vídeo-e-áudio a partir de um único DiT.
WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation Tencent 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, com native_inference_validated e native_low_precision_gemm_validated ambos falsos.
• AWQ W4A16, 12,86 GiB — quantizado_não_validado.
• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, com GEMM FP4 nativo, inferência PRO5000 e validação vLLM todos falsos, além de uma atestação numérica de RMSE relativo médio de 0,095 contra um limite de 0,35.
• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on Tencent's own runtime, not llama.cpp or Ollama.
Quatro builds comprimidas, todas dentro de 0,42 GiB umas das outras, nenhuma delas validada para inferência nativa. Compare isso com o Kandinsky 6.0 Video, em que a licença MIT e quatro front ends independentes significam que o problema de validação já foi distribuído para pessoas que não são a Sber.

Dezenove gigabytes e meio, discriminados
O WeMM-Video-9B compensa sua narrativa de implantação limitada com um relato de si mesmo excepcionalmente completo. A contagem de parâmetros é de 10.488.603.384 em 1.305 tensores. A divisão é publicada: backbone de linguagem de 7,94B, incluindo um embedding de tokens de 1,02B, cabeça de saída não compartilhada de 1,02B, torre de áudio de 1,08B — 32 camadas no estilo Whisper com largura de 1.280 atrás de um Q-Former de duas camadas, dez tokens de áudio por segundo — e torre de visão de 0,46B com 27 blocos, dimensão oculta de 1.152, patch 16, fusão espacial 2×2.
Apenas a FFN densa é quantizada nos builds comprimidos: 96 matrizes de linguagem, três por camada ao longo de 32 camadas, com 4.096 por 12.288, o que corresponde a 4.831.838.208 elementos dos 10,49 bi. A atenção é restaurada para BF16 — 152 matrizes de projeção mais 32 normas de entrada, todas com hashes SHA-256 — e 1.209 tensores permanecem exatos bit a bit. Cerca de 3,57 bi de parâmetros, aproximadamente 7,1 GB, da torre de visão, da torre de áudio, do embedding e da cabeça de saída nunca entram no quantizador. É por isso que o AWQ economiza 34% em relação ao BF16, e não os 70% que o nome sugere.
Nada disso diz se o modelo é bom. Diz que o lançamento é auditável, o que é uma virtude diferente e subestimada.
Nenhum dos dois tem uma pontuação independente.
O Kandinsky 6.0 Video não aparece em nenhum dos três rankings de vídeo do Artificial Analysis. Nem o WeMM-Video-9B. As duas ausências têm causas diferentes, e a diferença importa.
O Kandinsky 6.0 Video não tem submissão à arena, e o ranking de texto para vídeo exige um preço de API antes de listar um modelo — cinco segundos de saída de pesos abertos sem tarifa comercial não têm linha para ocupar. O WeMM-Video-9B é inelegível para classificação num sentido mais profundo: os rankings pontuam filmagens geradas, e ele gera texto.
O que cada laboratório oferece, em vez disso, é a sua própria avaliação, e ambas devem ser lidas com o mesmo ceticismo.
• Kandinsky 6.0 Video — resultados do VABench informados pelo fornecedor, além de uma avaliação humana conduzida pelo laboratório, com cerca de 200 comparações pareadas por critério. Também há uma redução relatada de 47% na taxa de erro de palavras da fala gerada após pós-treinamento com RL. Esse último número exige uma ressalva: ele foi medido com Whisper-large-v3, enquanto o valor de WER do VABench com o qual é comparado usa Qwen3-ASR-1.7B. Dois reconhecedores diferentes, duas taxas de erro diferentes, nenhuma subtração válida. A melhoria pode muito bem ser real; o número como apresentado não é comparável.
• WeMM-Video-9B — o harness dos próprios autores, divulgado como “resultados oficiais quando disponíveis e nossas próprias avaliações nos demais casos”. No modo de raciocínio em tarefas audiovisuais conjuntas, supera o Qwen3-Omni-30B-A3B-Instruct em 35 das 37 métricas compartilhadas, incluindo Video-MME com áudio 85,1 contra 77,3 e SciVideoBench 64,2 contra 49,9, e perde em uma, FutureOmni, com 53,7 contra 55,1. Em vídeo silencioso, contra seu backbone Qwen3.5-9B, ganha em F-16-NBA, com 88,7 contra 75,8, e em TimeLens, e perde em MLVU, LVBench, VideoVista, VSI-Bench e MVBench.
Duas versões abertas, duas avaliações autoavaliadas, nenhum terceiro. Esse é o estado da arte honesto para ambos.

Dezesseis quadros contra cinco segundos
Onde os dois limites se encontram é mais interessante do que qualquer um deles isoladamente. O WeMM-Video-9B traz uma receita de vLLM que substitui os padrões do próprio processador — 2 fps, mínimo de 4 quadros, máximo de 128, 100.663.296 pixels — para 2 fps e 16 quadros em 262.144 pixels, amostrados em torno do ponto médio do clipe. Dezesseis quadros a duas por segundo equivalem a oito segundos de cobertura, e todo comando de serving também passa um contexto de 8.192 tokens contra 262.144 embeddings de posição na arquitetura.
• Kandinsky 6.0 Video — cinco segundos de entrada, cinco segundos de saída, 121 quadros, áudio de 44 kHz. Um comprimento de treinamento fixo.
• WeMM-Video-9B — oito segundos de entrada amostrada, saída de texto, com a faixa de áudio completa de até aproximadamente treze minutos a dez tokens por segundo.
• A junção — um clipe Kandinsky de cinco segundos cabe dentro da janela de oito segundos do WeMM-Video-9B com três segundos de sobra, que é a única configuração em que encaminhar um clipe gerado para o descritor é limpo.
• O custo da junção — A Sber relata cerca de sete minutos de tempo de H100 por clipe Full-HD, então uma geração de cinco segundos é uma reserva de sete minutos antes que qualquer descrição aconteça em hardware local.
Roteamento por duração do clipe
Nenhum dos dois modelos é servido pelo OrcaRouter, e nenhum dos dois será: ambos são pesos abertos que você mesmo hospeda. O que uma camada de roteamento faz por um pipeline como este é decidir qual trecho roda onde, e a DSL de roteamento é o lugar honesto para colocar o limite de oito segundos. Expresse isso como uma política — clipes com menos de oito segundos para o descritor local WeMM-Video-9B, clipes mais longos para um modelo omni hospedado — e o limite deixa de ser um comentário em um arquivo de configuração que ninguém lê até que um clipe de sessenta segundos volte descrito em fragmentos de oito segundos.
Para o trecho hospedado dessa política, uma única API cobre mais de 200 modelos com 0% de markup sobre o preço de tabela do provedor, de modo que um pipeline que abrange um descritor auto-hospedado e um alugado continua sendo uma única fatura e uma única chave. Os cortes de preço do provedor chegam até você no dia em que chegam ao provedor, o que importa quando a metade hospedada da sua carga de trabalho é escolhida com base no preço.

Baixe ambos, ou nenhum
Se você quer um pipeline funcionando esta semana, o Kandinsky 6.0 Video é a resposta, e não é por pouco. Licença MIT, quatro superfícies de implantação logo no primeiro dia, áudio sincronizado de 44 kHz com lip-sync e um comprimento treinado de cinco segundos com o qual você pode planejar. Você abre mão de duração e de validação independente.
Se você quer um descritor omnimodal de 9B que possa auditar, o WeMM-Video-9B é a resposta, e a auditoria é o ponto: contabilização completa dos parâmetros, cobertura de quantização itemizada, strings de status honestas em quatro builds não validadas. Você abre mão de um contrato de serving, de um ecossistema e de qualquer evidência além das próprias tabelas dos autores.
O erro é ler "open weights" como uma única propriedade. Um desses lançamentos se comporta como um produto com uma licença anexada. O outro se comporta como um artigo com um checkpoint anexado, e qual deles você precisa depende inteiramente de você estar tentando entregar filmagens ou entendê-las.
