Kandinsky 6.0 Video против Alibaba Wan 2.7: открытые веса против набора из четырёх моделей

Kandinsky 6.0 Video даёт вам чекпоинт на 29 млрд параметров, который можно скачать, а взамен — пятисекундный клип. Wan 2.7 даёт четыре варианта под конкретные задачи, клипы длительностью до пятнадцати секунд и посекундный счёт. Эти два предложения — и есть сравнение, и причина, по которой стоит это записать, в том, что большинство страниц с прямыми сравнениями сопоставляют их по визуальному качеству, где ни у одного нет независимой оценки, которая бы это разрешила, — и пропускают ту ось, где они действительно расходятся: то, что каждый из них ожидает, что вы привнесёте.

Kandinsky Lab компании Sber открыла исходный код Kandinsky 6.0 Video в первую неделю октября 2026 года под лицензией MIT, в двух размерах — Pro на 29B и Lite на 3B — вместе с кодом, чекпоинтами и интеграцией с diffusers. Wan 2.7 от Alibaba вышел 3 апреля 2026 года как набор: text-to-video, image-to-video, reference-to-video и video-edit, с оплатой за секунду сгенерированного видео. Одно из них — модель, которую вы запускаете сами; другое — сервис, который вы покупаете. Интересный вопрос не в том, что лучше, а в том, какая из них по своей форме подходит для работы.

Единственная ось, по которой они напрямую сопоставимы

Обе модели генерируют видео со звуком, а не видео, которое вы потом озвучиваете. Это встречается реже, чем кажется, и именно поэтому эти две вообще упоминают вместе — большая часть индустрии по-прежнему выдаёт немой MP4 и оставляет звук на отдельный проход.

Kandinsky 6.0 Video делает это с помощью двухпоточного CrossDiT: видеопоток, инициализированный из чекпоинта Kandinsky 5.0 Video, аудиопоток, обученный с нуля на больших аудиокорпусах, и двунаправленное кросс-внимание, связывающее их, обучаемые совместно после этапа непрерывного предобучения. На выходе — аудио 44 кГц с липсинком, по текстовому запросу (T2AV) или по референсному изображению (I2AV).

Wan 2.7 также создаёт нативное аудио, но не раскрывает механизм с такой же степенью подробности. В его собственной документации качество звука и точность текста на экране названы двумя областями, которые всё ещё требуют доработки, — это оговорка о достоверности, которую стоит запомнить, потому что это говорит сам производитель, а не рецензент, строящий догадки.

Вот где сходство заканчивается. Всё, что ниже этой линии, — расхождение, а не ранжирование.

Пять секунд против пятнадцати — и что это делает со списком кадров

Kandinsky 6.0 Video обучена на 121 кадре, 24 кадра в секунду — пять секунд — и в релизе нет режима расширения. Статья, рецепт обслуживания, добавленный в vLLM-Omni, и таблица производительности из репозитория — всё построено вокруг этой единственной длины клипа. Тридцатисекундный клип — это шесть генераций и пять склеек, а склейки скрывать — ваша задача.

Wan 2.7 охватывает от двух до пятнадцати секунд за одну генерацию, что определяется для каждого запроса. Для клипа с говорящим человеком, вставки с продуктом или одного движения камеры эта разница — не удобство, а разница между одним рендером и этапом сборки. Для всего, что строится кадр за кадром, пять секунд — обычная единица работы, и этот разрыв в основном исчезает.

• Макс. длина клипа — Kandinsky 6.0 Video: 5 с, фиксированная, 121 кадр при 24 кадрах/с. Wan 2.7: 2–15 с, задаётся по запросу.

• Разрешение — Kandinsky 6.0 Video: SD, HD и Full HD (1920×1080) с помощью отдельной модели суперразрешения. Wan 2.7: до 1080p.

• Кондиционирование по референсу — Kandinsky 6.0 Video: одно изображение, применяемое как маскированный конечный кадр. Wan 2.7: до пяти изображений субъекта и пяти референсных клипов, десять ассетов на запрос.

• Задачи — Kandinsky 6.0 Video: T2AV и I2AV. Wan 2.7: текст-в-видео, изображение-в-видео, референс-в-видео и видеоредактирование как отдельные варианты с отдельной тарификацией.

• Веса — Kandinsky 6.0 Video: MIT, доступны для скачивания, Pro и Lite. Wan 2.7: нет.

Четыре задачи против двух режимов

Количество задач — это та часть Wan 2.7, которую недооценивают в сравнительных таблицах, потому что это не заявление о качестве, а заявление об охвате возможностей. Редактирование существующего видеоматериала на основе инструкций, когда вы описываете изменение и получаете тот же кадр с этим изменением, — это задача, которую Kandinsky 6.0 Video вообще не пытается выполнять. Reference-to-video, где предоставленное исполнение управляет сгенерированным субъектом, также находится за пределами двух его режимов.

Его тарификация отражает объём. Варианты Wan 2.7 «текст-в-видео» и «изображение-в-видео» тарифицируются только по длительности выходного видео — $0.10/с при 720p и $0.15/с при 1080p на международных сингапурских эндпоинтах, тогда как Пекин и Токио указывают $0.086/с и $0.143/с за ту же работу. Вариант «референс-в-видео» тарифицирует также входное видео с ограничением в пять секунд, поэтому пятисекундный референс, управляющий пятнадцатисекундной генерацией, тарифицируется за двадцать секунд работы. Вариант «видеомонтаж» тарифицирует только выходное видео и считает входной материал бесплатным — это самая выгодная ставка в семействе и причина того, что монтаж — то место, где 2.7 по-настоящему дёшев.

Рядом с этими цифрами уместны два факта из жизненного цикла. Alibaba привязала ограниченную по времени 30%-ную стартовую скидку к своим собственным площадкам Bailian и Qwen Cloud, и она закончилась 23 сентября 2026 года. Отдельно: уведомление о выводе из эксплуатации Alibaba Cloud Model Studio (ID 118434) отключает несколько более старых моделей 10 октября 2026 года, и wan2.7-r2v и wan2.7-image входят в этот список. Это уровень варианта, а не отключение всей генерации — wan2.7-t2v и wan2.7-i2v по-прежнему в списке с актуальными тарифами — но если reference-to-video и был причиной, по которой вы смотрели на 2.7, то у этого пути осталось четыре дня.

Что независимые советы показывают, а что не показывают

Это тот раздел, где большинство сравнений этих двух моделей тихо лукавят, поэтому стоит точно определить, что реально существует.

Wan 2.7 имеет независимые оценки в трёх отдельных видеорейтингах Artificial Analysis, и они не совпадают друг с другом, потому что измеряют разные вещи:

• Текст в видео — Wan2.7-260612 (июньская сборка) занимает 13–14-е место с рейтингом Elo 1 030 (±9) по итогам 5 571 голоса при цене $9,00/мин.

• Изображение в видео — Wan 2.7 (апрельская сборка) занимает 12-е место с рейтингом Elo 1 077 (±8) по итогам 4 571 голоса, при цене $9.00/мин.

• Видеомонтаж — Wan 2.7 занимает 5-е место с Elo 1 077 (±5) по итогам 17 988 голосов, при $16,90/мин.

Прочитайте эти три вместе — и полезный вывод не в том, что «Wan 2.7 занимает двенадцатое место в видео». А в том, что модель заметно сильнее в редактировании, чем в генерации, на лидербордах, построенных для каждого из этих задач, и что приводить для неё одно-единственное число — ошибка в любую сторону.

У Kandinsky 6.0 Video нет оценок ни на одной из них. Его опубликованные данные — вендорские, и стоит точно сказать, что это такое: прогон VABK, в котором лаборатория сообщает о лидерстве Pro по качеству речи, аудиоэстетике, согласованности текста с видео и аудио с видео, точности синхронизации губ, десинхронизации и визуальному реализму среди трёх оцениваемых систем — двумя другими были её собственная модель Lite и LTX 2.5, — а также проведённое лабораторией сравнительное оценивание «бок о бок» с примерно 200 и более попарными сравнениями по каждому критерию, в котором Pro конкурентоспособен с Kling 2.6 и Veo 3.1 Fast, уступает MiniMax H3 и Dreamina Seedance 2.0 по визуальным критериям и остаётся конкурентоспособным по качеству речи и синхронизации аудио и видео. Ничто из этого не было воспроизведено за пределами Sber, и ничто из этого не является Elo на слепом публичном рейтинге. Правильная трактовка — «многообещающе и непроверено», а не «на уровне Veo».

Сколько стоит каждый из них — в тех терминах, которые использует каждая сторона.

Две модели ценообразования нельзя свести к одному числу, и именно попытки делать вид, что это не так, приводят команды к неверному решению.

Wan 2.7 — это тариф за секунду. Пятнадцатисекундный клип в 1080p стоит около $2,25. Тридцатисекундный ролик — это две генерации плюс монтаж: $4,50 за чистую генерацию плюс ваше время на сборку, или меньше, если работу выполняет монтажный вариант, потому что он не тарифицирует входные данные.

У Kandinsky 6.0 Video вообще нет тарифа, потому что нет сервиса, который можно купить. Что у него есть — это стоимость GPU-часа, которую задаёте вы. Собственные цифры репозитория задают нижнюю границу: пятисекундный клип Pro Full HD — это примерно 402 секунды рабочего времени на H100 после прогрева, 854 на RTX 5090 и 1 247 на RTX 4090. Дистиллированный чекпойнт — который в статье показал паритет с полной моделью, среднее предпочтение 51% против 49%, причём ни один критерий не достиг значимости, — это именно тот, который вы бы на самом деле и обслуживали. Всё, что ниже 72,8 ГиБ пикового выделения, требует выгрузки блоков, а пресет на 16 ГБ квантует текстовый энкодер до NF4; статья подтверждает, что это единственное изменение пресета, которое меняет сам клип.

Проще говоря: стоимость Wan 2.7 — это строка в счёте, которую можно спрогнозировать. Стоимость Kandinsky 6.0 Video — это машина, которой вы владеете, рендер, занимающий минуты на каждые пять секунд, и возможность — а не обязанность — тонкой настройки.

Где находится роутер в этом

OrcaRouter не обслуживает ни Kandinsky 6.0 Video, ни Alibaba Wan 2.7, и ни одно из этих утверждений здесь не делается. Kandinsky вы можете скачать и запустить самостоятельно; Wan 2.7 доступен через собственные платформы Alibaba. Всё, что нужно пайплайну, построенному на любой из этих моделей, от роутера, — это текстовый слой, окружающий рендер: расширение промпта, превращающее описание кадра в длинную или короткую подпись, на которой обучались эти модели, работу с подписями и диалогами, которая питает этап image-to-video, и итоговые сводки проверки, решающие, какую из нескольких генераций оставить. Это обычные текстовые запросы, и они выполняются через одну OpenAI-совместимую конечную точку для более чем 200 моделей, где списочные цены провайдеров передаются с наценкой 0%, так что снижение цены вендором вступает в силу в тот же день, а не после цикла согласования контракта. Автоматическое переключение при сбое здесь ценнее, чем при чат-нагрузке, потому что вызов для создания подписи, который срывается на четвёртой минуте сессии вопросов и ответов, должен быть перенаправлен, а не привести к потере рендера.

Решение, каждое в одну строку

Если результат — готовый клип со звуком, и вы предпочли бы не иметь GPU, Wan 2.7 — единственный из двух, который предлагает вам это, а его вариант для редактирования — самое сильное, что есть в семействе, судя по имеющимся данным. Проверьте прекращение поддержки 10 октября, прежде чем выбирать reference-to-video.

Если результат — это пайплайн, который вы контролируете, если пятисекундные единицы подходят вашему монтажному листу, и если вы хотите дообучить модель или работать офлайн, Kandinsky 6.0 Video — единственный из двух, который это позволяет — ценой рендера, медленного на потребительском оборудовании, и заявления о качестве, которое всё ещё целиком исходит от самой лаборатории. Событие, за которым стоит следить на этой стороне, простое: Elo.

Одну асимметрию стоит назвать перед завершением, потому что она переживёт обе модели. Потолок Wan 2.7 по контракту и технически устанавливает Alibaba — когда варианты из этого набора снимут с поддержки или изменят их цену, ваш пайплайн унаследует это решение. Потолок Kandinsky 6.0 Video задаётся вашим собственным оборудованием, а лицензия MIT означает, что форк может пережить дорожную карту лаборатории. Команды, которые обожглись, когда модель исчезла из каталога, как правило, год спустя придают этой разнице больший вес, чем в день, когда они делали выбор.