Kandinsky 6.0 Video против Google Veo 3.1: три уровня против двух размеров

Откройте технический отчёт Sber по Kandinsky 6.0 Video и найдите раздел прямого сравнения — и вы заметите то, что упускают страницы сравнений: соперник — вовсе не Veo 3.1. Это Veo 3.1 Fast. Sber проводила свою оценку людьми против среднего из трёх уровней Veo, и этот единственный выбор говорит об этом противостоянии больше, чем любое утверждение о качестве в нём. Veo 3.1 находится в общем доступе с 17 ноября 2025 года в трёх уровнях сервиса; Kandinsky 6.0 Video появилась в первую неделю октября 2026 года в двух загружаемых размерах — Pro на 29B и Lite на 3B — под лицензией MIT. Одно из этого — сервис, который вы покупаете посекундно, другое — чекпойнт, который вы запускаете у себя, — и именно вопрос уровня, а не вопрос качества, определяет, где на самом деле находится решение.

Veo 3.1 — это три продукта под одним именем

Модель Google общедоступна в вариантах Standard, Fast и Lite — все три выдают одно и то же семейство форматов: 720p, 1080p и нативные 4K при 24 fps, нативная длительность 4, 6 или 8 секунд, при этом более длинные результаты заявлены в 1080p, а сверх этого — цепочка расширения сцен; до трёх референсных изображений для согласованности персонажей и сцен, а также управление seed и негативным промптом. Выходные данные содержат метаданные происхождения SynthID и C2PA.

Уровни разделяют цена и скорость, и независимый лидерборд говорит кое-что неудобное о разбросе. В лидерборде Artificial Analysis по text-to-video все три располагаются в пределах 14 пунктов Elo друг от друга — Veo 3.1 — 962 (±10) на основе 2 998 голосов, Veo 3.1 Fast — 961 (±10) на основе 4 325, Veo 3.1 Lite — 948 (±10) на основе 2 903 — тогда как их указанные тарифы составляют $24,00, $7,20 и $4,80 за минуту. Сопоставьте эти данные, и арена говорит вам, что не может надёжно различать уровни по предпочтениям. Это не значит, что уровни идентичны; это значит, что настоящий вопрос покупателя — какой уровень преодолевает его планку, потому что лидерборд предпочтений не ответит на него вместо покупателя.

Kandinsky 6.0 Video придерживается противоположного подхода к вариативности. Есть два размера — Pro на 29B и Lite на 3B, — которые используют одну архитектуру и один фиксированный формат вывода: 5 секунд, 121 кадр при 24 fps, синхронизированное аудио 44 кГц с lip-sync, из текста или референсного изображения, при этом отдельная модель суперразрешения повышает результат до Full HD. Нет варианта Fast и нет режима расширения. Вы выбираете размер и GPU.

Что на самом деле утверждает собственная оценка лаборатории

Это единственные данные прямого сравнения, которые существуют между этими двумя системами, и они сообщены вендором по обе стороны от слэша — Sber провела тестирование, Sber опубликовала результаты, и никто за пределами Sber их не воспроизвёл. Сказать это точно важнее, чем сказать это выгодно.

В режиме преобразования текста в аудио-видео в отчёте Kandinsky 6.0 Video Pro предпочитают по артефактам и движению камеры со статистически значимыми преимуществами, а по реалистичности движения он немного впереди в области, где преобладают ничьи. Veo 3.1 Fast лидирует по следованию визуальным промптам, качеству речи, синхронизации аудио и видео, общему качеству аудио, следованию звуковым промптам и решению пользовательских задач, причём все показатели, кроме речи, достигают значимости. Общее визуальное качество почти на одном уровне, с небольшим преимуществом у Veo.

При преобразовании изображения в видео картина меняется на противоположную в визуальной части. Kandinsky 6.0 Video Pro предпочитают по общему визуальному качеству, соответствию референсному изображению, артефактам и движению камеры — все различия значимы. Veo 3.1 Fast по-прежнему лидирует по следованию визуальному промпту, синхронизации аудио и видео, общему качеству звука, следованию звуковому промпту и решению пользовательских задач — также значимо. Реалистичность движения и качество речи оказываются почти на одном уровне.

Из этого следуют две вещи. Результат по преобразованию изображения в видео — это подлинная находка: то, что открытая модель предпочтительнее по соответствию референсному изображению и общему визуальному качеству по сравнению с уровнем Google, в собственном исследовании лаборатории, — это реальное утверждение, которое стоит взвесить. А результат по аудио — это то, где Veo сохраняет лидерство независимо от режима, — что подводит нас к флагу, о котором никто не упоминает.

Аудиофлаг, который определяет, справедлива ли эта оценка

Veo 3.1 генерирует нативное стереоаудио 48 кГц — диалоги, атмосферу, шумы — совместно с изображением. Это одна из сильнейших особенностей модели. Однако в API параметр audio по умолчанию отключён, а генерация без звука стоит дешевле генерации со звуком: примерно $0.20 за секунду без звука против примерно $0.40 за секунду при включённом звуке в опубликованном Google тарифе Standard.

У Kandinsky 6.0 Video такого переключателя нет. Аудио является частью выходных данных, а сервисный конвейер, встроенный в vLLM-Omni, по умолчанию выдаёт AAC 44,1 кГц. Так что эти две модели не сталкиваются с одинаковыми настройками по умолчанию: одна ориентирована в первую очередь на звук, другая — в первую очередь на тишину, а звук — как улучшение.

Эта асимметрия имеет конкретную цену в сравнениях. Любое очное сопоставление, в котором беззвучный Veo 3.1 противопоставляется конкуренту, который всегда поставляется со звуком, а затем пара оценивается на табло с учётом аудио, ставит Veo в невыгодное положение из-за случайности, связанной с настройкой по умолчанию. Когда вы читаете приведённые выше цифры Sber — или чьи-либо ещё — первый вопрос, который стоит задать: был ли у стороны Veo включён звук. Второй — какой была разница в цене, потому что на тарифе Standard включение звука удваивает цену.

Пять секунд против восьми, и 1080p против нативного 4K

Разрыв в формате — это то место, где видны дизайнерские брифы двух моделей.

• Длина клипа — Kandinsky 6.0 Video: фиксированные 5 с, 121 кадр при 24 кадрах в секунду, без продления. Veo 3.1: 4, 6 или 8 с нативно, дольше при 1080p, цепочка расширения сцены сверх этого.

• Разрешение — Kandinsky 6.0 Video: SD, HD и Full HD (1920×1080) благодаря проходу суперразрешения. Veo 3.1: 720p, 1080p и нативный 4K.

• Происхождение — Kandinsky 6.0 Video: в релизе ничего не указано. Veo 3.1: метаданные SynthID и C2PA для выходных данных.

• Референсный ввод — Kandinsky 6.0 Video: одно изображение, применяемое как маскированный конечный кадр. Veo 3.1: до трёх референсных изображений плюс seed и негативный промпт.

• Формат — Kandinsky 6.0 Video: 44,1 кГц AAC с изображением, всегда включено. Veo 3.1: 48 кГц стерео, опционально, два варианта тарификации.

Строка о происхождении — именно она имеет последствия для закупок. Если ваш результат должен быть отслеживаемым — работа с брендом, телевещание, всё, на что будет смотреть юридическая команда, — Veo 3.1 прикрепляет метаданные, указывающие, что материал был сгенерирован, а Kandinsky 6.0 Video — нет. Это не разница в качестве, и ни один бенчмарк этого не покажет, но это тот тип требования, который сам по себе может определить выбор поставщика, а открытая модель без него не является готовой заменой для команды, которой это нужно.

4K-линейка имеет такое же значение и по той же причине. Full HD в Kandinsky 6.0 Video — настоящий: есть отдельная SR-модель, и SR-пакет из репозитория выполняет апскейлинг x2, x4 и x2.25 для пятисекундных клипов, — но он упирается в потолок там, где нативный путь Veo 3.1 начинается на его верхней границе. Для работы с большими экранами этот потолок не подлежит обсуждению.

Сколько стоит клип с каждой стороны

Veo 3.1 тарифицируется посекундно. На уровне Standard пятисекундный клип 1080p со звуком стоит около $2.00, а тот же клип без звука — около $1.00; Fast и Lite находятся ниже, и, поскольку их оценки в арене попадают в доверительный интервал Standard, на основании имеющихся данных трудно возражать против более дешёвых уровней.

Kandinsky 6.0 Video не выставляет счёт. У него есть GPU-время. Показатели из репозитория для недистиллированной модели, измеренные после прогрева, без учёта загрузки весов и кодирования MP4, дают примерно 402 секунды для пятисекундного клипа Pro Full HD на H100, 854 секунды на RTX 5090, 1 247 секунд на RTX 4090 и 3 530 секунд на RTX 5060 Ti. Lite Full HD — 284 секунды на H100. Пиковое выделение памяти при запуске Pro SD достигает 72,8 ГиБ, поэтому для всего, что меньше, нужна выгрузка блоков — а пресет на 16 ГБ квантует текстовый энкодер в NF4, единственное изменение пресета, которое, как подтверждает статья, меняет сам клип, а не вносит шум уровня округления.

Эти две структуры затрат несопоставимы. Одна — это счёт, который вы прогнозируете за каждую готовую секунду; другая — это машина, которую вы покупаете, рендер, измеряемый в минутах, и возможность тонкой настройки — которую Veo 3.1 не предлагает ни на одном тарифе.

Вопрос уровня — это вопрос маршрутизации.

OrcaRouter не предоставляет ни Google Veo 3.1, ни Kandinsky 6.0 Video, и здесь это не подразумевается — Veo 3.1 доступна через собственные сервисы Google, а Kandinsky вы скачиваете сами. Но структуру решения по Veo стоит назвать, потому что это именно та проблема, которую наш слой маршрутизации призван решать на текстовой стороне: три уровня, чьи независимые оценки неразличимы, а цены различаются в пять раз — это ровно тот случай, когда «маршрутизируй дешёвый вариант и повышай уровень только тогда, когда планка не взята» побеждает «стандартизируйся на флагмане». Адаптивная маршрутизация OrcaRouter и DSL маршрутизации выражают это как настраиваемую политику для более чем 200 текстовых моделей на одной конечной точке, совместимой с OpenAI, по прейскурантной цене провайдера с наценкой 0%, с автоматическим переключением при отказе маршрута. Тот же подход, применённый к расходам на видео — Fast по умолчанию, Standard для важных кадров — это закупочное решение, которое вы можете принять уже сегодня вообще без роутера.

Какой именно, для кого?

Выбирайте Veo 3.1, если к звуку в готовом материале нужно относиться серьёзно, если требуется 4K или клип длиннее пяти секунд либо если кому-то дальше по цепочке нужны метаданные о происхождении. Выбирайте тариф осознанно, а не полагайтесь по умолчанию на Standard, и закладывайте в бюджет аудиофлаг, а не обнаруживайте его потом в счёте.

Выбирайте Kandinsky 6.0 Video, если вам нужны веса, если пяти секунд достаточно для вашей единицы работы и если задача — точность преобразования изображения в видео по предоставленному стоп-кадру: это единственное измерение, в котором собственное исследование лаборатории ставит его впереди уровня Veo со значительным перевесом. Приступайте, зная, что звук всегда включён, происхождение отсутствует, а заявление о качестве целиком опирается на отчёт, написанный его автором.

Асимметрия, которую стоит иметь в виду, заключается в том, что Veo 3.1 уже одиннадцать месяцев в продакшене и потому накопил то, чего не может открытая модель, выпущенная в этом месяце: карту режимов отказа, которые его пользователи уже опубликовали, и кривую цен, которую финансовая команда может смоделировать. В противовес этому лицензия MIT, под которой выпущен Kandinsky, означает, что модель на вашем диске не зависит от чьей-либо дорожной карты. Что из этого ценнее — не вопрос бенчмарка.