
WeMM-Video-4B против Kandinsky 6.0 Video: два жёстких ограничения
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 182 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 356 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 87 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 147 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
Оба Kandinsky 6.0 Video и WeMM-Video-4B — это релизы с открытыми весами и разрешительными лицензиями; оба появились за последние два месяца без сколько-нибудь заметной маркетинговой кампании и оба отсутствуют во всех видео-рейтингах Artificial Analysis. На этой общей невидимости сходство заканчивается, и на смену ему приходит пара потолков, которые расскажут о каждой модели больше, чем любая строка бенчмарка. Kandinsky 6.0 Video создаёт пять секунд видео с синхронизированным звуком и на этом останавливается — пять секунд — это обученная длина, а не значение по умолчанию. WeMM-Video-4B читает клип через шестнадцать выборочных кадров и на этом останавливается — именно столько задаёт его собственный рецепт обслуживания, тогда как значение процессора по умолчанию — 128. Один предел касается длительности выходного материала, другой — точности входных данных, и выбор между ними означает выбор того, какого рода слепоту способен пережить ваш пайплайн.
Ни одна из моделей не проходила независимую оценку. Показатели Sber — это показатели Sber, показатели Tencent — это показатели Tencent, а приведённые ниже заголовки разделов сохраняют эту границу видимой, а не скрывают её.
Потолок в пять секунд и окно в шестнадцать кадров
Kandinsky 6.0 Video был выпущен Kandinsky Lab от Sber 6 октября 2026 года под лицензией MIT в двух размерах: Pro с 29 млрд параметров и Lite с 3 млрд. Он принимает текстовый запрос или референсное изображение и возвращает пятисекундный клип с аудио 44,1 кГц, генерируемым за тот же проход, включая липсинк. Научная статья и рецепт сервинга построены вокруг 121 кадра при 24 кадрах в секунду, и в релизе нет режима расширения. Всё, что длиннее, — это задача склейки, за которую отвечаете вы.
WeMM-Video-4B — средняя модель в семействе из четырёх размеров от группы WeChat Vision компании Tencent, опубликованная 17 ноября 2026 года; технический отчёт вышел 19 ноября. В ней 5 611 746 312 параметров — 10,45 ГиБ в BF16, — поскольку обозначение «4B» относится к её языковому бэкбону Qwen3.5-4B, а не к чекпоинту. Она принимает текст, изображения, видео и аудио, а возвращает текст.
• Kandinsky 6.0 Video — ограничение вывода: пять секунд, 121 кадр, 24 кадра/с, звук 44,1 кГц, жёстко привязанный к изображению.
• WeMM-Video-4B — ограничение на входе: 2 кадра в секунду с выборкой не более 16 кадров, суммарно 262 144 пикселя, в контексте на 8 192 токена, который аудио расходует из расчёта 10 токенов на каждую секунду.
• Оба — ограничение находится в поставляемой конфигурации, а не в архитектуре, и ни один из репозиториев не объясняет, что делала бы модель без него.
Прочитайте их вместе — и напрашивается рабочий процесс, который не документирует ни один из поставщиков: пятисекундный клип, переданный модулю описания, который сэмплирует шестнадцать кадров, — это клип с частотой примерно три кадра в секунду, что выше собственного нижнего порога рецепта в два кадра в секунду. Это единственное место, где эти две модели аккуратно стыкуются, и это стоит заметить именно потому, что получилось случайно.
В этот раз лицензии — самая простая часть.
На этот раз юридическое сравнение не является решающим. Оба релиза разрешительные, и оба должным образом задокументированы по этому пункту, что стало облегчением после года с Apple AMLR и некоммерческими демонстрационными компонентами.
• Kandinsky 6.0 Video — MIT для кода, весов и интеграции с diffusers. Репозиторий содержит два узла ComfyUI, устанавливаемых через ComfyUI Manager, и два Hugging Face Spaces: один для дистиллированного чекпоинта Pro, а другой для суперразрешения.
• WeMM-Video-4B — Apache 2.0 для всей коллекции, при этом в файле лицензии Tencent указано, что сторонние компоненты остаются на условиях их исходных лицензий. Исключение не детализировано по пунктам, и это реальный пробел, а не формальность, учитывая, что аудиостек происходит от Qwen2.5-Omni, а базовая модель — от Qwen3.5, обе под Apache 2.0.
• Оба — коммерческое использование доступно, и ни один из поставщиков не публикует политику использования, которая бы дополнительно его ограничивала. Если вашим блокером является юридическая проверка, то дело будет не в строке лицензии здесь, а в недетализированной оговорке на стороне Tencent.
Поверхность развёртывания — это то место, где они расходятся.
Более резкое различие — не лицензия, а то, сколько кто-то другой уже сделал для вас, и этот разрыв достаточно велик, чтобы изменить график.
Kandinsky 6.0 Video появился в первый же день с набором diffusers, командной строкой, двумя узлами ComfyUI и двумя Spaces. Затем внешний участник влил pull request 8537 в vLLM-Omni, зарегистрировав конвейер как Kandinsky6TI2VAPipeline с совместным денойзингом видео- и аудиолатентов одним трансформером, весами, загружаемыми по папкам из transformer/, vae/, text_encoder/, text_encoder_2/ и audio_vae/, а рецепт обслуживания находится в recipes/Kandinsky/Kandinsky6-TI2VA.md. Кондиционирование по референсному изображению применяется как хвостовой кадр с маской, а не как отдельный режим, поэтому один конвейер обслуживает как преобразование текста в видео и аудио, так и преобразование изображения в видео и аудио. Аудио включено по умолчанию: запрос без аудиопараметров всё равно возвращает синхронизированную речь, музыку или фоновый звук.
У WeMM-Video-4B противоположный профиль. Ни vLLM, ни SGLang не поддерживают эту архитектуру в upstream, а поиск в трекере задач vLLM не выявляет ни одного запроса по WeMM-Video. Вместо этого в репозитории поставляется патч-каталог — оверлеи исходного кода с манифестами SHA-256 для vLLM 0.18.0 и 0.31.0 и SGLang 0.5.16 и 0.5.19, каждый зафиксирован на конкретной комбинации PyTorch, Transformers и CUDA 12.9, с Python 3.12, FFmpeg, CUDA 12 NPP в пути компоновщика для TorchCodec, а также инструментальной цепочкой C++ и Ninja, потому что SGLang компилирует ядра при первом использовании. Пакет GGUF ориентирован на нативную среду выполнения, которую вы компилируете из репозитория, а не на llama.cpp, а Tencent помечает его как exported_unvalidated.

У этой асимметрии есть цена, которую можно вписать в график. Kandinsky 6.0 Video — это контейнер, который уже сегодня говорит по HTTP. WeMM-Video-4B — это день работы над инструментарием до вашего первого токена, и единственное подтверждение, которое заявляет Tencent, — это то, что пропатченный vLLM загрузил его на H20 и завершил проверки генерации для текста, изображения, аудио и видео со звуковой дорожкой — без данных о пропускной способности, задержке, объёме памяти и параллельных запросах.


Что говорят цифры и кто их назвал
Artificial Analysis ведёт три видеолидерборда — «текст-в-видео», «изображение-в-видео» и «видеомонтаж» — каждый со своей шкалой Elo и собственным пулом голосов. Если открыть все три 20 ноября 2026 года, Kandinsky 6.0 Video не окажется ни в одном из них, как и WeMM-Video-4B. Ни одно из этих отсутствий не является оценкой. У Kandinsky 6.0 Video нет заявки в арену, а рейтингу «текст-в-видео» на этом лидерборде требуется цена API для нормализованного сравнения, которой у открытого чекпоинта нет; WeMM-Video-4B вообще нельзя включить в голосование между двумя сгенерированными клипами, потому что он не генерирует ни одного.
То, что остаётся, — это собственная работа поставщиков, и она измеряет разные вещи по разным шкалам.
• Kandinsky 6.0 Video, качество — результаты, заявленные вендором, на VABench и проведённая лабораторией человеческая оценка в сравнении с Kling 2.6, Veo 3.1 Fast, MiniMax H3 и Seedance 2.0. Sber также сообщает в абляционном анализе статьи, что дистиллированный чекпоинт, который, как ожидается, вы будете обслуживать, предпочитается или делит первенство по большинству критериев при среднем предпочтении 51% против 49% — паритет при желаемой скорости.
• Kandinsky 6.0 Video, audio — два показателя WER в статье, которые несопоставимы. Снижение на 47 процентов, сопровождающее этап обучения с подкреплением, оценивается с помощью Whisper-large-v3 — одной из моделей вознаграждения RL; WER, приведённый рядом с VABench, рассчитывается с помощью Qwen3-ASR-1.7B на речевом подмножестве. Сами авторы об этом говорят, и выдать одно за другое — самая лёгкая ошибка, которую можно допустить с этим релизом.
• WeMM-Video-4B, совместная аудиовизуальная — Video-MME с аудио: 83,9 против 77,3 у Qwen3-Omni-30B-A3B-Instruct и 69,2 у MiniCPM-o-4.5-9B; Video-MME v2: 48,1 против 36,3 и 28,1; Daily-Omni: 82,5 против 70,7 и 80,2, все в режиме Thinking.
• WeMM-Video-4B, где он уступает — MMAU 75,2 против 80,4 у Qwen3.5-Omni-Flash и MMAR 67,3 против 74,0, с одной победой в MMAU-Pro — 68,1 против 64,8. Video-Holmes — 58,8 против 64,3 у MiniCPM-o-4.5-9B, а FutureOmni — 50,9 против 55,1 и 56,1.
С колонкой WeMM связаны две оговорки. В статье не указаны количество кадров, бюджет пикселей или длина контекста, использованные для её видеовоценок, что важно, поскольку в поставляемом рецепте используется шестнадцать кадров, тогда как процессор по умолчанию использует 128. И режим меняется между таблицами: Thinking для видео, Instruct для аудио, снова Thinking для изображений и текста. Сравнивать строку аудио WeMM со строкой видео конкурента — это не сравнение.
Реальное время — число, которое никто не приводит
Репозиторий Kandinsky публикует показатель, который решает, пригодна ли открытая видеомодель для вашего оборудования, и он не льстит. Это время работы недистиллированной базовой модели для одного пятисекундного клипа после прогрева, без учёта загрузки весов и кодирования в MP4; Full HD означает, что также выполняется этап суперразрешения.
• Full HD, Pro — 402 секунды на H100, 765 на RTX PRO 6000, 854 на RTX 5090, 1 106 на A100 80GB, 1 247 на RTX 4090, 3 530 на RTX 5060 Ti.
• Full HD, Lite — 284 секунды на H100, 387 на RTX PRO 6000, 406 на RTX 5090, 664 на A100, 578 на 4090, 1 774 на 5060 Ti.
• SD, Pro — 356 секунд на H100 против 936 на 4090, где штраф для потребительской видеокарты минимален.
Пиковый объём выделенной памяти при запуске Pro SD достигает 72,8 ГиБ, что превышает объём памяти любой потребительской видеокарты, поэтому в репозитории реализована выгрузка блоков — два блока трансформера постоянно находятся в памяти, остальные потоково передаются из памяти хоста — с пресетами для 32, 24 и 16 ГБ. Пресеты на 32 и 24 ГБ идентичны, поскольку выше 24 ГБ запас памяти не даёт прироста скорости. Скрытая оговорка заключается в том, что в пресете на 16 ГБ текстовый энкодер квантуется в NF4, и в статье прямо указано, что это единственное изменение пресета, которое затрагивает сам клип: примерно у 12 процентов пикселей отличие составляет один уровень яркости при PSNR около 57 дБ. Если вы воспроизводите чужой результат на карте с 16 ГБ и он не совпадает, в первую очередь проверьте это.
У WeMM-Video-4B нет аналогичной таблицы, и само это отсутствие показательно. Tencent подтвердила, что чекпойнт загружается и генерирует. Модель, чья главная ценность — видео, описанная лишь как «она сгенерировала», оставляет всю затратную сторону решения о развёртывании на вас.
Подключение текстового слоя вокруг обоих
Если вы запускаете любой из них, окружающему стеку нужны одни и те же три вещи, и ни одна из них не является моделью. Расширение промпта превращает описание кадра в длинную, среднюю или короткую подпись, на которых обучали Kandinsky, либо в вопрос, на который должен ответить WeMM. Транскрипция и создание подписей подаются на вход этапу преобразования изображения в видео или подготавливают клип к описанию. Сводки проверки решают, какую из четырёх генераций сохранить, и именно этот вызов вы оплачиваете для каждого кандидата, а не для каждого выжившего.
Это обычные текстовые дополнения, и именно эту часть стека покрывает OrcaRouter: один ключ, совместимый с OpenAI для более чем двухсот моделей, цены из прайс-листов провайдеров передаются без наценки — 0 %, так что изменение цены поставщика применяется в тот же день, и автоматическое переключение при сбое, чтобы падение этапа создания субтитров не утащило за собой пятиминутный рендер. Ни одной из моделей нет на платформе — в каталоге нет ни записи Kandinsky, ни записи WeMM, и ни один слой маршрутизации не превращает скачивание весов в размещённую конечную точку. Маршрутизатор убирает интеграционную работу вокруг двух моделей, которые вы размещаете сами, а также даёт способ держать второго поставщика в резерве за первым, не написав второго клиента.
Два потолка — одно решение
Уточните, в какой лимит вы можете уложиться. Если вам нужны видеоматериалы со звуком и вы можете монтировать пятисекундными фрагментами, Kandinsky 6.0 Video — более полный релиз по всем параметрам, кроме исходного качества: лицензия MIT, четыре варианта развёртывания, показатель на H100, под который можно планировать бюджет, и проход суперразрешения, благодаря которому Full HD становится реальным параметром, а не заявлением. Его ограничение — длительность, а длительность легко учесть при проектировании.
Если вам нужно узнать, что содержится в уже имеющейся у вас записи — что происходит на экране и что слышно поверх этого, — WeMM-Video-4B — единственный из двух, кто может ответить, и его ограничение — точность: шестнадцать выбранных кадров и восемь тысяч токенов — вот что даёт вам поставляемый рецепт, а строки бенчмарка для длинных видео были получены в условиях, которые в статье не описаны.
Ни один из релизов не даёт того, что сделало бы это сравнение дешёвым: числа от того, кто не писал статью. Оба открыты, оба распространяются по разрешительной лицензии, и оба невидимы для любой таблицы лидеров, которая могла бы разрешить спор. Пока один из них не будет измерен независимо, потолок в каждом репозитории — самый надёжный факт, опубликованный кем-либо из двух вендоров.
