Титульная карточка с надписью «WeMM-Video-9B vs Kandinsky 6.0 Video» и подзаголовком «Обе открыты, но ни одна не измерена»: две панели, разделённые диском с «vs»; слева — заголовок WeMM-Video-9B, значок «Apache 2.0» и строки «9B dense reader», «19.54 GiB BF16», «16 кадров с частотой 2 кадра/с», «два видео на запрос», «возвращает текст»; справа — заголовок Kandinsky 6.0 Video, значок «лицензия MIT» и строки «29B Pro, 3B Lite», «5 с, 121 кадр, 24 кадра/с», «аудио 44,1 кГц в том же проходе», «без режима расширения», «около 7 минут на H100 на клип».
Guides & Insights

WeMM-Video-9B против Kandinsky 6.0 Video: оба открыты, но ни один не измерен

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

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 T​encent'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.

Далее речь пойдёт о двух релизах как о том, чем они являются: о готовой к продакшену открытой модели с экосистемой и об исследовательском релизе со статьёй. Оба описания — это комплименты, и оба — ограничения, и порядок, в котором вы их прочитаете, определит, какой из них вам стоит скачать.

Пять секунд — это обученная длина

Kandinsky 6.0 Video создаёт пятисекундные клипы, и важное слово здесь — «обучен», а не «по умолчанию». Пять секунд при 121 кадре — это длительность, которой обучилась модель; запрос большего — не настройка, а экстраполяция, и Sber не представляет это иначе. В эти пять секунд вы получаете аудио 44 кГц, сгенерированное за тот же проход с выравниванием липсинка, что является по-настоящему необычной возможностью для этой лицензии и этого размера.

Поверхность развёртывания — это то, что наиболее резко отличает два релиза. В первый день Kandinsky 6.0 Video поставлялся с пакетом Diffusers, точкой входа командной строки, двумя узлами ComfyUI и двумя Spaces. Затем сторонний контрибьютор влил pull request 8537 в vLLM-Omni, зарегистрировав конвейер как Kandinsky6TI2VAPipeline и обеспечив работу сценариев «текст — видео и аудио» и «изображение — видео и аудио» на основе одного DiT.

WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation T​encent 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, при этом native_inference_validated и native_low_precision_gemm_validated оба false.

• AWQ W4A16, 12,86 ГиБ — quantized_unvalidated.

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, при этом native FP4 GEMM, инференс PRO5000 и валидация vLLM — все false, а также числовое подтверждение среднего относительного RMSE 0.095 при пределе 0.35.

• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on T​encent's own runtime, not llama.cpp or Ollama.

Четыре сжатые сборки, различающиеся по размеру не более чем на 0,42 ГиБ, и ни одна из них не проверена для нативного инференса. Сравните это с Kandinsky 6.0 Video, где лицензия MIT и четыре независимых фронтенда означают, что задача валидации уже переложена на людей, не являющихся Sber.

Two-column scoreboard headed 'WeMM-Video-9B vs Kandinsky 6.0 Video — the scoreboard', six shared dimensions in rows: Price ('free, self-host' against 'free, self-host'), Board position ('none, unrankable' against 'none, no arena row'), Licence ('Apache 2.0' against 'MIT'), Clip length ('8 s of sampled input' against '5 s, 121 frames'), Audio ('reads the soundtrack' against '44.1 kHz in-pass'), Release ('17 Nov 2026' against '6 Oct 2026'), with a footer reading 'Kandinsky figures per Sber's own evaluation; WeMM-Video-9B figures vendor-reported.'

Девятнадцать с половиной гигабайт, с разбивкой по пунктам

WeMM-Video-9B компенсирует свою скудную историю развёртывания необычайно полным описанием себя. Число параметров — 10 488 603 384 в 1 305 тензорах. Разбивка опубликована: языковой бэкбон на 7,94B, включая эмбеддинг токенов на 1,02B, отвязанная выходная голова на 1,02B, аудиобашня на 1,08B — 32 слоя в стиле Whisper шириной 1 280 за двухслойным Q-Former, десять аудиотокенов в секунду — и визуальная башня на 0,46B: 27 блоков, скрытая размерность 1 152, патч 16, пространственное объединение 2×2.

Только плотный FFN квантуется в сжатых сборках: 96 языковых матриц — по три на слой в 32 слоях размером 4096 × 12 288, что составляет 4 831 838 208 элементов из 10,49 млрд. Внимание возвращается к BF16 — 152 матрицы проекций плюс 32 входные нормы, все с хешами SHA-256, — а 1209 тензоров сохраняют побитовую точность. Примерно 3,57 млрд параметров (около 7,1 ГБ) визуальной башни, аудиобашни, эмбеддингов и выходной головы вообще не попадают в квантователь. Вот почему AWQ экономит 34% по сравнению с BF16, а не 70%, как можно предположить по названию.

Ничто из этого не говорит о том, хороша ли модель. Это говорит о том, что релиз поддаётся аудиту, — а это другое и недооценённое достоинство.

Ни у одного из них нет независимой оценки.

Kandinsky 6.0 Video не фигурирует ни в одном из трёх видеорейтингов Artificial Analysis. Как и WeMM-Video-9B. У обоих отсутствий разные причины, и эта разница важна.

У Kandinsky 6.0 Video нет заявки на арену, а табло «текст — видео» требует указать цену API, прежде чем включить модель в список: пятисекундному результату открытой модели без коммерческого тарифа просто негде занять строку. WeMM-Video-9B не поддаётся ранжированию в более глубоком смысле: табло оценивают сгенерированные видеоматериалы, а эта модель генерирует текст.

Вместо этого каждая лаборатория предлагает собственную оценку, и к обеим следует относиться с одинаковым скептицизмом.

• Kandinsky 6.0 Video — результаты VABench, заявленные производителем, плюс человеческая оценка, проведённая лабораторией: примерно 200 попарных сравнений по каждому критерию. Также сообщается о снижении на 47% частоты ошибок в словах для генерируемой речи после RL-дообучения. Последнюю цифру нужно оговорить: она была измерена с помощью Whisper-large-v3, тогда как показатель WER в VABench, с которым её сравнивают, получен с использованием Qwen3-ASR-1.7B. Два разных распознавателя, две разные частоты ошибок — корректное вычитание невозможно. Улучшение вполне может быть реальным; число в представленном виде несопоставимо.

• WeMM-Video-9B — собственный оценочный стенд авторов, описанный как «официальные результаты, где они доступны, а в остальном — наши собственные оценки». В режиме размышления при выполнении совместных аудиовизуальных задач он превосходит Qwen3-Omni-30B-A3B-Instruct по 35 из 37 общих показателей, включая Video-MME со звуком (85,1 против 77,3) и SciVideoBench (64,2 против 49,9), а проигрывает в одном: FutureOmni (53,7 против 55,1). На видео без звука по сравнению со своей базовой моделью Qwen3.5-9B он улучшает результат на F-16-NBA (88,7 против 75,8) и на TimeLens, но проигрывает на MLVU, LVBench, VideoVista, VSI-Bench и MVBench.

Два открытых релиза, две самооценки, без участия третьей стороны. Таково честное положение дел для обоих.

Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an image-to-video pipeline tag, the Diffusers and Safetensors libraries, the Kandinsky6TI2VAPipeline tag, an MIT licence, an arXiv reference, and the model card opening on the Kandinsky 6.0 family of diffusion models for video and audio generation.

Шестнадцать кадров против пяти секунд

То место, где встречаются два ограничения, интереснее, чем каждое из них по отдельности. WeMM-Video-9B поставляется с рецептом для vLLM, который переопределяет собственные значения процессора по умолчанию — 2 кадра/с, минимум 4 кадра, максимум 128, 100 663 296 пикселей — до 2 кадров/с и 16 кадров при 262 144 пикселях, с выборкой около середины клипа. Шестнадцать кадров при двух в секунду — это восемь секунд покрытия, и каждая команда обслуживания также передаёт контекст в 8 192 токена против 262 144 позиционных эмбеддингов в архитектуре.

• Kandinsky 6.0 Video — пять секунд на входе, пять секунд на выходе, 121 кадр, аудио 44 кГц. Жёстко заданная при обучении длина.

• WeMM-Video-9B — восемь секунд семплированного входа, текст на выходе, при этом полная аудиодорожка длительностью до примерно тринадцати минут при десяти токенах в секунду.

• Стыковка — пятисекундный клип Kandinsky умещается в восьмисекундное окно WeMM-Video-9B с запасом в три секунды, и это единственная конфигурация, в которой передача сгенерированного клипа в модуль описания проходит без проблем.

• Стоимость объединения — Sber сообщает, что на один Full-HD-клип требуется примерно семь минут времени H100, поэтому пятисекундная генерация — это семиминутное резервирование, прежде чем на локальном оборудовании начнётся какое-либо описание.

Маршрутизация по длине клипа

Ни одна из этих моделей не обслуживается через OrcaRouter — и не будет: обе представляют собой открытые веса, которые вы хостите самостоятельно. Слой маршрутизации в подобном пайплайне решает, какой этап где выполняется, а DSL маршрутизации — честное место, чтобы зафиксировать границу в восемь секунд. Выразите это как политику — клипы короче восьми секунд отправляются локальному описателю WeMM-Video-9B, более длинные — хостируемой omni-модели — и тогда граница перестанет быть комментарием в конфигурационном файле, который никто не читает, пока не вернётся шестидесятисекундный клип, описанный восьмисекундными фрагментами.

Для облачного сегмента этой политики, один API охватывает более 200 моделей с 0% наценки к прайс-листовой цене провайдера, поэтому конвейер, охватывающий собственный описатель и арендованный, по-прежнему даёт единый счёт и единый ключ. Снижения тарифов провайдера становятся доступны вам в тот день, когда провайдер их вводит, что важно, когда облачная половина вашей нагрузки выбирается по цене.

Screenshot of the OrcaRouter models catalogue showing the search field and the filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, above a product line reading 229 models, 17 providers, one API key and one bill.

Скачайте оба или ни одного

Если вам нужен рабочий пайплайн уже на этой неделе, ответ — Kandinsky 6.0 Video, и с большим отрывом. Лицензия MIT, четыре варианта развёртывания с первого дня, синхронизированный звук 44 кГц с lip-sync и обученная длина в пять секунд, на которую можно рассчитывать. Придётся пожертвовать длительностью и независимой валидацией.

Если вам нужен 9B-омнимодальный описатель, который можно проверить, ответ — WeMM-Video-9B, и именно проверка здесь главное: полный учёт параметров, детализированное покрытие квантования, честные строки статуса для четырёх непроверенных сборок. Вы жертвуете контрактом на обслуживание, экосистемой и любыми доказательствами, кроме собственных таблиц авторов.

Ошибка — считать «открытые веса» единым свойством. Один из этих релизов ведёт себя как продукт, к которому прилагается лицензия. Другой — как статья, к которой прилагается чекпойнт, и то, какой из них вам нужен, полностью зависит от того, пытаетесь ли вы выпустить видеоматериал или понять его.