Kandinsky 6.0 Video vs Hailuo 2.3: En prislista mot en nedladdning

Börja med aritmetiken, för det är den enda punkten där dessa två överlappar. Ett sex sekunder långt tyst 1080p-klipp från Hailuo 2.3, budgetvideomodellen från april 2026, listas till några cent per sekund – ungefär 0,48 dollar för klippet. Ett fem sekunder långt klipp med synkroniserat 44 kHz-ljud och läppsynk från Kandinsky 6.0 Video, som Sbers Kandinsky Lab släppte som öppen källkod under MIT i första veckan av oktober 2026, kostar ingenting per klipp och cirka sju minuter H100-tid i Full HD. Det är hela jämförelsen i två meningar, och beslutet den antyder är inte ”vilken som är bättre” – det är vilken mätare du helst vill köra: en faktura per sekund, eller din egen hårdvara.

Allt annat följer av den uppdelningen, och de flesta jämförelsesidor får det om bakfoten genom att behandla dem som samma typ av produkt vid olika prispunkter. Det är de inte. Hailuo 2.3 är en tjänst med en stylists brief och inget ljud; Kandinsky 6.0 Video är en checkpointfamilj i två storlekar – Pro på 29B och Lite på 3B – där ljudet är den centrala arkitektoniska funktionen.

Vad den billiga faktiskt är bra på

Hailuo 2.3:s rykte är välförtjänt och specifikt. Den hanterar filmiska kamerarörelser, mänskliga rörelser och mikrouttryck väl, och den är starkare än sitt pris antyder när det gäller stiliserat innehåll och anime. Den producerar text-till-video och bild-till-video upp till 1080p. MiniMax marknadsför den inte som en fotorealistisk modell, och det är den inte – den är en stilist med ett gott öga för rörelse.

Dess begränsningar är lika specifika, och de är anledningen till att den här jämförelsen är kort.

• Inget inbyggt ljud. Hailuo 2.3 ger tyst output, och den tidigare Hailuo-generationen som hade ljud förs inte vidare till den. Varje klipp behöver ljud läggas till i efterhand.

• Maxlängd på sex sekunder för klipp i 1080p och tio sekunder i 768p, utan möjlighet att styra slutbilden – så klipp kan inte kedjas samman till en sekvens på ett smidigt sätt.

• Inte på de aktuella oberoende listorna. Hailuo 2.3 finns inte med på Artificial Analysiss text-till-video-, bild-till-video- eller videoredigeringslistor så som de ser ut idag, så det finns inget offentligt Elo att jämföra mot någonting. Äldre hänvisningar till att den placerade sig runt övre tjugotalet på en videoarena matchar inte de listor som publiceras nu, och bör betraktas som en inaktuell ögonblicksbild snarare än en aktuell placering.

Prissättningen anges i två valutor av två olika parter, och båda är värda att känna till. MiniMaxs eget API säljer förbetalda poängpaket, där ett standardklipp på sex sekunder i 768p förbrukar en poäng och ett tio sekunder långt 768p-klipp eller ett sex sekunder långt 1080p-klipp förbrukar två – med den snabbare varianten Hailuo-2.3-Fast som sänker dessa till ungefär 0,7 respektive 1,1 till 1,3 poäng. Tredjepartsspårare listar en jämnare taxa i storleksordningen 0,067–0,082 dollar per sekund, en av dem på 0,0817 dollar/s och med citatet ”upp till 1080p, max 10 s per klipp, ljudlös utdata”, och omkring 147 dollar i månaden för trehundra sexsekundersklipp. Vilken väg du än väljer är storleksordningen densamma, och det är den billigaste genereringen i den här kategorin.

Problemet med att satsa på en ersatt generation

Det finns ett livscykelfaktum om Hailuo 2.3 som spelar större roll än någon specifikation, och det är inte en kritik av modellen. MiniMax har gått vidare. Dess efterträdare, MiniMax H3 – Hailuo 3-generationen – släpptes den 31 juli 2026 och är en annan klass av produkt: en omnimodal modell som läser text-, bild-, video- och ljudreferenser som en enda kontext, genererar klipp på fyra till femton sekunder i 768p eller 2K med inbyggt stereoljud, och faktureras per sekund av utdata.

Det är inte ett leverantörspåstående. Det finns på de oberoende resultattavlorna, och placeringen är stark:

• Text-till-video — MiniMax H3 (768p) på 4:e plats med Elo 1 137 (±9) baserat på 8 315 röster, till 4,80 USD/min.

• Bild-till-video – MiniMax H3 2:a vid Elo 1 181 (±8) över 7 284 röster, till $7,80/min.

• Videoredigering – MiniMax H3 på andra plats med Elo 1 132 (±6) över 12 043 röster, till 7,80 USD/min.

Så den ärliga beskrivningen av ett köp av Hailuo 2.3 i oktober 2026 är denna: du köper budgetnivån i en familj vars flaggskeppsgeneration ligger bland de fem bästa i båda genereringslägena, har det ljud som 2.3 saknar och kostar kanske fem till tio gånger mer per sekund. Det är ett försvarbart beslut för stylingarbete med hög volym – det är precis vad en budgetnivå är till för – men det bör vara ett medvetet val, inte ett standardval. Den som utvärderar 2.3 idag bör först jämföra priset på H3 mot det, eftersom gapet mellan dem inte är marginellt.

Fem sekunder mot sex, och varför skillnaden är mindre än den ser ut

När det gäller längd vinner Kandinsky 6.0 Video inte. Den är tränad på 121 bildrutor och 24 fps – fem sekunder – och utgåvan innehåller inget förlängningsläge. Hailuo 2.3 ger dig sex sekunder i 1080p. Ingen av dem räcker för en sammanhängande scen, och båda innebär att ett trettio sekunder långt stycke är fem eller sex genereringar plus skarvarna.

De luckor som spelar roll finns någon annanstans.

• Ljud — Kandinsky 6.0 Video: 44 kHz med läppsynk, producerat tillsammans med bilden, alltid på. Hailuo 2.3: inget, designat så.

Upplösning — Kandinsky 6.0 Video: SD, HD och Full HD via en dedikerad superupplösningsmodell, x2, x4 eller x2,25 uppskalningar av femsekundersklipp. Hailuo 2.3: upp till 1080p, ingen SR.

Villkorning — Kandinsky 6.0 Video: text-till-ljudvideo och bild-till-ljudvideo, en referensbild som används som avslutande bildruta. Hailuo 2.3: text-till-video och bild-till-video, ingen styrning av slutbildruta.

• Vikter — Kandinsky 6.0 Video: MIT, Pro och Lite, med diffusers-integration och — sedan i morse — en serving-pipeline för vLLM-Omni. Hailuo 2.3: inte släppt.

• Prissättning — Hailuo 2.3: per sekund utdata, eller poäng mot ett förbetalt saldo, med en billigare Fast-variant. Kandinsky 6.0 Video: inget pris alls; du står för GPU:n.

Vad leverantörens bevisning säger, och vad den inte kan

Kvalitetsunderlaget för Kandinsky 6.0 Video är oreviderat och bör beskrivas på det sättet. Sber rapporterar VABench-resultat där Pro leder inom talsynteskvalitet, ljudestetik, text–video- och ljud–video-alignering, läppsynkprecision, desynkronisering och visuell realism bland de tre utvärderade systemen – Sbers egen Lite-modell och LTX 2.5. Den rapporterar också en mänsklig sida-vid-sida-utvärdering genomförd i labb, ungefär 200 eller fler parvisa jämförelser per kriterium, där modellen är konkurrenskraftig mot Kling 2.6 och Veo 3.1 Fast, ligger efter MiniMax H3 och Dreamina Seedance 2.0 på visuella kriterier och förblir konkurrenskraftig vad gäller talsynteskvalitet och ljud–videosynkronisering. Det finns ingen blind offentlig Elo och ingen extern reproduktion.

Bevisläget för Hailuo 2.3 har motsatt form: det används brett, har ett offentligt pris, men saknas för närvarande på de oberoende videotopplistorna, så det kan inte heller ställas mot ett aktuellt fält. Ingen av modellerna har det som en köpare helst vill ha — och i Hailuos fall har dess egen familj det. Det är asymmetrin som är värd att sätta ord på: den ena modellens familj har redan poängsatts och placerats, och den andras har inte poängsatts alls.

Då återstår ljudklyftan, och det är en verklig klyfta snarare än en rad i en funktionslista. Tystnaden i Hailuo 2.3 förenklar en sak – det finns inget ljudspår att bevara när du lämnar ett klipp till en masteringomgång – och komplicerar en annan: varje pratande huvud, varje produktspot med berättarröst, varje klipp där en ljudeffekt måste landa på en handling, är nu två generationer plus ett aligneringssteg som du ansvarar för. Hela arkitekturen hos Kandinsky 6.0 Video är inriktad på det problemet: en dual-stream-CrossDiT som parar ihop en videoström med en ljudström byggd från grunden under dubbelriktad korsuppmärksamhet, med ett förstärkningsinlärningssteg som artikeln rapporterar minskar ordfelsfrekvensen för genererat tal med 47 % – mätt med Whisper-large-v3, en av RL-belöningsmodellerna, och inte jämförbar med den separata ordfelsfrekvensen för Qwen3-ASR-1.7B som artikeln rapporterar vid sidan av VABench.

Var en router passar in, och var den inte gör det

OrcaRouter betjänar inte Kandinsky 6.0 Video eller Hailuo 2.3, och inget av dessa påståenden görs här — Kandinsky är din att ladda ner och köra, Hailuo 2.3 nås via MiniMaxs eget API och poängsystem. Vad en pipeline byggd på endera av dem behöver från en router är texten runt renderingen: tagninglistan, promptexpansionen som förvandlar en brief till den långa eller korta bildtext som dessa modeller tränades på, arbetet med bildtexter och dialog, och granskningssammanfattningarna som avgör vilken generering som behålls. Det är vanliga textanrop, och de körs på en OpenAI-kompatibel endpoint över 200+ modeller till leverantörens listpris med 0 % påslag, så en leverantörsprisändring är live på samma nyckel samma dag den landar, med automatisk failover så att ett misslyckat anrop mitt i en rendering omdirigeras istället för att förlora batchen. Orkestreringslagret runt en videomodell är ett routingproblem även när videomodellen inte är routingbar — vilket är situationen för båda dessa idag.

Vilken ska man välja?

Välj Hailuo 2.3 när uppdraget handlar om volym, estetiken är stiliserad eller animerad, leveransen är tyst och mätaren per klipp är den begränsning som spelar roll. Det är den billigaste kompetenta genereringen i kategorin och prissätts därefter. Jämför priset på MiniMax H3 vid sidan av den innan du bestämmer dig, eftersom flaggskeppsgenereringen i samma familj rankas topp fem i båda lägena och har det ljud som 2.3 aldrig hade.

Välj Kandinsky 6.0 Video när leveransen behöver ljud, när femsekundersenheter passar din taglista, när bild-till-video-trohet mot en medföljande stillbild är kravet, och när att äga modellen betyder mer än att hyra en. Gå in med kostnaderna tydligt angivna: ingen taxa, ett tak på fem sekunder, en Full HD-rendering som tar cirka 402 sekunder på en H100 och 854 på en RTX 5090 för Pro-modellen, blockavlastning krävs under 72,8 GiB toppallokering, och ett kvalitetspåstående som helt och hållet är Sbers eget tills någon utanför labbet betygsätter det.

Frågan bakom de två prislistorna är den som avgör en stor del av videoinfrastrukturen det här kvartalet. Hailuo 2.3 tar betalt per sekund och ger dig en fil; Kandinsky 6.0 Video tar betalt i form av en GPU och ger dig en licens. För ett team som genererar hundra klipp i månaden vinner fakturan på varje axel som ett kalkylblad mäter. För ett team som tänker finjustera, köra offline eller fortfarande använda samma modell efter att nästa generation har släppts, vinner nedladdningen på den enda axel som ett kalkylblad inte kan se.