Kling 4.0 vs Kandinsky 6.0 Video: Duellen som ingen har genomfört

Den enda publicerade mänskliga utvärderingen som ställer Kling 4.0 och Kandinsky 6.0 Video i samma rum finns inte. Det som finns är en artikel från Kandinskys eget labb, inskickad till arXiv den 4 oktober 2026, som jämför Kandinsky 6.0 Video Pro mot Kling 2.6 – två generationer efter modellen som Kuaishou släppte till alla den 15 oktober. Det gapet är den ärliga utgångspunkten för den här jämförelsen, och det pekar i en riktning som de flesta jämförelsesidor ignorerar: på de kolumner som artikeln faktiskt mäter vann den äldre Kling flera av dem rent ut. Kuaishous påståenden för 4.0 på just dessa kolumner är de som ingen har verifierat.

Så det här är inte en sida som talar om vilken modell som är bättre, eftersom det inte finns några bevis för att säga det ännu. Det är en sida om vad var och en faktiskt är byggd för att göra, vad den enda verkliga direkta jämförelsen kom fram till, och vilken av de två du kan sätta i en pipeline den här veckan.

Två produkter som bara ser likadana ut

Kling 4.0 är en stängd, kreditbaserad generator från Kuaishou. Fullmodellen klarar text-till-video, bild-till-video, första-och-sista-bildruta, flera nyckelbildrutor, omni-referens och riktad redigering, på 3 till 30 sekunder och 720p till 4K. Den säljs via Kling-appen och webbplatsen, med ett API som Kuaishou började öppna i omgångar från och med den 21 oktober och vars prislista för utvecklare fortfarande märker modellen som "Coming Soon" med endast förhandspriser.

Kandinsky 6.0 Video är den motsatta sortens artefakt. Sbers Kandinsky Lab släppte den 6 oktober 2026 som två checkpoints – Pro med 29B parametrar och Lite med 3B, plus en separat superupplösningsmodell på 1,4B – under MIT, med vikter på Hugging Face, kod på GitHub och integration från dag 0 i Diffusers, ComfyUI, FastVideo, SGLang och vLLM-Omni. Den genererar femsekundersklipp med 121 bildrutor och 24 fps, med synkroniserat 44,1 kHz-ljud och läppsynk, från en textprompt eller en referensbild.

Den ena är en tjänst som har en fördel när det gäller varaktighet. Den andra är en nedladdning som har en fördel när det gäller licens. Nästan varje praktisk skillnad mellan dem följer av den meningen.

Den enda direkta jämförelsen, ärligt läst

Kandinsky-artikelns mänskliga utvärdering är det närmaste man kommer en gemensam resultattavla, och den är värd att läsa noggrant eftersom det är ett labb som betygsätter sin egen nya modell mot en konkurrent som det själv har valt.

• Övergripande visuell kvalitet — Kling 2.6 ligger före, enligt artikelns egna bedömare.

• Visuell estetik — Kling 2.6 leder.

• Ljudkvalitet – Kling 2.6 ligger före.

• Ljud- och bildsynkronisering — Kling 2.6 ligger före.

• Ljudpromptföljning — Kandinsky 6.0 Video Pro väntar.

• Talkvalitet – Kandinsky 6.0 Video Pro ligger före, i linje med den rapporterade minskningen på 47 % av ordfelsfrekvensen för genererat tal efter efterträning med förstärkningsinlärning.

• Kamerakontroll i bild-till-video-med-ljud – Kandinsky 6.0 Video Pro ligger i framkant.

• Visuell promptföljning — ungefär lika.

Tre saker följer. För det första utklassade den nyare modellen inte den äldre, vilket är ovanligt för ett labs egen utvärdering och värt att ge erkännande. För det andra samlas Kandinskys vinster där arkitekturen är ovanlig – den avbrusar video- och ljudlatenter gemensamt genom en enda transformer i stället för att köra två modeller i följd – och det syns i följsamhet mot tal- och ljudprompter mer än i rå bildkvalitet. För det tredje säger jämförelsen ingenting om Kling 4.0, vars hela säljargument är bättre realism, stadigare storskaliga rörelser och renare läppsynk. Det är precis de kolumnerna där dess föregångare redan ledde.

Om du vill att jämförelsen ska vara verklig snarare än härledd, är den saknade artefakten en oberoende arenakörning där båda modellerna ingår. Ingen av dem har en sådan mot den andra idag.

Specifikationsgapet som avgör de flesta jobb

• Klipplängd — Kling 4.0 går från 3 till 30 sekunder i en enda omgång, och en förlängning mot 2 minuter listas som kommande. Kandinsky 6.0 Video är tränad på 121 bildrutor och genererar 5 sekunder. Allt längre är ett skarvningsproblem som du själv får ansvara för.

• Upplösning — Kling 4.0 levereras i 720p, 1080p och 4K, med 10-bitars HDR vid 1080p och 4K märkt "kommer snart" i Kuaishous egen versionsinformation. Kandinsky genererar i SD och skalar upp via sin 1,4B superupplösningsmodell till Full HD, 1920×1080, med faktorerna ×2, ×2,25 och ×4.

• Kontrollindata – Kling 4.0 tar upp till 10 nyckelbildrutor och en referensbudget på 15 poster fördelad över 10 bilder, 5 videor med en sammanlagd längd på högst 30 sekunder, röstreferenser och upp till 7 element. Kandinsky 6.0 Video tar en textprompt eller en enda referensbild, som tillämpas som en maskerad sista bildruta.

• Ljud — Kling 4.0 ger tvåkanalig stereo med läppsynk över nio språk och namngivna accenter. Kandinsky ger 44,1 kHz AAC med ljud på som standard; pipelinen returnerar synkroniserat tal, musik eller atmosfär även när du inte skickar några ljudparametrar.

• Promptlängd — Kling 4.0 accepterar upp till 8 000 tokens. Kandinskys recept för servering är utformat kring den bildtextsstil som modellen tränades på, lång, medel eller kort, inte ett öppet manus.

• Licens — Kling 4.0 är sluten och styrs av Kuaishous villkor. Kandinsky 6.0 Video är MIT för kod, vikter och Diffusers-integrationen.

Den där sista raden gör mer arbete än vad dess längd antyder. En 30-sekunders stängd modell och en 5-sekunders MIT-modell är inte utbytbara mot varandra även när deras bildkvalitet ligger nära, eftersom den ena begränsar vad du kan bygga och den andra begränsar vad du kan generera.

Vad var och en kostar, i den enhet som faktiskt fakturerar

Kuaishous utvecklarprissida listar Kling 4.0 till 1,5 enheter per sekund vid 1080p, vilket den omvandlar till 0,235 USD per sekund, och 1,0 enhet, 0,157 USD per sekund, vid 720p. Det finns ingen 4K-taxa – kolumnen anger "-". Med videoindata sjunker taxan till 0,094 USD per sekund vid 720p och 0,141 USD vid 1080p, men debiteringen räknar utdatans varaktighet gånger två när indatan är kortare än utdatan. Sidan säger också att siffrorna är "endast för förhandsgranskning" och att API-åtkomst "ännu inte är tillgänglig", vilket står illa tillsammans med Kuaishous tillkännagivande den 21 oktober att API:et hade lanserats för företagskunder och utvecklare. Sammantaget är det rimliga påståendet att API:et öppnas i etapper och att det inte finns någon offentlig, stabil prislista den 23 oktober.

Till förhandsgranskningspriset kostar ett femsekunders 720p-klipp cirka 0,79 USD och ett 30-sekunders cirka 4,71 USD. Det är siffran som du bör rimlighetskontrollera eventuella offerter från tredjepartsåterförsäljare mot, eftersom återförsäljarnas priser ändras oberoende av Kuaishous.

Kandinsky 6.0 Video har inget pris per sekund eftersom det inte finns någon leverantörsendpoint att köpa från. Dess kostnad är GPU-tid, och repositoriet publicerar uppmätta siffror för ett femsekundersklipp efter uppvärmning, exklusive modellinläsning och kodning: Pro i Full HD tar 402 sekunder på en H100, 854 på en RTX 5090, 1 247 på en RTX 4090 och 3 530 på en RTX 5060 Ti. Lite i Full HD tar 284 sekunder på en H100. Till vilken H100-taxa du än råkar betala är 402 sekunder 6,7 minuter av det kortet per femsekundersklipp — multiplicera igenom och räkningen är din att göra, eftersom leverantören inte säljer resultatet till dig och därför inte publicerar något pris för det.

Minnevärnet är det andra numret som avgör om självhosting är verkligt för dig. En Pro SD-körning toppar på 72,8 GiB, vilket överskrider varje konsumentkort. Repots 16 GB-förval strömmar transformerblock från värdminnet och kvantiserar textkodaren till NF4 – och rapporten är tydlig med att detta är den enda förvalsändringen som ändrar själva clipet. Om du återskapar någons utdata på ett 16 GB-kort och det inte matchar, är den inställningen det första du bör kontrollera.

Vad du kan kalla i dag, och hur det formar beslutet

Här är asymmetrin som betyder mer än något benchmark: Kling 4.0 går att nå via Kuaishous egen app och, i allt högre grad, deras API, medan Kandinsky 6.0 Video nås genom att ladda ner det. Ingen av dem är ett drop-in-anrop från ett routinglager.

Det som OrcaRouter faktiskt routar är den generation Kling 4.0 ersätter. Kling 3.0 finns i katalogen för $0.084 per begäran, och MiniMax H3 finns där för $0.08 per sekund genererad video, båda på samma OpenAI-kompatibla endpoint som fler än 200 modeller, till leverantörens listpris med 0 % påslag. Det har betydelse för en självhostad modell på ett sätt som det inte har för en som hostas: promptutvidgningspasset som förvandlar en scenbeskrivning till den långa bildtext som Kandinsky tränades på, bildtexts- och transkriberingsarbetet som matar en bildinmatning, granskningssammanfattningarna som avgör vilken av fyra generationer som ska behållas — det är vanliga textanrop, och de kan dela en nyckel och en failover-policy medan det tunga videoarbetet körs var du än placerar det. Kandinsky i sig är inte en OrcaRouter-rutt, och inget här bör läsas som ett påstående om att det är det.

Vilken hör hemma i din stack?

Beslutet hänger inte på kvaliteten, eftersom ingen har mätt den rättvist. Det hänger på tre frågor som du själv kan besvara.

Behöver du en tagning som är längre än fem sekunder? Då Kandinsky 6.0 Video är borta ur leken för den tagningen, och ingen mängd MIT-licensiering ändrar på det – du skulle behöva sy ihop det, och ihopsättning kostar dig den temporala koherens som modellen är bra på.

Behöver du äga vikterna, köra offline, finjustera eller leverera inuti en produkt där en leverantörsfaktura per anrop är oacceptabel? Då Kling 4.0 är utesluten oavsett dess datablad, eftersom ett stängt API är ett beroende, inte en tillgång.

Behöver du fatta beslutet den här veckan med en budget som någon kan skriva under? Då är ingen av dem okomplicerad. Kling 4.0:s API är mitt i utrullningen med preliminära priser, och Kandinskys verkliga kostnad är en GPU-timssiffra som du måste räkna om till din egen infrastruktur. De modeller du kan prissätta och anropa i dag är förra generationen på båda håll – Kling 3.0 via Kuaishou eller en router, Kandinsky 6.0 Video från Hub.

Det man ska hålla utkik efter är inte en specifikation. Det är huruvida någon kör båda modellerna på samma prompter och publicerar resultatet – ett oberoende arenainlägg, ett labb som inte äger någon av modellerna, eller en trovärdig uppsättning sida-vid-sida-klipp med prompterna bifogade. Tills det finns är varje sida som rangordnar Kling 4.0 mot Kandinsky 6.0 Video med en vinnare att extrapolera från en jämförelse mot Kling 2.6 och hoppas att du inte märker det. Det användbara arbetet under tiden är snävare: välj den begränsning du inte kan flytta på, och låt den välja modellen.