Titelkort med texten "WeMM-Video-4B vs Kandinsky 6.0 Video" och underrubriken "Två hårda tak", två paneler åtskilda av en vs-skiva, den vänstra med underrubriken "läser klipp" och en lista med 16 bildrutor samplade in, 8 192 token och Apache 2.0 bredvid en liten fönsterikon med bildtexten "indatatak", den högra med underrubriken "skapar klipp" och en lista med fem sekunder, 121 bildrutor och 44,1 kHz-ljud bredvid en stoppursikon med bildtexten "utdatatak", med en sidfot som lyder "Båda saknas på varje Artificial Analysis-videotavla, 20 november 2026."
Engineering & Research

WeMM-Video-4B vs Kandinsky 6.0 Video: Två hårda gränser

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Både Kandinsky 6.0 Video och WeMM-Video-4B är släpp med öppna vikter och tillåtande licenser, båda kom under de senaste två månaderna utan en marknadsföringskampanj värd namnet, och båda saknas på samtliga videolistor från Artificial Analysis. Det är vid den gemensamma osynligheten likheten slutar, och det som ersätter den är ett par tak som berättar mer om varje modell än någon benchmarkrad skulle göra. Kandinsky 6.0 Video skapar fem sekunder film med synkroniserat ljud och stannar sedan – fem sekunder är den tränade längden, inte ett standardvärde. WeMM-Video-4B läser ett klipp via sexton samplade bildrutor och stannar sedan, vilket är vad dess eget serveringsrecept anger gentemot ett processorstandardvärde på 128. Det ena taket gäller utdatans varaktighet, det andra indatans återgivning, och att välja mellan dem är att välja vilken sorts blindhet din pipeline kan överleva.

Ingen av modellerna har utvärderats oberoende. Sbers siffror är Sbers, Tencents är Tencents, och rubrikerna nedan håller den gränsen synlig i stället för att begrava den.

Ett femsekundstak och ett fönster på sexton bildrutor

Kandinsky 6.0 Video släpptes av Sbers Kandinsky Lab den 6 oktober 2026 under MIT, i två storlekar: Pro med 29 miljarder parametrar och Lite med 3 miljarder. Den tar en textprompt eller en referensbild och returnerar ett fem sekunder långt klipp med 44,1 kHz-ljud genererat i samma genomkörning, inklusive läppsynk. Rapporten och serveringsreceptet är båda uppbyggda kring 121 bildrutor vid 24 bildrutor per sekund, och det finns inget förlängningsläge i utgåvan. Allt längre är ett sammanfogningsproblem som du får hantera själv.

WeMM-Video-4B är mellanbarnet i en familj med fyra storlekar från Tencent WeChat Vision-gruppen, uppladdad den 17 november 2026 med den tekniska rapporten som följde den 19 november. Den har 5 611 746 312 parametrar – 10,45 GiB i BF16 – eftersom beteckningen "4B" syftar på dess Qwen3.5-4B-språkryggrad snarare än på checkpointen. Den tar emot text, bilder, video och ljud och returnerar text.

• Kandinsky 6.0 Video — utdatagräns: fem sekunder, 121 bildrutor, 24 fps, 44,1 kHz-ljud sammansvetsat med bilden.

• WeMM-Video-4B — indatagräns: 2 bildrutor per sekund samplas till högst 16 bildrutor, 262 144 pixlar totalt, inom en kontext på 8 192 token som ljudet förbrukar 10 token per sekund.

• Båda – gränsen finns i den levererade konfigurationen, inte i arkitekturen, och inget av repositorierna förklarar vad modellen skulle göra utan den.

Läser man de två tillsammans utkristalliserar sig ett arbetsflöde som ingen av leverantörerna dokumenterar: ett fem sekunder långt klipp som skickas till en beskrivare som samplar sexton bildrutor är ett klipp som samplas med ungefär tre bildrutor per sekund, vilket ligger över receptets egen nedre gräns på två per sekund. Det är den enda platsen där dessa två modeller passar ihop utan friktion, och det är värt att lägga märke till just för att det är av en slump.

Licenserna är den lätta delen den här gången.

För en gångs skull är den juridiska jämförelsen inte avgörande. Båda utgåvorna är permissiva och båda är korrekt dokumenterade på denna punkt, vilket är en lättnad efter ett år av Apple AMLR och icke-kommersiella demokomponenter.

• Kandinsky 6.0 Video — MIT för kod, vikter och diffusers-integrationen. Repot innehåller två ComfyUI-noder som kan installeras via ComfyUI Manager och två Hugging Face Spaces, en för Pro-distill-checkpointen och en för superupplösning.

• WeMM-Video-4B — Apache 2.0 för hela samlingen, med en Tencent-licensfil som anger att tredjepartskomponenter fortsatt omfattas av sina ursprungliga villkor. Undantaget specificeras inte, vilket är en verklig lucka snarare än en formalitet med tanke på att ljudstacken härstammar från Qwen2.5-Omni och stommen från Qwen3.5, båda Apache 2.0.

• Båda — kommersiell användning är tillgänglig, och ingen av leverantörerna publicerar en användningspolicy som begränsar den ytterligare. Om en juridisk granskning är det som blockerar dig, är det inte licensraden här; det är den icke-specificerade undantagsklausulen på T​encent-sidan.

Driftsättningsytan är där de skiljs åt.

Den skarpare skillnaden är inte licensen utan hur mycket någon annan redan har gjort åt dig, och gapet är tillräckligt stort för att ändra en tidslinje.

Kandinsky 6.0 Video anlände med ett diffusers-paket, en kommandorads­klient, två ComfyUI-noder och två Spaces redan första dagen. Sedan mergeade en extern bidragsgivare pull request 8537 i vLLM-Omni och registrerade pipelinen som Kandinsky6TI2VAPipeline där video- och ljudlatenter avbrusas gemensamt av en enda transformer, med vikter som laddas mapp för mapp från transformer/, vae/, text_encoder/, text_encoder_2/ och audio_vae/, och ett serveringsrecept på recipes/Kandinsky/Kandinsky6-TI2VA.md. Referensbildsbetingning appliceras som en maskad sista bildruta i stället för ett separat läge, så en enda pipeline betjänar både text-till-video-och-ljud och bild-till-video-och-ljud. Ljud är på som standard: en förfrågan utan ljudparametrar returnerar fortfarande synkroniserat tal, musik eller bakgrundsljud.

WeMM-Video-4B har den motsatta profilen. Varken vLLM eller SGLang stöder arkitekturen uppströms, och en sökning i vLLMs issue-tracker hittar ingen begäran om WeMM-Video. Det som repot i stället levererar är en patchkatalog — källkodsoverlägg med SHA-256-manifest för vLLM 0.18.0 och 0.31.0 samt SGLang 0.5.16 och 0.5.19, var och en låst till en specifik kombination av PyTorch, Transformers och CUDA 12.9, med Python 3.12, FFmpeg, CUDA 12 NPP i länkarens sökväg för TorchCodec, och en C++-verktygskedja plus Ninja eftersom SGLang kompilerar kärnor vid första användningen. GGUF-paketet riktar sig mot en inbyggd runtime som du kompilerar från repot i stället för llama.cpp, och Tencent betecknar den som exported_unvalidated.

Screenshot of vLLM-Omni pull request 8537, titled Kandinsky6 and merged on 6 October, describing a Kandinsky 6 TI2VA pipeline serving text-to-video-and-audio and image-to-video-and-audio, one DiT jointly denoising video and audio latents, weights loaded per Hub folder, audio on by default at 44.1 kHz and a reference image applied as a masked tail frame.

Den asymmetrin har en kostnad som du kan lägga in i ett schema. Kandinsky 6.0 Video är en container som talar HTTP i dag. WeMM-Video-4B innebär en dags arbete med verktygskedjan innan din första token, och den enda validering som T​encent hävdar är att en patchad vLLM laddade den på en H20 och slutförde genereringskontroller för text, bild, ljud och video med ljudspår — inga siffror för genomströmning, latens, minnesavtryck eller samtidighet.

Two-column contrast headed 'WeMM-Video-4B vs Kandinsky 6.0 Video', the left listing video and audio in with text out, 5.61B parameters, a 16-frame cap, patched vLLM or SGLang and Apache 2.0, the right listing text or image in with video and audio out, 29B Pro and 3B Lite, a five-second 121-frame cap, diffusers plus ComfyUI plus vLLM-Omni and MIT, with a footer reading 'Both are absent from every Artificial Analysis video board as of 20 November 2026.'Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an Image-to-video pipeline tag, Diffusers, Safetensors, Kandinsky6TI2VAPipeline and video-generation tags, a model card line reading License: mit, and a gated-access notice asking the visitor to accept conditions before the files can be downloaded.

Vad siffrorna säger, och vem som har sagt dem

Artificial Analysis driver tre videoledtavlor – text-till-video, bild-till-video och videoredigering – var och en med sin egen Elo-skala och egen röstpool. Läs alla tre den 20 november 2026: Kandinsky 6.0 Video finns inte med på någon av dem, och inte heller WeMM-Video-4B. Ingen av frånvarona är ett omdöme. Kandinsky 6.0 Video har ingen arenainlämning och tavlans rankning för text-till-video kräver ett API-pris för en normaliserad jämförelse, vilket en öppen checkpoint inte har; WeMM-Video-4B kan överhuvudtaget inte delta i en omröstning mellan två genererade klipp, eftersom det inte genererar några.

Det som återstår är leverantörernas eget arbete, och det mäter olika saker på olika skalor.

• Kandinsky 6.0 Video, kvalitet — leverantörsrapporterade resultat på VABench och en labbgenomförd mänsklig utvärdering mot Kling 2.6, Veo 3.1 Fast, MiniMax H3 och Seedance 2.0. Sber rapporterar också, i artikelns ablation, att den destillerade checkpoint som de förväntar sig att du ska servera föredras eller ligger lika på majoriteten av kriterierna, med en genomsnittlig preferens på 51 procent mot 49 procent — paritet, vid den hastighet du vill.

• Kandinsky 6.0 Video, audio — två ordfelsfrekvenssiffror i artikeln som inte är jämförbara. Minskningen på 47 procent som åtföljer förstärkningsinlärningssteget mäts med Whisper-large-v3, en av RL-belöningsmodellerna; den WER som rapporteras tillsammans med VABench använder Qwen3-ASR-1.7B på delmängden med tal. Författarna säger det själva, och att återge den ena som den andra är det lättaste misstaget att göra med den här utgåvan.

• WeMM-Video-4B, kombinerad ljud- och bild — Video-MME med ljud 83,9 mot Qwen3-Omni-30B-A3B-Instructs 77,3 och MiniCPM-o-4.5-9B:s 69,2; Video-MME v2 48,1 mot 36,3 och 28,1; Daily-Omni 82,5 mot 70,7 och 80,2, alla i Thinking-läge.

• WeMM-Video-4B, där den förlorar — MMAU 75,2 mot 80,4 för Qwen3.5-Omni-Flash och MMAR 67,3 mot 74,0, med en vinst på MMAU-Pro med 68,1 mot 64,8. Video-Holmes 58,8 mot 64,3 för MiniCPM-o-4.5-9B, och FutureOmni 50,9 mot 55,1 och 56,1.

Två förbehåll följer med WeMM-kolumnen. Artikeln anger inte antalet bildrutor, pixelbudgeten eller kontextlängden som användes för dess videoutvärderingar, vilket spelar roll eftersom det medföljande receptet använder sexton bildrutor där processorn har standardvärdet 128. Och läget ändras mellan tabellerna: Thinking för video, Instruct för ljud, Thinking igen för bild och text. Att jämföra en WeMM-rad för ljud mot en konkurrerande videorad är inte en jämförelse.

Väggklockstid, siffran som ingen anger

Kandinskys kodförråd publicerar siffran som avgör om en öppen videomodell är användbar på din hårdvara, och den är inte smickrande. Det här är den icke-distillerade basmodellens körtider för ett enda femsekundersklipp efter uppvärmning, där inläsning av vikter och MP4-kodning är exkluderade och Full HD innebär att superupplösningssteget också körs.

• Full HD, Pro — 402 sekunder på H100, 765 på RTX PRO 6000, 854 på RTX 5090, 1 106 på A100 80GB, 1 247 på RTX 4090, 3 530 på RTX 5060 Ti.

• Full HD, Lite — 284 sekunder på en H100, 387 på en RTX PRO 6000, 406 på en RTX 5090, 664 på en A100, 578 på en 4090, 1 774 på en 5060 Ti.

• SD, Pro — 356 sekunder på ett H100 mot 936 på ett 4090, där straffet för konsumentkort är minst.

Högsta allokerade minne vid en Pro SD-körning når 72,8 GiB, vilket överstiger alla konsumentkort, och därför tillhandahåller repot block offloading – två transformerblock ligger kvar i minnet och resten streamas från värdminnet – med förinställningar för 32, 24 och 16 GB. Förinställningarna för 32 och 24 GB är identiska eftersom utrymmet över 24 GB inte ger någon hastighetsvinst. Det dolda förbehållet är att textkodaren på 16 GB-förinställningen kvantiseras till NF4, och artikeln är tydlig med att detta är den enda förinställningsändringen som förändrar själva CLIP:en, med cirka 12 procent av pixlarna som skiljer sig med en ljusstyrkenivå vid ungefär 57 dB PSNR. Om du återger någon annans resultat på ett 16 GB-kort och det inte stämmer, kontrollera det först.

WeMM-Video-4B har ingen motsvarande tabell, och själva frånvaron är informativ. Tencent bekräftade att checkpointen laddas och genererar. En modell vars säljargument är video, men som bara beskrivs som ”den genererade”, lämnar hela kostnadssidan av ett driftsättningsbeslut till dig.

Kopplar ett textlager runt båda

Om du kör någon av dessa behöver den omgivande stacken samma tre saker, och ingen av dem är modellen. Promptutökning förvandlar en scenbeskrivning till den långa, medellånga eller korta bildtext som Kandinsky tränades på, eller till den fråga som WeMM ska svara på. Transkribering och bildtextning matar ett image-to-video-steg eller förbereder ett klipp för beskrivning. Granskningssammanfattningar avgör vilken av fyra generationer som ska behållas, vilket är det anrop du betalar för per kandidat i stället för per överlevare.

Det är vanliga textkompletteringar, och de är den del av den här stacken som OrcaRouter täcker: en OpenAI-kompatibel nyckel över fler än tvåhundra modeller, leverantörernas listpriser vidarebefordrade utan påslag så att en leverantörs prisändring slår igenom samma dag, och automatisk failover så att ett caption-steg som dör inte tar med sig en femminutersrendering. Ingen av modellerna finns på plattformen – katalogen har ingen Kandinsky-post och ingen WeMM-post, och inget routningslager förvandlar en viktnedladdning till en hostad endpoint. Det routern tar bort är integrationsarbetet runt de två modeller du själv hostar, plus ett sätt att hålla en andra leverantör bakom den första utan att skriva en andra klient.

Två tak, ett beslut

Fråga vilken begränsning du kan arbeta inom. Om du behöver filmmaterial med ljud och kan klippa i femsekundersenheter är Kandinsky 6.0 Video den mer kompletta utgåvan på alla områden utom rå kvalitet: MIT-licens, fyra driftsättningsytor, en H100-siffra som du kan planera en budget utifrån och en superupplösningskörning som gör Full HD till en verklig inställning i stället för ett påstående. Dess begränsning är längden, och längd är lätt att anpassa sig efter.

Om du behöver veta vad som finns i filmmaterial du redan har – vad som händer på skärmen och vad som hörs i ljudet – är WeMM-Video-4B den enda av de två som kan svara, och dess begränsning är trohet: sexton samplade bildrutor och åttatusen token är vad det levererade receptet ger dig, och långvideo-benchmarkraderna producerades under förhållanden som artikeln inte beskriver.

Det som ingen av versionerna erbjuder är det som skulle göra jämförelsen billig: en siffra från någon som inte skrev artikeln. Båda är öppna, båda har tillåtande licenser och båda är osynliga för varje topplista som skulle avgöra saken. Tills en av dem mäts oberoende är taket i respektive kodförråd det mest tillförlitliga faktum som någon av leverantörerna har publicerat.