Titelkort med texten "WeMM-Video-9B vs Kandinsky 6.0 Video" och underrubriken "Båda öppna, ingen av dem uppmätt", två paneler åtskilda av en vs-skiva: den vänstra med rubriken WeMM-Video-9B, en "Apache 2.0"-badge och rader med "9B dense reader", "19,54 GiB BF16", "16 bildrutor vid 2 fps", "två videor per förfrågan", "returnerar text"; den högra med rubriken Kandinsky 6.0 Video, en "MIT-licens"-badge och rader med "29B Pro, 3B Lite", "5 s, 121 bildrutor, 24 fps", "44,1 kHz-ljud i samma pass", "inget förlängningsläge", "cirka 7 min H100 per klipp".
Guides & Insights

WeMM-Video-9B vs Kandinsky 6.0 Video: Båda öppna, ingen av dem uppmätt

Författare

jinhao.song

Publiceringsdatum

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

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.

Det som följer behandlar de två utgåvorna som det de är: en produktionsklar öppen modell med ett ekosystem, och en forskningsrelease med en artikel. Båda beskrivningarna är komplimanger och båda är begränsningar, och ordningen du läser dem i avgör vilken du bör ladda ner.

Fem sekunder är den tränade längden

Kandinsky 6.0 Video producerar femsekundersklipp, och det viktiga ordet är "tränad", inte "standard". Fem sekunder vid 121 bildrutor är den längd modellen har lärt sig; att begära mer är inte en inställning, det är extrapolering, och Sber framställer det inte som något annat. Inom dessa fem sekunder får du 44 kHz-ljud genererat i samma pass med läppsynkronisering, vilket är en genuint ovanlig förmåga under den här licensen och i den här storleken.

Driftsättningsytan är den del som tydligast skiljer de två utgåvorna åt. Redan dag ett levererade Kandinsky 6.0 Video ett Diffusers-paket, en kommandoradsingång, två ComfyUI-noder och två Spaces. Sedan mergade en extern bidragsgivare pull request 8537 i vLLM-Omni, genom att registrera pipelinen som Kandinsky6TI2VAPipeline och tillhandahålla text-till-video-och-ljud samt bild-till-video-och-ljud från en enda 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, där både native_inference_validated och native_low_precision_gemm_validated är false.

• AWQ W4A16, 12,86 GiB — quantized_unvalidated.

• NVFP4 W4A16, 13,07 GiB — cpu_NVFP4_weight_artifact_independently_reread, med inbyggd FP4 GEMM, PRO5000-inferens och vLLM-validering alla satta till false, samt ett numeriskt intygande av genomsnittlig relativ RMSE 0,095 mot en gräns på 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.

Fyra komprimerade byggen, alla inom 0,42 GiB från varandra, och ingen av dem är validerad för nativ inferens. Jämför det med Kandinsky 6.0 Video, där MIT-licensen och fyra oberoende frontender innebär att valideringsproblemet redan har fördelats på personer som inte är 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.'

Nitton och en halv gigabyte, specificerat

WeMM-Video-9B kompenserar för sin tunna driftsättningsbeskrivning med en ovanligt fullständig redogörelse för sig själv. Parametrantalet är 10 488 603 384 fördelat över 1 305 tensorer. Uppdelningen är publicerad: 7,94B språkstomme inklusive en tokeninbäddning på 1,02B, ett icke viktbundet utmatningshuvud på 1,02B, ett ljudtorn på 1,08B — 32 Whisper-liknande lager med bredd 1 280 bakom en tvålagers Q-Former, tio ljudtokens per sekund — och ett visionstorn på 0,46B med 27 block, dold dimension 1 152, patch 16, 2×2 spatial sammanslagning.

Endast det täta FFN:et kvantiseras i de komprimerade byggena: 96 språkmatriser, tre per lager över 32 lager på 4 096 gånger 12 288, vilket är 4 831 838 208 element av 10,49 miljarder. Attention återställs till BF16 – 152 projektionsmatriser plus 32 inputnormer, alla med SHA-256-hashar – och 1 209 tensorer förblir bitexakta. Ungefär 3,57 miljarder parametrar, cirka 7,1 GB, från visionstornet, ljudtornet, embedding och output head går aldrig in i kvantiseraren alls. Det är därför AWQ sparar 34 % jämfört med BF16 i stället för de 70 % som namnet antyder.

Inget av detta säger dig huruvida modellen är bra. Det säger dig att utgåvan är granskningsbar, vilket är en annan och underskattad dygd.

Ingen av dem har en oberoende poäng

Kandinsky 6.0 Video finns inte med på någon av de tre videotavlorna från Artificial Analysis. Det gör inte heller WeMM-Video-9B. De två frånvarona har olika orsaker, och skillnaden spelar roll.

Kandinsky 6.0 Video har inget bidrag till arenan, och text-till-video-tavlan kräver ett API-pris innan den listar en modell – fem sekunder av utdata med öppna vikter utan kommersiell taxa har ingen rad att fylla. WeMM-Video-9B kan inte rankas i en djupare mening: tavlorna poängsätter genererat filmmaterial, och den genererar text.

Vad varje labb erbjuder i stället är sin egen utvärdering, och båda bör läsas med samma skepsis.

• Kandinsky 6.0 Video — leverantörsrapporterade VABench-resultat plus en mänsklig utvärdering som utförts av labbet, cirka 200 parvisa jämförelser per kriterium. Dessutom en rapporterad minskning på 47 % av ordfelsfrekvensen för genererat tal efter RL-efterträning. Den sista siffran behöver en varningsflagga: den mättes med Whisper-large-v3, medan VABench-WER-siffran som den jämförs med använder Qwen3-ASR-1.7B. Två olika igenkännare, två olika felkvoter, ingen giltig subtraktion. Förbättringen kan mycket väl vara verklig; siffran som presenteras är inte jämförbar.

• WeMM-Video-9B — författarnas egen testram, med uppgift om att "officiella resultat där sådana finns och annars våra egna utvärderingar". I tänkläge på kombinerade ljud- och bilduppgifter slår den Qwen3-Omni-30B-A3B-Instruct på 35 av 37 gemensamma mätvärden, bland annat Video-MME med ljud 85,1 mot 77,3 och SciVideoBench 64,2 mot 49,9, och förlorar ett, FutureOmni med 53,7 mot 55,1. På tyst video mot sin Qwen3.5-9B-basmodell vinner den på F-16-NBA 88,7 mot 75,8 och TimeLens, och förlorar på MLVU, LVBench, VideoVista, VSI-Bench och MVBench.

Två öppna releaser, två självutvärderingar, ingen tredje part. Det är det ärliga aktuella läget för båda.

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.

Sexton bildrutor mot fem sekunder

Där de två gränserna möts är mer intressant än någon av dem för sig. WeMM-Video-9B levereras med ett vLLM-recept som åsidosätter dess egna processorstandardvärden – 2 fps, minst 4 bildrutor, högst 128, 100 663 296 pixlar – ned till 2 fps och 16 bildrutor vid 262 144 pixlar, samplade kring klippets mittpunkt. Sexton bildrutor vid två per sekund är åtta sekunders täckning, och varje serveringskommando skickar också en kontext på 8 192 token mot 262 144 positionsinbäddningar i arkitekturen.

• Kandinsky 6.0 Video — fem sekunder in, fem sekunder ut, 121 bildrutor, 44 kHz-ljud. En hårdtränad längd.

• WeMM-Video-9B — åtta sekunder samplad indata, text ut, med hela ljudspåret på upp till ungefär tretton minuter vid tio tokens per sekund.

• Skarvningen — ett fem sekunder långt Kandinsky-klipp ryms i WeMM-Video-9B:s åttasekundersfönster med tre sekunder till godo, vilket är den enda konfigurationen där det är okomplicerat att skicka ett genererat klipp till beskrivaren.

• Kostnaden för sammanfogningen — Sber rapporterar ungefär sju minuter H100-tid per Full-HD-klipp, så en femsekundersgenerering är en sju minuters reservering innan någon beskrivning äger rum på lokal hårdvara.

Routning efter klipplängd

Ingen av modellerna serveras via OrcaRouter, och det kommer inte heller att ske: båda är öppna vikter som du hostar själv. Det ett routningslager gör för en pipeline som den här är att avgöra vilket delsteg som körs var, och routnings-DSL:en är den ärliga platsen att lägga åttasekundersgränsen. Uttryck det som en policy – klipp under åtta sekunder till den lokala beskrivaren WeMM-Video-9B, längre klipp till en hostad omni-modell – och gränsen slutar vara en kommentar i en konfigurationsfil som ingen läser förrän ett sextiosekundersklipp kommer tillbaka beskrivet i åttasekundersfragment.

För den hostade delen av den policyn, ett API täcker över 200 modeller med 0 % påslag på leverantörens listpris, så en pipeline som omfattar en självhostad beskrivare och en hyrd sådan är fortfarande en enda faktura och en enda nyckel. Leverantörens prissänkningar når dig samma dag som de når leverantören, vilket spelar roll när den hostade halvan av din arbetsbelastning väljs utifrån pris.

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.

Ladda ner båda, eller ingen av dem

Om du vill ha en fungerande pipeline den här veckan är Kandinsky 6.0 Video svaret, och det är inte ens nära. MIT-licens, fyra driftsättningsytor från dag ett, synkroniserat 44 kHz-ljud med läppsynk och en tränad längd på fem sekunder som du kan planera utifrån. Du avstår från varaktighet och oberoende validering.

Om du vill ha en 9B omnimodal beskrivare som du kan granska är WeMM-Video-9B svaret, och granskningen är själva poängen: fullständig parameterredovisning, specificerad kvantiseringstäckning, ärliga statussträngar för fyra ovaliderade byggen. Du ger upp ett serveringskontrakt, ett ekosystem och alla bevis utöver författarnas egna tabeller.

Misstaget är att betrakta ”öppna vikter” som en enda egenskap. Ett av dessa släpp beter sig som en produkt med en licens kopplad till sig. Det andra beter sig som en artikel med en checkpoint kopplad till sig, och vilket du behöver beror helt på om du försöker leverera filmmaterial eller förstå det.