การ์ดชื่อเรื่องสำหรับบทความที่เปรียบเทียบ Kandinsky 6.0 Video กับคู่ต่อสู้ที่ถูกเอ่ยชื่อไว้ โดยมีคำบรรยายรองว่า “หนึ่งในนั้นไม่มีอะไรจะพูด” พร้อมป้ายกำกับสนับสนุนสามป้ายที่นำมาจากหลักฐานของบทความเอง
Guides & Insights

Kandinsky 6.0 Video กับ Runway Gen-4.5: หนึ่งในนั้นไม่มีอะไรจะพูด

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

นี่คือการเปรียบเทียบที่ตัดสินได้ด้วยสเปกเพียงข้อเดียว และมันไม่ใช่สเปกด้านคุณภาพ Runway Gen-4.5 ไม่สร้างเสียง ไม่ใช่ในฐานะข้อจำกัดของโหมดใดโหมดหนึ่ง ไม่ใช่ในฐานะส่วนเสริมที่เลือกเปิดได้ — โมเดลนี้เรนเดอร์ภาพและไม่มีอะไรอย่างอื่น และทุกการตัดสินใจเรื่องเสียงที่ตามมาหลังจากนั้นเป็นของคุณ Kandinsky 6.0 Video ซึ่งเปิดซอร์สโดย Kandinsky Lab ของ Sber เมื่อวันที่ 6 ตุลาคม 2026 ภายใต้สัญญาอนุญาต MIT ในขนาด Lite 3B และ Pro 29B สร้างเสียง 44 kHz พร้อม lip-sync ในรอบเดียวกับการสร้างภาพ และถือว่าการสร้างร่วมกันเช่นนี้เป็นเหตุผลทั้งหมดของการมีอยู่ของมัน ดังนั้นก่อนจะเถียงกันเรื่องคุณภาพการเคลื่อนไหวหรือราคา การจับคู่นี้จะแยกทางกันที่ว่าชิ้นงานที่ส่งมอบจำเป็นต้องมาพร้อมเสียงหรือไม่ หากจำเป็น ก็ไม่มีการเปรียบเทียบให้ต้องทำ หากไม่จำเป็น ส่วนที่เหลือของหน้านี้คือการเปรียบเทียบ

ในจุดที่ทั้งสองทับซ้อนกันจริง

ถ้าตัดเรื่องเสียงออก ส่วนที่ทับซ้อนกันก็แคบกว่าที่ชื่อเสียงที่แตกต่างกันชี้ให้เห็น ไม่มีโมเดลไหนวางแผนช็อตเลย Runway Gen-4.5 เรนเดอร์ทีละคลิป โดยไม่มีโหมดสตอรีบอร์ดแบบหลายช็อต และ Kandinsky 6.0 Video มีเพียงเทคต่อเนื่องเดียว — ห้าวินาที 121 เฟรมที่ 24 fps ไม่มีแนวคิดเรื่องการตัดต่อ ไม่มีโหมดขยายในเวอร์ชันที่เปิดตัว ไม่มีตัวไหนมอบลำดับให้คุณ ทั้งคู่ถูกสั่งให้ทำทีละช็อต และคุณเป็นคนนำทั้งคู่มาต่อกัน

ทั้งสองยังถูกใช้งานด้วยวิธีเดียวกัน นั่นคือพรอมป์ต์ข้อความหรือภาพนิ่ง โดยมีการสร้างซ้ำแบบวนซ้ำเป็นวิธีการทำงานจริง Runway Gen-4.5 อยู่ในตลาดตั้งแต่เดือนธันวาคม 2025 พร้อม API แบบอะซิงโครนัสและ UI ที่ผู้คนจำนวนมากสร้างความเคยชินไปแล้ว ส่วน Kandinsky 6.0 Video เปิดตัวเมื่อวันที่ 6 ตุลาคม 2026 พร้อมเช็กพอยต์และการผสานรวม diffusers ซึ่งหมายความว่าลูปคือสคริปต์ Python แทนที่จะเป็นแท็บเบราว์เซอร์ — การใช้งานต่างกัน แต่รูปแบบงานเดียวกัน

สิ่งที่ทำให้ทั้งสองแตกต่างกันนอกเหนือจากนั้นคือความยาว ความละเอียด คอนเทนเนอร์ และมิเตอร์ ความยาวคลิปคือสิ่งที่เห็นได้ชัดที่สุด: Runway Gen-4.5 ครอบคลุม 2 ถึง 10 วินาทีต่อการสร้างหนึ่งครั้ง ดังนั้นจังหวะที่ยาวขึ้นจึงยังใช้คำขอเดียว ในขณะที่ Kandinsky 6.0 Video ต้องเรนเดอร์ 5 วินาทีสองครั้งแล้วนำมาต่อกัน นั่นเป็นข้อได้เปรียบจริงสำหรับช็อตปูฉาก การคงภาพ และสิ่งใดก็ตามที่มีการเคลื่อนกล้องช้า และมันอยู่ฝั่งภาพของบัญชี ซึ่งเป็นจุดที่หลักฐานที่เผยแพร่ของ Kandinsky อ่อนแอที่สุด

มิเตอร์เครดิตที่แปลงเป็นนาฬิกา

Runway Gen-4.5 คิดค่าบริการ 12 เครดิตต่อวินาที ซึ่งตามราคาที่ประกาศคือ $0.12 ต่อวินาที — คลิป 720p ความยาว 10 วินาทีราคา $1.20 มีค่าเสริมอีกสองรายการที่ควรรู้ก่อนจัดงบประมาณ: การส่งออกเป็น ProRes หรือ PNG เพิ่ม 5 เครดิตต่อวินาที และ HDR เพิ่มอีก 20 เครดิต ซึ่งจะกลายเป็น 40 เครดิตต่อวินาทีเมื่อเกินประมาณสี่เมกะพิกเซล นั่นคือตัวเลขที่คุณต้องนำไปคูณเมื่อสิ่งส่งมอบเป็นไฟล์ที่พร้อมสำหรับการเกรดสี ไม่ใช่ไฟล์สำหรับแชร์

Kandinsky 6.0 Video ไม่มีอัตราค่าบริการใด ๆ เลย เพราะไม่มีอะไรต้องจัดหา สิ่งที่มันมีคือต้นทุนฮาร์ดแวร์ที่คุณต้องจัดหาเอง และรายงานฉบับนี้ก็พูดถึงเรื่องนั้นอย่างละเอียดผิดปกติ: คลิป Pro Full HD ความยาวห้าวินาทีใช้เวลาประมวลผล 402 วินาทีบน H100, 854 วินาทีบน RTX 5090 และ 1,247 วินาทีบน RTX 4090 จำเป็นต้องทำ block offloading เมื่อการจัดสรรหน่วยความจำสูงสุดต่ำกว่า 72.8 GiB และพรีเซ็ต VRAM 16 GB จะควอนไทซ์ text encoder เป็น NF4 ซึ่งเป็นการเปลี่ยนแปลงพรีเซ็ตเพียงอย่างเดียวที่รายงานระบุว่าส่งผลต่อตัวคลิปเอง ทั้งสองโมเดลทำงานที่ 24 fps โดย Runway ยังมีให้เลือก 25 fps ด้วย และทั้งคู่ทำงานได้กับสัดส่วนภาพหลายแบบ

ลองวางสองตัวนี้เทียบกันในหน่วยของเวลานาฬิกา ไม่ใช่หน่วยของเงิน Runway Gen-4.5 ขายเวลาการเรนเดอร์จริงให้คุณราวยี่สิบวินาทีต่อหนึ่งดอลลาร์ ส่วน Kandinsky 6.0 Video ไม่ได้ขายอะไรให้คุณเลย แต่กลับกินเวลาหกถึงยี่สิบเอ็ดนาทีของ GPU หนึ่งตัว ต่อทุกห้าวินาทีที่คุณเก็บไว้เป็นผลงาน — ซึ่งคุณต้องเอาไปเทียบกับราคาแบบตัดจำหน่ายของการ์ด ค่าไฟฟ้า และข้อเท็จจริงที่ว่าคุณเรนเดอร์ได้โดยไม่ต้องต่อเครือข่ายหรือเจอการจำกัดอัตรา

• ความยาว — Runway Gen-4.5: 2–10 วินาทีต่อการสร้างหนึ่งครั้ง Kandinsky 6.0 Video: 5 วินาที คงที่ที่ 121 เฟรม

• เสียง — Runway Gen-4.5: ไม่ได้สร้างขึ้น Kandinsky 6.0 Video: 44 kHz พร้อมลิปซิงค์ สร้างขึ้นร่วมกัน

• ความละเอียดและคอนเทนเนอร์ — Runway Gen-4.5: 720p ที่ 24/25 fps พร้อมตัวเลือกส่งออก ProRes หรือ PNG Kandinsky 6.0 Video: SD ที่ 512×768, Full HD 1920×1080 ผ่านขั้นตอน super-resolution ที่มีมาในตัว ไม่มีรูปแบบตัวกลาง

• โครงสร้างช็อต — Runway Gen-4.5: หนึ่งคลิปต่อคำขอ ไม่มีตัววางแผน Kandinsky 6.0 Video: เทคต่อเนื่องเทคเดียว ไม่มีตัววางแผน

• น้ำหนักโมเดล — Runway Gen-4.5: ปิด Kandinsky 6.0 Video: MIT, Lite และ Pro รวมโค้ดและ diffusers ไว้ด้วย

• หลักฐาน — Runway Gen-4.5: ผลงานสาธารณะและการใช้งานโดยบุคคลที่สามเป็นเวลาสิบเดือน Kandinsky 6.0 Video: การประเมินที่ผู้ขายจัดทำเองและการรันเบนช์มาร์กเทียบกับคู่เปรียบเทียบสองราย ซึ่งไม่มีรายใดถูกทำซ้ำจากภายนอก

Two-column scoreboard comparing Kandinsky 6.0 Video and Runway Gen-4.5 across six shared dimensions, with the vendor-vs-third-party sourcing line printed along the bottom.

ข้อโต้แย้งที่มีแหล่งอ้างอิงดีที่สุดต่อข้ออ้างของคานดินสกีเอง

Runway ไม่จำเป็นต้องเผยแพร่การเปรียบเทียบเพื่อให้มีจุดยืนที่แข็งแกร่งในที่นี้ เพราะรายงานของ Kandinsky ระบุข้อจำกัดของตัวเองไว้แล้ว ข้อจำกัดที่ประกาศไว้ ในคำพูดของตัวเอง: คลิปความยาวไม่เกินห้าวินาที; การสร้างพื้นฐานที่ความละเอียด SD โดยได้ Full HD ผ่าน super-resolution; และช่องว่างที่ยังเหลืออยู่เมื่อเทียบกับระบบ proprietary ที่แข็งแกร่งที่สุดในด้านคุณภาพภาพและคุณภาพเสียงโดยรวม Runway Gen-4.5 เป็นหนึ่งในระบบที่ประโยคนั้นกำลังชี้ไปถึง

เมื่อเทียบกับสิ่งนั้น ผลลัพธ์ของรายงานเอง ใน การประเมินโดยมนุษย์แบบเคียงข้างกัน — คู่จากพรอมป์ต์เดียวกัน คลิปที่ทำให้ไม่ระบุตัวตน การสุ่มตำแหน่งซ้าย/ขวา การสลับลำดับงาน ปิดเสียงแล้วเปิดเสียง ตัวเลือกผลเสมอ การรวมผลด้วยคะแนนเสียงข้างมาก การเปรียบเทียบแบบจับคู่ราว 200 คู่ขึ้นไปต่อเกณฑ์ — Kandinsky 6.0 Video Pro นั้นแข่งขันได้กับ Kling 2.6 และ Veo 3.1 Fast โดยมีจุดแข็งที่แตกต่างกันตามเกณฑ์ และตามหลัง MiniMax H3 กับ Dreamina Seedance 2.0 ในเกณฑ์ด้านภาพ ขณะที่ยังแข่งขันได้ในด้านคุณภาพเสียงและการซิงโครไนซ์เสียงกับภาพ การเรียนรู้แบบเสริมกำลังลดอัตราความผิดพลาดระดับคำของเสียงพูดที่สร้างขึ้นลง 47% บน VABench มันนำ LTX 2.5 ในด้านคุณภาพเสียงและความแม่นยำของการซิงก์ริมฝีปาก และเป็นรองในด้านการจัดแนวและความสามารถในการแสดงออกที่ตัดสินโดย VLM

Runway ไม่ปรากฏที่ใดเลยในรายการนั้น ไม่ว่าจะในทิศทางใดก็ตาม ไม่มีการเทียบแบบตัวต่อตัว ไม่มีเบนช์มาร์กที่ใช้ร่วมกัน และไม่มีบอร์ดอิสระใดที่ให้คะแนนทั้งสอง ใครก็ตามที่เผยแพร่ว่าฝ่ายใดชนะระหว่าง Runway Gen-4.5 กับ Kandinsky 6.0 Video ในด้านคุณภาพ กำลังอนุมานจากฐานหลักฐานสองชุดที่ไม่เกี่ยวข้องกัน โดยชุดหนึ่งคือผลงานสาธารณะสิบเดือน และอีกชุดหนึ่งคือรายงานโดยผู้เขียนแบบจำลองนั้น

คำถามเรื่องไปป์ไลน์ ซึ่งเป็นจุดที่เราเตอร์พิสูจน์คุณค่าของตัวเอง

ทั้งสองโมเดลนี้ไม่ได้ถูกกำหนดเส้นทางบน OrcaRouter และนั่นเป็นคำกล่าวเกี่ยวกับแค็ตตาล็อกของเรา มากกว่าจะเกี่ยวกับผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่ง: Runway Gen-4.5 ให้บริการผ่าน API ของ Runway เอง และ Kandinsky 6.0 Video เป็นเช็กพอยต์ที่คุณดาวน์โหลดไปรันเอง อย่างไรก็ตาม pipeline ที่สร้างบนโมเดลใดโมเดลหนึ่งจากสองนี้ ใช้การเรียกใช้ส่วนใหญ่ไปกับข้อความมากกว่าพิกเซล

ลองพิจารณาว่าท่อส่งข้อมูลเสียง-วิดีโอความยาวห้าวินาทีต้องการอะไรจริง ๆ บันทึกของช็อตหนึ่งต้องกลายเป็นคำบรรยายแบบมีโครงสร้างยาว ๆ ในแบบที่โมเดลเหล่านี้ถูกฝึกมา บทสนทนาต้องถูกเขียนขึ้นก่อนที่ขั้นตอน lip-sync จะลองทำได้ ต้องมีการตรวจสอบและเลือกหนึ่งจากหกตัวเลือกที่สร้างขึ้นของบีตเดียวกัน และการตรวจสอบนั้นคือการเรียกแบบข้อความเกี่ยวกับวิดีโอ จากนั้นก็มีส่วนที่ตัดสินว่าทั้งหมดนี้คุ้มค่าที่จะรันหรือไม่: การตัดสินใจเรื่องการเชื่อมต่อ บันทึกความต่อเนื่อง สคริปต์สำหรับคลิปถัดไป ทั้งหมดนี้เป็นข้อความ และทั้งหมดนี้รันบน เอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ครอบคลุมโมเดลกว่า 200 รุ่น ในราคาตามรายการของผู้ให้บริการโดยบวกกำไร 0% พร้อม DSL สำหรับกำหนดเส้นทางที่ทำให้ผู้ตรวจสอบแบบประหยัดและผู้ตรวจสอบแบบละเอียดเป็นโมเดลคนละตัวกันได้ที่จุดเรียกใช้เดียวกัน การหลอมรวมโมเดลช่วยได้ในแบบเฉพาะเจาะจงตรงนี้ — คำบรรยายที่เขียนโดยโมเดลหนึ่งและถูกวิพากษ์โดยอีกโมเดลหนึ่งมักจับรายละเอียดที่ถูกกุขึ้นซึ่งการทำรอบเดียวปล่อยผ่านไปได้ และเนื่องจากลูปรีเรนเดอร์นั้นยาว การสลับไปใช้ระบบสำรองอัตโนมัติคือความต่างระหว่างคำบรรยายที่ล้มเหลวซึ่งทำให้คุณเสียแค่การเรียกหนึ่งครั้ง กับการที่คุณต้องเสียคลิปนั้นไป

การตัดสินใจที่ถูกกล่าวไว้ในรูปของคำถามเกี่ยวกับเสียง

หากชิ้นงานที่เสร็จแล้วต้องมีบทสนทนา บรรยากาศ หรือการซิงก์ปากที่มาพร้อมกับภาพ Runway Gen-4.5 ก็ไม่ใช่ตัวเลือกอีกต่อไป และสิ่งที่เหลือให้เลือกก็มีเพียงว่าจะใช้โมเดลเสียง-วิดีโอตัวใด นั่นคือรายการสั้น ๆ และ Kandinsky 6.0 Video คือตัวเลือกแบบเปิดในรายการนั้น

หากเสียงถูกจัดการที่อื่น — ไม่ว่าจะโดยโมเดลแยกต่างหาก นักพากย์เสียง หรือไลบรารี — คลิปสิบวินาที, API ที่โตเต็มที่ และตัวเลือกการส่งออกของ Runway Gen-4.5 ก็ยังเป็นเครื่องมือทำงานที่แข็งแกร่งกว่าในปัจจุบัน และฐานหลักฐานของมันก็เก่ากว่าและแน่นหนากว่าของอีกฝ่าย สิ่งที่ต้องจับตาในกรณีนั้นไม่ใช่ผลเบนช์มาร์ก แต่คือว่า Runway จะปิดช่องว่างด้านเสียงได้หรือไม่ เพราะข้อกำหนดเพียงข้อเดียวนี้ในปัจจุบันคือข้อโต้แย้งเชิงโครงสร้างทั้งหมดสำหรับการนำเช็กพอยต์แบบเปิดใหม่เอี่ยมเข้าสู่ไปป์ไลน์การผลิตโดยให้อยู่เหนือโมเดลที่ผ่านการใช้งานมาแล้วสิบเดือน

Screenshot of the arXiv abstract page for paper 2610.05608, "Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation", showing the 4 October 2026 submission date and the abstract, which states that a built-in super-resolution model raises output to Full HD 1920x1080 and that the models generate 5-second clips with synchronized 44 kHz audio.Screenshot of the Hugging Face model card for kandinskylab/Kandinsky-6.0-Lite-5s-Diffusers, showing the MIT licence and the description of the family: Kandinsky 6.0 Video Lite at 3B and Pro at 29B parameters, both generating 5-second clips with synchronized 44 kHz audio including lip-sync in T2AV and I2AV modes.

ในจุดที่การเรียก caption และ review อยู่ การหลอมรวมโมเดลช่วยจับรายละเอียดที่ถูกกุขึ้นที่การประมวลผลเพียงรอบเดียวปล่อยผ่านไป

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube