Kling 4.0 กับ Kandinsky 6.0 Video: การเปรียบเทียบแบบตัวต่อตัวที่ยังไม่มีใครเคยทำ

การประเมินโดยมนุษย์ที่เผยแพร่แล้วเพียงรายการเดียวที่วางKling 4.0 และ Kandinsky 6.0 Video ไว้ในห้องเดียวกันนั้นไม่มีอยู่จริง สิ่งที่มีอยู่คือบทความวิจัยจากห้องแล็บของ Kandinsky เอง ที่ส่งไปยัง arXiv เมื่อวันที่ 4 ตุลาคม 2026 ซึ่งเปรียบเทียบ Kandinsky 6.0 Video Pro กับKling 2.6 — ล้าหลังโมเดลที่ Kuaishou เปิดให้ทุกคนใช้งานเมื่อวันที่ 15 ตุลาคมอยู่สองรุ่น ช่องว่างดังกล่าวคือจุดเริ่มต้นที่ตรงไปตรงมาสำหรับการเปรียบเทียบครั้งนี้ และมันชี้ไปในทิศทางที่หน้าเปรียบเทียบส่วนใหญ่มองข้าม: ในคอลัมน์ที่บทความวิจัยวัดผลจริงนั้น Kling รุ่นเก่าชนะไปหลายรายการอย่างชัดเจน ข้อกล่าวอ้างของ Kuaishou เกี่ยวกับ 4.0 ในคอลัมน์เหล่านั้นโดยตรงคือสิ่งที่ยังไม่มีใครตรวจสอบ

ดังนั้นนี่ไม่ใช่หน้าที่จะบอกคุณว่าโมเดลไหนดีกว่า เพราะหลักฐานที่จะยืนยันเช่นนั้นยังไม่มีอยู่จริง นี่คือหน้าที่ว่าด้วยแต่ละตัวถูกสร้างขึ้นมาเพื่อทำอะไรจริง ๆ การทดสอบเปรียบเทียบโดยตรงเพียงครั้งเดียวที่แท้จริงพบอะไร และในสองตัวนี้ คุณสามารถนำตัวไหนไปใส่ในไปป์ไลน์ได้ในสัปดาห์นี้

ผลิตภัณฑ์สองชนิดที่เพียงแต่ดูคล้ายกัน

Kling 4.0 เป็นเครื่องมือสร้างแบบปิดที่คิดค่าบริการเป็นเครดิตจาก Kuaishou โมเดลเต็มรูปแบบรองรับการแปลงข้อความเป็นวิดีโอ การแปลงภาพเป็นวิดีโอ เฟรมแรกและเฟรมสุดท้าย หลายคีย์เฟรม การอ้างอิงแบบรอบด้าน และการแก้ไขแบบเจาะจง ที่ความยาว 3 ถึง 30 วินาที และความละเอียด 720p ถึง 4K จำหน่ายผ่านแอปและเว็บไซต์ Kling พร้อม API ที่ Kuaishou เริ่มเปิดให้ใช้งานเป็นระยะๆ ตั้งแต่ 21 ตุลาคม และเอกสารราคาสำหรับนักพัฒนาของ API ยังคงระบุโมเดลนี้ว่า "Coming Soon" โดยมีเฉพาะราคาพรีวิวเท่านั้น

Kandinsky 6.0 Videoเป็นอาร์ติแฟกต์อีกประเภทหนึ่งที่ตรงกันข้าม Kandinsky Lab ของ Sber เปิดตัวเมื่อวันที่ 6 ตุลาคม 2026 ในรูปแบบเช็กพอยต์สองตัว — Pro ที่มีพารามิเตอร์ 29B และ Lite ที่ 3B พร้อมโมเดลซูเปอร์เรโซลูชันแยกต่างหากขนาด 1.4B — ภายใต้ MIT โดยมีเวตบน Hugging Face โค้ดบน GitHub และการผสานรวมตั้งแต่วันแรกใน Diffusers, ComfyUI, FastVideo, SGLang และ vLLM-Omni โดยสร้างคลิปความยาวห้าวินาทีที่ 121 เฟรมและ 24 fps พร้อมเสียง 44.1 kHz และลิปซิงก์ที่ซิงโครไนซ์ จากพรอมต์ข้อความหรือภาพอ้างอิง

อันหนึ่งคือบริการที่มีข้อได้เปรียบด้านระยะเวลา อีกอันคือการดาวน์โหลดที่มีข้อได้เปรียบด้านไลเซนส์ ความแตกต่างในทางปฏิบัติเกือบทุกอย่างระหว่างสองสิ่งนี้ล้วนเป็นผลมาจากประโยคนั้น

การเปรียบเทียบกันตรง ๆ ครั้งเดียว อ่านตามความเป็นจริง

การประเมินโดยมนุษย์ในบทความของ Kandinsky ถือเป็นสิ่งที่ใกล้เคียงที่สุดกับกระดานคะแนนที่ใช้ร่วมกัน และควรอ่านอย่างละเอียด เพราะเป็นการที่ห้องแล็บแห่งหนึ่งกำลังให้คะแนนโมเดลใหม่ของตัวเองเทียบกับคู่แข่งที่มันเลือกเอง

• คุณภาพภาพโดยรวม — Kling 2.6 นำอยู่ ตามที่ผู้ประเมินของบทความเองระบุ

• ความสวยงามด้านภาพ — Kling 2.6 นำอยู่

• คุณภาพเสียง — Kling 2.6 เหนือกว่า

• การซิงโครไนซ์เสียงและวิดีโอ — Kling 2.6 เหนือกว่า

• การทำตามพรอมต์เสียงได้ดี — Kandinsky 6.0 Video Pro นำอยู่ข้างหน้า

• คุณภาพเสียงพูด — Kandinsky 6.0 Video Pro นำหน้า ซึ่งสอดคล้องกับรายงานการลดลง 47% ของอัตราความผิดพลาดระดับคำในเสียงพูดที่สร้างขึ้น หลังการฝึกล่วงหน้าด้วยการเรียนรู้แบบเสริมกำลัง

• การควบคุมกล้องในฟีเจอร์แปลงภาพเป็นวิดีโอพร้อมเสียง — Kandinsky 6.0 Video Pro ที่กำลังจะมาถึง

• การทำตามพรอมต์ภาพ — พอๆ กัน

มีสามประเด็นตามมา ประการแรก โมเดลใหม่ไม่ได้เอาชนะรุ่นเก่าแบบขาดลอย ซึ่งเป็นเรื่องผิดปกติสำหรับการประเมินโดยแล็บเอง และควรค่าแก่การยกย่อง ประการที่สอง ชัยชนะของ Kandinsky กระจุกตัวอยู่ในจุดที่สถาปัตยกรรมมีความแปลกใหม่ — มันลดสัญญาณรบกวนเลเทนต์ของวิดีโอและเสียงร่วมกันผ่านทรานส์ฟอร์เมอร์ตัวเดียว แทนที่จะรันสองโมเดลตามลำดับ — และสิ่งนี้สะท้อนออกมาในการทำตามพรอมป์เสียงพูดและเสียงมากกว่าคุณภาพภาพล้วน ๆ ประการที่สาม การเปรียบเทียบนี้ไม่ได้บอกอะไรเกี่ยวกับ Kling 4.0 ซึ่งจุดขายทั้งหมดของมันคือความสมจริงที่ดีขึ้น การเคลื่อนไหวขนาดใหญ่ที่นิ่งกว่า และการซิงก์ริมฝีปากที่เนียนกว่า ด้านเหล่านี้คือด้านที่รุ่นก่อนหน้าของมันนำอยู่แล้วพอดี

หากคุณต้องการให้การเปรียบเทียบนี้เป็นของจริง而不是การอนุมาน สิ่งที่ยังขาดอยู่คือการรันบนอารีนาอิสระที่มีทั้งสองโมเดลอยู่ด้วยกัน วันนี้ยังไม่มีฝ่ายใดมีการรันแบบนั้นที่เอาทั้งสองโมเดลมาเทียบกันโดยตรง

ช่องว่างของสเปกที่ตัดสินงานส่วนใหญ่

• ความยาวคลิป — Kling 4.0 สร้างได้ 3 ถึง 30 วินาทีในการทำงานครั้งเดียว โดยมีฟีเจอร์ขยายไปถึง 2 นาทีที่ระบุว่าเร็ว ๆ นี้ Kandinsky 6.0 Video ถูกฝึกด้วย 121 เฟรมและสร้างวิดีโอ 5 วินาที หากยาวกว่านั้นถือเป็นปัญหาการต่อคลิปที่คุณต้องรับผิดชอบเอง

• ความละเอียด — Kling 4.0 มีให้ใช้ที่ 720p, 1080p และ 4K โดย 10-bit HDR ที่ 1080p และ 4K ถูกระบุว่า "เร็ว ๆ นี้" ในบันทึกการเปิดตัวของ Kuaishou เอง Kandinsky สร้างที่ SD และอัปสเกลผ่านโมเดลซูเปอร์เรโซลูชันขนาด 1.4B เป็น Full HD, 1920×1080 ด้วยปัจจัย ×2, ×2.25 และ ×4

• อินพุตควบคุม — Kling 4.0 รองรับคีย์เฟรมสูงสุด 10 เฟรม และโควตาการอ้างอิง 15 รายการ ซึ่งแบ่งเป็นรูปภาพ 10 รูป, วิดีโอ 5 คลิป (รวมกันไม่เกิน 30 วินาที), การอ้างอิงเสียง และองค์ประกอบสูงสุด 7 องค์ประกอบ Kandinsky 6.0 Video รับข้อความพรอมต์หรือรูปภาพอ้างอิงเพียงรูปเดียว โดยใช้เป็นเฟรมท้ายที่ถูกมาสก์

• เสียง — Kling 4.0 ส่งออกเสียงสเตอริโอสองช่องสัญญาณพร้อมการซิงก์ริมฝีปากในเก้าภาษาและสำเนียงที่มีชื่อเรียก Kandinsky ส่งออก AAC 44.1 kHz โดยเปิดเสียงเป็นค่าเริ่มต้น; ไปป์ไลน์จะส่งคืนเสียงพูด ดนตรี หรือเสียงแวดล้อมที่ซิงโครไนซ์แม้ในกรณีที่คุณไม่ส่งพารามิเตอร์เสียงใด ๆ

• ความยาวพรอมต์ — Kling 4.0 รองรับได้สูงสุด 8,000 โทเคน สูตรการให้บริการของ Kandinsky ถูกออกแบบโดยอิงตามสไตล์แคปชันที่โมเดลได้รับการฝึกมา ไม่ว่าจะแบบยาว ปานกลาง หรือสั้น ไม่ใช่สคริปต์แบบเปิดกว้าง

• สัญญาอนุญาต — Kling 4.0 เป็นแบบปิด อยู่ภายใต้ข้อกำหนดของ Kuaishou ส่วน Kandinsky 6.0 Video ใช้สัญญาอนุญาต MIT สำหรับโค้ด เวท และการผสานรวมกับ Diffusers

แถวสุดท้ายนั้นทำงานหนักกว่าที่ความยาวของมันบอกไว้มาก โมเดลปิด 30 วินาที กับโมเดล MIT 5 วินาที ใช้แทนกันไม่ได้ แม้คุณภาพภาพจะใกล้เคียงกัน เพราะตัวหนึ่งจำกัดสิ่งที่คุณสร้างได้ ส่วนอีกตัวจำกัดสิ่งที่คุณเจนเนอเรตได้

ค่าใช้จ่ายของแต่ละรายการ ในหน่วยที่ใช้เรียกเก็บเงินจริง

หน้าเพจราคาสำหรับนักพัฒนาของ Kuaishou ระบุว่า Kling 4.0 คิดราคา 1.5 หน่วยต่อวินาทีที่ความละเอียด 1080p ซึ่งแปลงเป็น 0.235 ดอลลาร์ต่อวินาที และ 1.0 หน่วยเป็น 0.157 ดอลลาร์ต่อวินาทีที่ 720p ไม่มีอัตราสำหรับ 4K — ช่องนั้นแสดงเป็น "-" เมื่อมีอินพุตวิดีโอ อัตราจะลดลงเหลือ 0.094 ดอลลาร์ต่อวินาทีที่ 720p และ 0.141 ดอลลาร์ที่ 1080p แต่การเรียกเก็บเงินจะนับระยะเวลาของเอาต์พุตคูณสองเมื่ออินพุตสั้นกว่าเอาต์พุต หน้าเพจยังระบุว่าตัวเลขเหล่านี้ "มีไว้เพื่อการพรีวิวเท่านั้น" และการเข้าถึง API "ยังไม่พร้อมใช้งาน" ซึ่งขัดกันอย่างน่าอึดอัดกับประกาศของ Kuaishou เมื่อวันที่ 21 ตุลาคมว่า API ได้เปิดใช้งานแล้วสำหรับลูกค้าองค์กรและนักพัฒนา เมื่ออ่านรวมกัน ข้อความที่เป็นธรรมคือ API กำลังเปิดแบบเป็นระยะ และยังไม่มีตารางราคาสาธารณะที่มั่นคง ณ วันที่ 23 ตุลาคม

{{1}}ในอัตราพรีวิว คลิป 720p ความยาวห้าวินาทีมีค่าใช้จ่ายประมาณ $0.79 และคลิปความยาว 30 วินาทีประมาณ $4.71{{/1}} นี่คือตัวเลขที่ใช้ตรวจสอบความสมเหตุสมผลของใบเสนอราคาจากผู้ขายต่อบุคคลที่สามรายใดก็ได้ เพราะอัตราของผู้ขายต่อเปลี่ยนแปลงอย่างเป็นอิสระจากอัตราของ Kuaishou

Kandinsky 6.0 Videoไม่มีราคาต่อวินาที เพราะไม่มีเอนด์พอยต์ของผู้ขายให้ซื้อได้ ต้นทุนของมันคือเวลา GPU และคลังโค้ดได้เผยแพร่ตัวเลขที่วัดได้สำหรับคลิปความยาวห้าวินาทีหนึ่งคลิปหลังวอร์มอัป โดยไม่รวมการโหลดโมเดลและการเข้ารหัส: Pro ที่ Full HD ใช้เวลา 402 วินาทีบน H100, 854 วินาทีบน RTX 5090, 1,247 วินาทีบน RTX 4090 และ 3,530 วินาทีบน RTX 5060 Ti ส่วน Lite ที่ Full HD ใช้เวลา 284 วินาทีบน H100 ไม่ว่าคุณจะจ่ายในอัตราใดสำหรับ H100 ก็ตาม 402 วินาทีคือ 6.7 นาทีของการ์ดนั้นต่อคลิปห้าวินาทีหนึ่งคลิป — คูณต่อไปแล้วคุณก็คำนวณเองได้เลย เพราะผู้ขายไม่ได้ขายเอาต์พุตให้คุณ จึงไม่ได้ประกาศราคาสำหรับสิ่งนั้น

เพดานหน่วยความจำคือตัวเลขอีกตัวที่ตัดสินว่า self-hosting เป็นเรื่องจริงสำหรับคุณหรือไม่ การรัน Pro SD มีจุดสูงสุดที่ 72.8 GiB ซึ่งเกินการ์ดระดับผู้บริโภคทุกตัว พรีเซ็ต 16 GB ของรีโพซิทอรีจะสตรีมบล็อก Transformer จากหน่วยความจำโฮสต์และควอนไทซ์ text encoder เป็น NF4 และเปเปอร์ก็ระบุชัดเจนว่านี่เป็นการเปลี่ยนแปลงพรีเซ็ตเพียงอย่างเดียวที่เปลี่ยนคลิปเอง หากคุณสร้างเอาต์พุตของใครบางคนซ้ำบนการ์ด 16 GB แล้วมันไม่ตรงกัน การตั้งค่านั้นคือสิ่งแรกที่ควรตรวจสอบ

สิ่งที่คุณสามารถเรียกได้ในวันนี้ และสิ่งนั้นส่งผลต่อการตัดสินใจอย่างไร

นี่คือความไม่สมมาตรที่สำคัญกว่าเบนช์มาร์กใด ๆ: Kling 4.0 สามารถเข้าถึงได้ผ่านแอปของ Kuaishou เอง และผ่าน API ของบริษัทมากขึ้นเรื่อย ๆ ในขณะที่ Kandinsky 6.0 Video สามารถเข้าถึงได้โดยการดาวน์โหลด ทั้งสองไม่ใช่การเรียกแบบเสียบใช้ได้ทันทีจากเลเยอร์การกำหนดเส้นทาง

สิ่งที่ OrcaRouter ส่งต่อคือเจเนอเรชันที่ Kling 4.0มาแทนที่ Kling 3.0 อยู่ในแคตตาล็อกที่ $0.084 ต่อคำขอ และ MiniMax H3 มีอยู่ที่ $0.08 ต่อวินาทีของวิดีโอที่สร้างขึ้น ทั้งคู่อยู่บนเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เดียวกันกับโมเดลกว่า 200 โมเดล ในราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% เรื่องนี้สำคัญสำหรับโมเดลที่โฮสต์เองในแบบที่โมเดลที่โฮสต์โดยผู้ให้บริการไม่เป็นเช่นนั้น: ขั้นตอนการขยายพรอมป์ตที่เปลี่ยนคำอธิบายช็อตให้เป็นแคปชันยาวที่ Kandinsky ใช้ในการฝึก งานแคปชันและถอดเสียงที่ป้อนเข้าอินพุตภาพ สรุปการรีวิวที่ใช้ตัดสินว่าจะเก็บเจเนอเรชันใดจากสี่เจเนอเรชัน — สิ่งเหล่านี้เป็นการเรียกข้อความธรรมดา และสามารถใช้คีย์เดียวและนโยบาย failover เดียวร่วมกันได้ ในขณะที่งานหนักด้านวิดีโอทำงานในที่ใดก็ตามที่คุณวางไว้ ตัว Kandinsky เองไม่ใช่เส้นทางของ OrcaRouter และไม่ควรตีความสิ่งใดในที่นี้ว่าเป็นการอ้างว่าเป็นเช่นนั้น

อันไหนที่ควรอยู่ในสแต็กของคุณ

การตัดสินใจไม่ได้ขึ้นอยู่กับคุณภาพ เพราะยังไม่มีใครวัดมันอย่างเป็นธรรม การตัดสินใจขึ้นอยู่กับสามคำถามที่คุณตอบได้ด้วยตัวเอง

คุณต้องการช็อตที่ยาวกว่าห้าวินาทีหรือไม่? ถ้าใช่ Kandinsky 6.0 Video ก็ตกรอบสำหรับช็อตนั้น และไลเซนส์ MIT ไม่ว่าจะมากแค่ไหนก็ไม่เปลี่ยนสิ่งนี้ — คุณจะต้องต่อภาพ และการต่อภาพทำให้คุณเสียความสอดคล้องเชิงเวลาที่โมเดลนี้ทำได้ดี

คุณจำเป็นต้องเป็นเจ้าของน้ำหนักโมเดล รันแบบออฟไลน์ ไฟน์ทูน หรือส่งมอบเป็นส่วนหนึ่งของผลิตภัณฑ์ที่ใบเรียกเก็บเงินจากผู้ขายแบบคิดตามการเรียกใช้แต่ละครั้งเป็นสิ่งที่ยอมรับไม่ได้หรือไม่? ถ้าเป็นเช่นนั้น Kling 4.0ก็ตกจากการพิจารณาไม่ว่าเอกสารสเปกจะระบุอย่างไร เพราะ API แบบปิดเป็นสิ่งที่ต้องพึ่งพา ไม่ใช่สินทรัพย์

คุณจำเป็นต้องตัดสินใจให้เสร็จภายในสัปดาห์นี้ด้วยงบประมาณที่ใครสักคนจะลงนามอนุมัติหรือไม่? ถ้าใช่ ทั้งสองทางก็ไม่ได้ชัดเจนนัก API ของ Kling 4.0 กำลังอยู่ระหว่างการทยอยเปิดให้ใช้งานพร้อมราคาแบบพรีวิว และต้นทุนที่แท้จริงของ Kandinsky คือตัวเลข GPU-hour ที่คุณต้องแปลงให้เข้ากับโครงสร้างพื้นฐานของคุณเอง โมเดลที่คุณสามารถประเมินราคาและเรียกใช้งานได้ในวันนี้คือรุ่นก่อนหน้าของทั้งสองฝ่าย — Kling 3.0 ผ่าน Kuaishou หรือเราเตอร์ และ Kandinsky 6.0 Video จาก Hub

สิ่งที่ต้องจับตาดูไม่ใช่สเปก แต่คือการที่มีใครสักคนรันทั้งสองโมเดลด้วยพรอมป์ต์เดียวกันและเผยแพร่ผลลัพธ์ — ไม่ว่าจะเป็นเอนทรีอิสระในอารีนา แล็บที่ไม่ได้เป็นเจ้าของโมเดลใดในสองโมเดลนี้ หรือชุดคลิปเปรียบเทียบเคียงกันที่น่าเชื่อถือพร้อมแนบพรอมป์ต์มาให้ จนกว่าสิ่งนั้นจะมีอยู่ หน้าใดก็ตามที่จัดอันดับ Kling 4.0เทียบกับKandinsky 6.0 Videoพร้อมระบุผู้ชนะ กำลังอนุมานจากการเปรียบเทียบกับ Kling 2.6 และหวังว่าคุณจะไม่ทันสังเกต งานที่มีประโยชน์ในระหว่างนี้แคบกว่า: เลือกข้อจำกัดที่คุณขยับไม่ได้ แล้วให้มันเป็นตัวเลือกโมเดล