การ์ดชื่อเรื่องที่อ่านว่า 'WeMM-Video-4B vs Kandinsky 6.0 Video' พร้อมคำบรรยายใต้ชื่อ 'สองเพดานแบบตายตัว' สองพาเนลแบ่งด้วยวงกลม vs พาเนลซ้ายมีคำบรรยายย่อย 'อ่านคลิป' และระบุ 16 เฟรมที่สุ่มเข้ามา, 8,192 โทเคน และ Apache 2.0 ข้างไอคอนหน้าต่างเล็กที่มีคำกำกับ 'เพดานอินพุต' พาเนลขวมีคำบรรยายย่อย 'สร้างคลิป' และระบุห้าวินาที, 121 เฟรม และเสียง 44.1 kHz ข้างไอคอนนาฬิกาจับเวลาที่มีคำกำกับ 'เพดานเอาต์พุต' โดยมีส่วนท้ายระบุว่า 'ทั้งสองไม่ปรากฏในกระดานวิดีโอของ Artificial Analysis ทุกกระดาน เมื่อวันที่ 20 พฤศจิกายน 2026'
Engineering & Research

WeMM-Video-4B กับ Kandinsky 6.0 Video: สองข้อจำกัดที่เข้มงวด

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

ทั้งKandinsky 6.0 Video และWeMM-Video-4B เป็นการเปิดตัวแบบ open-weight ภายใต้สัญญาอนุญาตที่ผ่อนปรน ทั้งคู่เปิดตัวภายในสองเดือนที่ผ่านมาโดยไม่มีแคมเปญการตลาดที่สมชื่อ และทั้งคู่ไม่มีอยู่ในกระดานวิดีโอของ Artificial Analysis แห่งใดเลย ความล่องหนร่วมกันนั้นคือจุดที่ความคล้ายคลึงสิ้นสุดลง และสิ่งที่เข้ามาแทนที่คือเพดานสองชั้นที่บอกคุณเกี่ยวกับแต่ละโมเดลได้มากกว่าที่แถวผลทดสอบมาตรฐานใด ๆ จะบอกได้ Kandinsky 6.0 Video สร้างฟุตเทจห้าวินาทีพร้อมเสียงที่ซิงโครไนซ์แล้วก็หยุด — ห้าวินาทีคือความยาวที่ฝึกมา ไม่ใช่ค่าเริ่มต้น WeMM-Video-4B อ่านคลิปผ่านเฟรมที่สุ่มมาสิบหกเฟรมแล้วก็หยุด ซึ่งเป็นสิ่งที่สูตรการให้บริการของมันเองกำหนดไว้ เทียบกับค่าเริ่มต้นของตัวประมวลผลที่ 128 เพดานหนึ่งอยู่ที่ความยาวของเอาต์พุต อีกเพดานอยู่ที่ความเที่ยงตรงของอินพุต และการเลือกระหว่างสองสิ่งนี้คือการเลือกว่าความบอดแบบใดที่ไปป์ไลน์ของคุณจะทนได้

ยังไม่มีโมเดลใดได้รับการประเมินอย่างเป็นอิสระ ตัวเลขของ Sber ก็เป็นของ Sber ตัวเลขของ Tencent ก็เป็นของ Tencent และหัวข้อส่วนด้านล่างยังคงทำให้ขอบเขตนั้นมองเห็นได้แทนที่จะกลบมันไว้

เพดานห้าวินาทีและหน้าต่างสิบหกเฟรม

Kandinsky 6.0 Video เปิดตัวโดย Sber's Kandinsky Lab เมื่อวันที่ 6 ตุลาคม 2026 ภายใต้สัญญาอนุญาต MIT ในสองขนาด ได้แก่ Pro ที่ 29 พันล้านพารามิเตอร์ และ Lite ที่ 3 พันล้านพารามิเตอร์ ระบบรับข้อความพรอมต์หรือภาพอ้างอิง แล้วคืนคลิปความยาวห้าวินาทีพร้อมเสียง 44.1 kHz ที่สร้างขึ้นในการประมวลผลครั้งเดียวกัน รวมถึงการซิงก์ปาก เอกสารงานวิจัยและสูตรการให้บริการโมเดลต่างสร้างขึ้นโดยอิงกับ 121 เฟรมที่ 24 เฟรมต่อวินาที และในรีลีสนี้ไม่มีโหมดขยายความยาว สิ่งใดที่ยาวกว่านั้นถือเป็นปัญหาการต่อเชื่อมที่คุณต้องจัดการเอง

WeMM-Video-4B เป็นรุ่นกลางของตระกูลสี่ขนาดจากกลุ่ม WeChat Vision ของ Tencent ซึ่งอัปโหลดเมื่อวันที่ 17 พฤศจิกายน 2026 โดยมีรายงานทางเทคนิคตามมาในวันที่ 19 พฤศจิกายน โดยมีพารามิเตอร์ 5,611,746,312 ตัว — 10.45 GiB ใน BF16 — เนื่องจากป้าย "4B" อ้างถึงแกนภาษาหลัก Qwen3.5-4B มากกว่าตัวเช็กพอยต์ รองรับข้อความ รูปภาพ วิดีโอ และเสียง และส่งคืนข้อความ

• Kandinsky 6.0 Video — ขีดจำกัดเอาต์พุต: ห้าวินาที, 121 เฟรม, 24 fps, เสียง 44.1 kHz ที่ผสานติดกับภาพ

• WeMM-Video-4B — ขีดจำกัดอินพุต: สุ่มตัวอย่าง 2 เฟรมต่อวินาที สูงสุด 16 เฟรม, พิกเซลทั้งหมด 262,144 พิกเซล ภายในบริบท 8,192 โทเคน ซึ่งเสียงใช้ 10 โทเคนต่อทุก ๆ วินาที

• ทั้งสอง — ขีดจำกัดอยู่ในคอนฟิกูเรชันที่จัดส่ง ไม่ใช่สถาปัตยกรรม และไม่มีรีโพซิทอรีใดอธิบายว่าโมเดลจะทำอะไรหากไม่มีสิ่งนี้

อ่านสองส่วนนี้คู่กันแล้วจะเห็นเวิร์กโฟลว์ที่ผุดขึ้นมาเองซึ่งผู้ขายทั้งสองรายไม่ได้เขียนเอกสารไว้: คลิปห้าวินาทีที่ส่งให้ตัวบรรยายซึ่งสุ่มตัวอย่างสิบหกเฟรม ก็คือคลิปที่ถูกสุ่มตัวอย่างราวสามเฟรมต่อวินาที ซึ่งสูงกว่าเกณฑ์ขั้นต่ำสองเฟรมต่อวินาทีของสูตรนั้นเอง นี่คือจุดเดียวที่สองโมเดลนี้ประกอบเข้าหากันได้อย่างลงตัว และน่าสังเกตก็เพราะมันเกิดขึ้นโดยบังเอิญ

ครั้งนี้ใบอนุญาตเป็นส่วนที่ง่าย

ในครั้งนี้ การเปรียบเทียบทางกฎหมายไม่ใช่ปัจจัยตัดสินใจ ทั้งสองรีลีสมีสัญญาอนุญาตแบบ permissive และทั้งคู่มีเอกสารกำกับอย่างเหมาะสมในประเด็นนี้ ซึ่งนับเป็นเรื่องโล่งใจหลังจากผ่านมาหนึ่งปีกับ Apple AMLR และคอมโพเนนต์เดโมที่ไม่ใช่เชิงพาณิชย์

• Kandinsky 6.0 Video — สัญญาอนุญาต MIT สำหรับโค้ด เวท และการผสานรวม diffusers รีโพซิทอรีนี้มาพร้อมโหนด ComfyUI สองโหนดที่ติดตั้งได้ผ่าน ComfyUI Manager และ Hugging Face Spaces สองแห่ง โดยแห่งหนึ่งสำหรับเช็กพอยต์ Pro distill และอีกแห่งสำหรับการซูเปอร์เรโซลูชัน

• WeMM-Video-4B — Apache 2.0 ทั่วทั้งคอลเลกชัน โดยมีไฟล์สัญญาอนุญาตของ T​encent ที่ระบุว่าองค์ประกอบของบุคคลที่สามยังคงอยู่ภายใต้ข้อกำหนดเดิม การแยกข้อยกเว้นออกมาไม่ได้ระบุเป็นรายการ ซึ่งเป็นช่องว่างที่แท้จริงมากกว่าจะเป็นเพียงพิธีการ เมื่อพิจารณาว่าสแต็กเสียงสืบเชื้อสายมาจาก Qwen2.5-Omni และแบ็กโบนมาจาก Q​wen3.5 ซึ่งทั้งคู่เป็น Apache 2.0

• ทั้งสองราย — การใช้งานเชิงพาณิชย์มีให้ใช้ได้ และไม่มีผู้จำหน่ายรายใดเผยแพร่นโยบายการใช้งานที่จำกัดให้แคบลงไปกว่านี้ หากการตรวจสอบทางกฎหมายเป็นสิ่งที่ติดขัดสำหรับคุณ ปัญหาจะไม่ใช่ข้อกำหนดเรื่องใบอนุญาตตรงนี้ แต่จะเป็นข้อยกเว้นเฉพาะที่ไม่ได้ระบุเป็นรายการในฝั่ง Tencent

พื้นผิวการติดตั้งคือจุดที่二者แยกจากกัน

ความแตกต่างที่ชัดเจนกว่าไม่ใช่เรื่องใบอนุญาต แต่คือมีคนอื่นทำอะไรให้คุณไว้แล้วมากน้อยเพียงใด และช่องว่างนั้นกว้างพอที่จะเปลี่ยนไทม์ไลน์ได้

Kandinsky 6.0 Video เปิดตัวพร้อมชุด diffusers, command line, โหนด ComfyUI สองโหนด และ Spaces สองตัวตั้งแต่วันแรก จากนั้นผู้ร่วมพัฒนาจากภายนอกได้ merge pull request 8537 เข้า vLLM-Omni โดยลงทะเบียนไปป์ไลน์นี้ในชื่อ Kandinsky6TI2VAPipeline ซึ่ง latent ของวิดีโอและเสียงถูก denoise ร่วมกันด้วย transformer ตัวเดียว โหลด weights ทีละโฟลเดอร์จาก transformer/, vae/, text_encoder/, text_encoder_2/ และ audio_vae/ พร้อมสูตรการให้บริการที่ recipes/Kandinsky/Kandinsky6-TI2VA.md การปรับเงื่อนไขด้วยภาพอ้างอิงถูกนำไปใช้เป็นเฟรมท้ายที่ถูก mask แทนที่จะเป็นโหมดแยกต่างหาก ดังนั้นไปป์ไลน์เดียวจึงรองรับทั้ง text-to-video-and-audio และ image-to-video-and-audio เสียงเปิดใช้งานเป็นค่าเริ่มต้น คำขอที่ไม่มีพารามิเตอร์ด้านเสียงก็ยังคงได้รับคำพูด เพลง หรือเสียงบรรยากาศที่ซิงโครไนซ์กันกลับมา

WeMM-Video-4B มีโปรไฟล์ตรงกันข้าม ทั้ง vLLM และ SGLang ไม่รองรับสถาปัตยกรรมนี้ในต้นทาง และการค้นหาในตัวติดตามปัญหาของ vLLM ไม่พบคำขอเกี่ยวกับ WeMM-Video เลย สิ่งที่รีโพซิทอรีมีให้แทนคือ แพตช์ไดเรกทอรี — ซอร์สโอเวอร์เลย์พร้อมแมนนิเฟสต์ SHA-256 สำหรับ vLLM 0.18.0 และ 0.31.0 และ SGLang 0.5.16 และ 0.5.19 โดยแต่ละชุดถูกล็อกให้เข้ากับชุดค่าผสมของ PyTorch, Transformers และ CUDA 12.9 ที่เฉพาะเจาะจง พร้อม Python 3.12, FFmpeg, CUDA 12 NPP บนพาธของ linker สำหรับ TorchCodec และชุดเครื่องมือ C++ พร้อม Ninja เนื่องจาก SGLang คอมไพล์เคอร์เนลในการใช้งานครั้งแรก ชุด GGUF กำหนดเป้าหมายไปยังรันไทม์เนทีฟที่คุณคอมไพล์จากรีโพซิทอรีแทน llama.cpp และ Tencent ระบุว่าเป็น 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.

ความไม่สมดุลนั้นมีต้นทุนที่คุณสามารถใส่ไว้ในตารางเวลาได้ Kandinsky 6.0 Video เป็นคอนเทนเนอร์ที่สื่อสารผ่าน HTTP ได้แล้วในตอนนี้ WeMM-Video-4B ต้องใช้งานด้าน toolchain หนึ่งวันก่อนที่คุณจะได้ token แรก และการตรวจสอบยืนยันเดียวที่ T​encent อ้างคือ vLLM ที่แพตช์แล้วโหลดมันบน H20 และผ่านการตรวจสอบการสร้างสำหรับข้อความ รูปภาพ เสียง และวิดีโอพร้อมแทร็กเสียง — ไม่มีตัวเลข throughput, latency, memory footprint หรือ concurrency

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.

ตัวเลขบอกอะไร และใครเป็นคนพูด

Artificial Analysis มีกระดานจัดอันดับวิดีโอสามกระดาน ได้แก่ text-to-video, image-to-video และ video editing โดยแต่ละกระดานมีมาตราส่วน Elo และกลุ่มคะแนนโหวตของตัวเอง เมื่ออ่านทั้งสามกระดานในวันที่ 20 พฤศจิกายน 2026 จะพบว่า Kandinsky 6.0 Video ไม่ปรากฏอยู่ในกระดานใดเลย และ WeMM-Video-4B ก็เช่นกัน การที่ไม่มีชื่ออยู่ก็ไม่ใช่การตัดสินคุณภาพ Kandinsky 6.0 Video ไม่มีการส่งเข้าร่วม arena และการจัดอันดับ text-to-video ของกระดานต้องใช้ราคา API เพื่อการเปรียบเทียบแบบปรับมาตรฐาน ซึ่งโอเพนเช็กพอยต์ไม่มี ขณะที่ WeMM-Video-4B ไม่สามารถเข้าร่วมการโหวตระหว่างคลิปที่สร้างขึ้นสองคลิปได้เลย เพราะมันไม่ได้สร้างคลิปใด ๆ

สิ่งที่เหลืออยู่คืองานของผู้ขายเอง และมันวัดสิ่งต่างๆ ด้วยมาตรวัดที่แตกต่างกัน

• Kandinsky 6.0 Video คุณภาพ — ผลลัพธ์ที่ผู้ขายรายงานบน VABench และการประเมินโดยมนุษย์ที่ห้องแล็บดำเนินการ เทียบกับ Kling 2.6, Veo 3.1 Fast, MiniMax H3 และ Seedance 2.0 Sber ยังรายงานในการทดลอง ablation ของเปเปอร์ว่าเช็กพอยต์แบบ distilled ที่คาดหวังให้คุณนำไปให้บริการนั้นได้รับความชื่นชอบหรือเสมอกันในเกณฑ์ส่วนใหญ่ โดยมีความชอบเฉลี่ย 51 เปอร์เซ็นต์ต่อ 49 เปอร์เซ็นต์ — เท่าเทียมกัน ณ ความเร็วที่คุณต้องการ

• Kandinsky 6.0 วิดีโอและเสียง — ค่าอัตราความผิดพลาดระดับคำ (word error rate) สองค่าในเอกสารที่นำมาเปรียบเทียบกันไม่ได้ การลดลง 47 เปอร์เซ็นต์ที่มาพร้อมกับขั้นตอนการเรียนรู้แบบเสริมกำลัง (reinforcement learning) ถูกวัดด้วย Whisper-large-v3 ซึ่งเป็นหนึ่งในโมเดลรางวัลของ RL ส่วน WER ที่รายงานคู่กับ VABench ใช้ Qwen3-ASR-1.7B กับชุดข้อมูลย่อยเสียงพูด ผู้เขียนเองก็ระบุเช่นนั้น และการอ้างค่าหนึ่งว่าเป็นอีกค่าหนึ่งเป็นข้อผิดพลาดที่เกิดขึ้นได้ง่ายที่สุดกับรีลีสนี้

• WeMM-Video-4B, แบบผสานเสียงและภาพ — Video-MME พร้อมเสียง 83.9 เทียบกับ 77.3 ของ Qwen3-Omni-30B-A3B-Instruct และ 69.2 ของ MiniCPM-o-4.5-9B; Video-MME v2 48.1 เทียบกับ 36.3 และ 28.1; Daily-Omni 82.5 เทียบกับ 70.7 และ 80.2 ทั้งหมดในโหมด Thinking

• WeMM-Video-4B ซึ่งเป็นจุดที่แพ้ — MMAU 75.2 เมื่อเทียบกับ 80.4 ของ Qwen3.5-Omni-Flash และ MMAR 67.3 เมื่อเทียบกับ 74.0 โดยชนะหนึ่งครั้งใน MMAU-Pro ที่ 68.1 เมื่อเทียบกับ 64.8 ส่วน Video-Holmes 58.8 เมื่อเทียบกับ 64.3 ของ MiniCPM-o-4.5-9B และ FutureOmni 50.9 เมื่อเทียบกับ 55.1 และ 56.1

มีข้อควรระวังสองข้อที่มาพร้อมกับคอลัมน์ WeMM เปเปอร์ไม่ได้ระบุจำนวนเฟรม จำนวนพิกเซลที่จัดสรร หรือความยาวบริบทที่ใช้ในการประเมินวิดีโอ ซึ่งสำคัญเพราะสูตรที่ใช้งานจริงใช้สิบหกเฟรม ขณะที่โปรเซสเซอร์ตั้งค่าเริ่มต้นไว้ที่ 128 และโหมดมีการเปลี่ยนแปลงระหว่างตาราง: Thinking สำหรับวิดีโอ, Instruct สำหรับเสียง, Thinking อีกครั้งสำหรับภาพและข้อความ การนำแถวเสียงของ WeMM ไปเทียบกับแถววิดีโอของคู่แข่งไม่ใช่การเปรียบเทียบ

เวลาตามนาฬิกา ตัวเลขที่ไม่มีใครยกมาอ้าง

รีโพซิทอรีของ Kandinsky เผยแพร่ตัวเลขที่ชี้ขาดว่าโมเดลวิดีโอแบบเปิดจะใช้งานได้บนฮาร์ดแวร์ของคุณหรือไม่ และตัวเลขนั้นก็ไม่ได้ดูดีเลย นี่คือเวลาทำงานของโมเดลฐานแบบไม่ผ่านการกลั่นสำหรับคลิปความยาว 5 วินาทีหนึ่งคลิปหลังวอร์มアップ โดยไม่รวมการโหลดเวตและการเข้ารหัส MP4 ทั้งนี้ Full HD หมายความว่ามีการรันพาสซูเปอร์เรซอลูชันด้วยเช่นกัน

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

• Full HD, Lite — 284 วินาทีบน H100, 387 บน RTX PRO 6000, 406 บน RTX 5090, 664 บน A100, 578 บน 4090, 1,774 บน 5060 Ti

• SD, Pro — 356 วินาทีบน H100 เทียบกับ 936 บน 4090 ซึ่งเป็นกรณีที่การ์ดระดับผู้บริโภคเสียเปรียบน้อยที่สุด

หน่วยความจำที่จัดสรรสูงสุดในการรัน Pro SD แตะ 72.8 GiB ซึ่งเกินกว่าที่การ์ดระดับผู้บริโภคทุกรุ่นมี จึงเป็นเหตุผลที่คลังโค้ดมาพร้อม block offloading — ให้ transformer block สองบล็อกอยู่ในหน่วยความจำ ส่วนที่เหลือสตรีมจากหน่วยความจำโฮสต์ — พร้อมพรีเซ็ตสำหรับ 32, 24 และ 16 GB พรีเซ็ต 32 และ 24 GB เหมือนกัน เพราะเหนือ 24 GB ขึ้นไป headroom ไม่ได้ช่วยเรื่องความเร็ว ข้อควรระวังที่ซ่อนอยู่คือบนพรีเซ็ต 16 GB นั้น text encoder ถูกควอนไทซ์เป็น NF4 และเปเปอร์ระบุชัดเจนว่านี่เป็นเพียงการเปลี่ยนแปลงพรีเซ็ตเดียวที่เปลี่ยนตัว clip เอง โดยมีพิกเซลประมาณ 12 เปอร์เซ็นต์ที่ต่างกันหนึ่งระดับความสว่าง ที่ PSNR ประมาณ 57 dB หากคุณกำลังทำซ้ำผลลัพธ์ของคนอื่นบนการ์ด 16 GB แล้วผลไม่ตรง ให้ตรวจสอบสิ่งนี้ก่อน

WeMM-Video-4B ไม่มีตารางเทียบเคียง และการไม่มีตารางนั้นเองก็ให้ข้อมูลที่เป็นประโยชน์ Tencent ตรวจสอบแล้วว่า checkpoint โหลดและสร้างผลลัพธ์ได้ โมเดลที่จุดขายคือวิดีโอ แต่ถูกอธิบายเพียงว่า "มันสร้างได้" ย่อมปล่อยให้ด้านต้นทุนทั้งหมดของการตัดสินใจนำไปติดตั้งใช้งานเป็นเรื่องที่คุณต้องพิจารณาเอง

การเชื่อมเลเยอร์ข้อความให้ล้อมรอบทั้งสอง

หากคุณรันสิ่งใดสิ่งหนึ่งในสองสิ่งนี้ สแตกโดยรอบจำเป็นต้องมีสามสิ่งเดียวกัน และไม่มีสิ่งใดในนั้นเป็นโมเดล การขยายพรอมป์ต์จะเปลี่ยนคำอธิบายช็อตให้เป็นแคปชันแบบยาว ปานกลาง หรือสั้นที่ Kandinsky ถูกฝึกมา หรือเปลี่ยนให้เป็นคำถามที่ WeMM ควรตอบ การถอดเสียงและการสร้างแคปชันจะป้อนเข้าสู่ขั้นตอน image-to-video หรือเตรียมคลิปสำหรับการอธิบาย บทสรุปการตรวจสอบจะเป็นตัวตัดสินว่าจะเก็บผลลัพธ์ใดจากสี่เจนเนอเรชัน ซึ่งเป็นการตัดสินใจที่คุณต้องจ่ายสำหรับทุกแคนดิเดต ไม่ใช่แค่ทุกตัวที่รอด

สิ่งเหล่านี้คือการเติมข้อความแบบทั่วไป และเป็นส่วนที่ OrcaRouter ในสแต็กนี้ครอบคลุม: คีย์เดียวที่เข้ากันได้กับ OpenAI ใช้ได้กับโมเดลกว่าสองร้อยรายการ ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยไม่บวกเพิ่ม 0% เพื่อให้การเปลี่ยนแปลงราคาจากผู้ขายมีผลในวันเดียวกัน และการสลับสำรองอัตโนมัติ เพื่อให้ขั้นตอนการสร้างคำบรรยายที่ล้มไปไม่ลากเอาการเรนเดอร์ห้านาทีไปด้วย ไม่มีโมเดลใดอยู่ในแพลตฟอร์ม — แคตตาล็อกไม่มีรายการ Kandinsky และไม่มีรายการ WeMM และไม่มีเลเยอร์การกำหนดเส้นทางใดที่เปลี่ยนการดาวน์โหลดเวตให้กลายเป็นเอนด์พอยต์ที่โฮสต์ไว้ สิ่งที่เราเตอร์ตัดออกไปคืองานอินทิเกรชันรอบ ๆ สองโมเดลที่คุณโฮสต์เอง รวมถึงวิธีถือผู้ให้บริการรายที่สองไว้เบื้องหลังรายแรกโดยไม่ต้องเขียนไคลเอนต์ตัวที่สอง

สองเพดาน หนึ่งการตัดสินใจ

ถามว่าคุณสามารถทำงานภายใต้ข้อจำกัดใดได้ หากคุณต้องการฟุตเทจที่มีเสียงและตัดต่อได้เป็นหน่วยละห้าวินาที Kandinsky 6.0 Video คือรีลีสที่สมบูรณ์กว่าในทุกมิติที่ไม่ใช่คุณภาพดิบ ได้แก่ สัญญาอนุญาต MIT ช่องทางการติดตั้งใช้งานสี่แบบ ตัวเลข H100 ที่คุณใช้วางแผนงบประมาณได้ และพาสซูเปอร์เรซอลูชันที่ทำให้ Full HD เป็นการตั้งค่าจริงมากกว่าคำกล่าวอ้าง ข้อจำกัดของมันคือระยะเวลา และระยะเวลาก็ง่ายต่อการออกแบบให้สอดรับ

หากคุณจำเป็นต้องรู้ว่ามีอะไรอยู่ในฟุตเทจที่คุณมีอยู่แล้ว — เกิดอะไรขึ้นบนหน้าจอ และมีเสียงอะไรที่ได้ยินไปพร้อมกับภาพนั้น — WeMM-Video-4B เป็นรุ่นเดียวในสองรุ่นที่ตอบได้ และข้อจำกัดของมันคือความเที่ยงตรง: สิบหกเฟรมที่สุ่มมาและแปดพันโทเค็นคือสิ่งที่สูตรที่จัดส่งให้คุณมอบให้ และแถว benchmark วิดีโอยาวถูกสร้างขึ้นภายใต้เงื่อนไขที่บทความไม่ได้อธิบายไว้

สิ่งที่ทั้งสองรีลีสไม่ได้ให้มาคือสิ่งที่ทำให้การเปรียบเทียบนี้ง่ายดาย นั่นคือตัวเลขจากคนที่ไม่ได้เขียนเปเปอร์ ทั้งคู่เป็นระบบเปิด ทั้งคู่มีสัญญาอนุญาตแบบผ่อนปรน และทั้งคู่มองไม่เห็นจากกระดานจัดอันดับใด ๆ ที่จะยุติข้อโต้แย้งนี้ได้ จนกว่าหนึ่งในสองจะถูกวัดอย่างเป็นอิสระ เพดานในแต่ละรีโพซิทอรีคือข้อเท็จจริงที่เชื่อถือได้มากที่สุดที่ผู้ขายแต่ละรายได้เผยแพร่

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube