
WeMM-Video-4B กับ Kandinsky 6.0 Video: สองข้อจำกัดที่เข้มงวด
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 182 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 356 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 147 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
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 Tencent ที่ระบุว่าองค์ประกอบของบุคคลที่สามยังคงอยู่ภายใต้ข้อกำหนดเดิม การแยกข้อยกเว้นออกมาไม่ได้ระบุเป็นรายการ ซึ่งเป็นช่องว่างที่แท้จริงมากกว่าจะเป็นเพียงพิธีการ เมื่อพิจารณาว่าสแต็กเสียงสืบเชื้อสายมาจาก Qwen2.5-Omni และแบ็กโบนมาจาก Qwen3.5 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.

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


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
