การ์ดชื่อเรื่องที่อ่านว่า 'WeMM-Video-9B vs Kandinsky 6.0 Video' พร้อมคำบรรยายใต้ภาพว่า 'ทั้งคู่เปิดเผย แต่ยังไม่มีใครวัดผล' โดยมีสองแผงคั่นด้วยแผ่นวงกลม vs: แผงซ้ายมีหัวข้อ WeMM-Video-9B พร้อมป้าย 'Apache 2.0' และแถวต่างๆ ที่อ่านว่า 'ตัวอ่านแบบ dense 9B', '19.54 GiB BF16', '16 เฟรมที่ 2 fps', 'สองวิดีโอต่อคำขอ', 'ส่งคืนข้อความ'; แผงขวามีหัวข้อ Kandinsky 6.0 Video พร้อมป้าย 'ใบอนุญาต MIT' และแถวต่างๆ ที่อ่านว่า '29B Pro, 3B Lite', '5 วินาที 121 เฟรม 24 fps', 'เสียง 44.1 kHz ในพาสเดียว', 'ไม่มีโหมดขยาย', 'ประมาณ 7 นาทีบน H100 ต่อคลิป'
Guides & Insights

WeMM-Video-9B กับ Kandinsky 6.0 Video: เปิดทั้งคู่ แต่ยังไม่มีการวัดผลทั้งคู่

ผู้เขียน

jinhao.song

วันที่เผยแพร่

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

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.

สิ่งต่อไปนี้จะมองการเปิดตัวทั้งสองตามความเป็นจริงของมัน ได้แก่ โมเดลเปิดระดับพร้อมใช้งานจริงซึ่งมีระบบนิเวศรองรับ และการเปิดตัวเพื่อการวิจัยซึ่งมีเปเปอร์ประกอบ คำอธิบายทั้งสองอย่างนี้เป็นทั้งคำชมและข้อจำกัด และลำดับที่คุณอ่านมันจะกำหนดว่าคุณควรดาวน์โหลดอันไหน

ห้าวินาทีคือความยาวที่ใช้ในการฝึก

Kandinsky 6.0 Video สร้างคลิปความยาวห้าวินาที และคำที่สำคัญคือ “trained” ไม่ใช่ “default” ห้าวินาทีที่ 121 เฟรมคือความยาวที่โมเดลเรียนรู้ไว้ การขอให้ยาวกว่านั้นไม่ใช่การตั้งค่า แต่เป็นการคาดการณ์นอกขอบเขตข้อมูล และ Sber ไม่ได้นำเสนอว่าเป็นอย่างอื่น ภายในห้าวินาทีนั้นคุณจะได้เสียง 44 kHz ที่สร้างขึ้นในรอบเดียวกันพร้อมการจัดแนวลิปซิงก์ ซึ่งเป็นความสามารถที่หาได้ยากอย่างแท้จริงภายใต้ไลเซนส์และขนาดนี้

พื้นที่การนำไปใช้งานคือส่วนที่แยกความแตกต่างระหว่างสองรีลีสได้ชัดเจนที่สุด ในวันแรก Kandinsky 6.0 Video เปิดตัวพร้อมชุด Diffusers จุดเข้าถึงแบบบรรทัดคำสั่ง โหนด ComfyUI สองโหนด และ Spaces สองรายการ จากนั้นผู้มีส่วนร่วมจากภายนอกได้รวม pull request 8537 เข้าใน vLLM-Omni โดยลงทะเบียนไปป์ไลน์เป็น Kandinsky6TI2VAPipeline และให้บริการแปลงข้อความเป็นวิดีโอและเสียง รวมถึงแปลงภาพเป็นวิดีโอและเสียงจาก DiT ตัวเดียว

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 โดยที่ native_inference_validated และ native_low_precision_gemm_validated เป็น false ทั้งคู่

• AWQ W4A16, 12.86 GiB — ควอนไทซ์แล้ว_ยังไม่ได้ตรวจสอบ

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread โดยที่ native FP4 GEMM, PRO5000 inference และ vLLM validation มีค่าเป็น false ทั้งหมด พร้อมการรับรองเชิงตัวเลขของค่า RMSE สัมพัทธ์เฉลี่ย 0.095 เทียบกับขีดจำกัด 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.

บิลด์ที่บีบอัดแล้วสี่ตัว ซึ่งทั้งหมดต่างกันไม่เกิน 0.42 GiB และไม่มีตัวใดได้รับการตรวจสอบความถูกต้องสำหรับการอินเฟอเรนซ์แบบเนทีฟ เทียบกับ Kandinsky 6.0 Video ที่สัญญาอนุญาต MIT และฟรอนต์เอนด์อิสระสี่ตัวหมายความว่าปัญหาการตรวจสอบความถูกต้องได้กระจายไปยังผู้คนที่ไม่ใช่ Sber แล้ว

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.'

สิบเก้าครึ่งกิกะไบต์ แยกเป็นรายการ

WeMM-Video-9B ชดเชยเรื่องราวการนำไปใช้งานที่บางเบาด้วยการอธิบายตัวเองอย่างครบถ้วนผิดปกติ จำนวนพารามิเตอร์คือ 10,488,603,384 ครอบคลุม 1,305 เทนเซอร์ มีการเผยแพร่การแบ่งสัดส่วน: โครงกระดูกภาษาขนาด 7.94B รวมถึง token embedding ขนาด 1.02B, output head แบบไม่ผูกน้ำหนักขนาด 1.02B, audio tower ขนาด 1.08B — เลเยอร์สไตล์ Whisper 32 ชั้นที่ความกว้าง 1,280 อยู่หลัง Q-Former สองชั้น, สิบ audio token ต่อวินาที — และ vision tower ขนาด 0.46B ที่ 27 บล็อก, hidden 1,152, patch 16, การผสานเชิงพื้นที่ 2×2

เฉพาะ dense FFN เท่านั้นที่ถูกควอนไทซ์ในบิลด์แบบบีบอัด: เมทริกซ์ภาษา 96 เมทริกซ์ สามเมทริกซ์ต่อเลเยอร์ตลอด 32 เลเยอร์ ที่ขนาด 4,096 คูณ 12,288 ซึ่งคิดเป็น 4,831,838,208 องค์ประกอบจากทั้งหมด 10.49B Attention ถูกปรับกลับเป็น BF16 — เมทริกซ์โปรเจกชัน 152 เมทริกซ์บวกนอร์มอินพุต 32 ตัว ทั้งหมดมีแฮช SHA-256 — และเทนเซอร์ 1,209 ตัวยังคงตรงกันระดับบิต พารามิเตอร์ราว 3.57B ประมาณ 7.1 GB ของวิชันทาวเวอร์ ออดิโอทาวเวอร์ embedding และ output head ไม่ถูกนำเข้าสู่ควอนไทเซอร์เลยแม้แต่ส่วนเดียว นี่คือเหตุผลที่ AWQ ประหยัดได้ 34% เมื่อเทียบกับ BF16 ไม่ใช่ 70% อย่างที่ชื่อสื่อ

ทั้งหมดนี้ไม่ได้บอกคุณว่าโมเดลดีหรือไม่ มันบอกคุณว่าการเผยแพร่นี้สามารถตรวจสอบได้ ซึ่งเป็นคุณสมบัติที่แตกต่างและถูกมองข้าม

ทั้งสองไม่มีคะแนนที่เป็นอิสระ

{{1}}Kandinsky 6.0 Video{{/1}} ไม่ปรากฏบนบอร์ดวิดีโอทั้งสามของ {{2}}Artificial Analysis{{/2}} เลย และ {{3}}WeMM-Video-9B{{/3}} ก็ไม่ปรากฏเช่นกัน การที่ทั้งสองไม่ปรากฏนั้นมีสาเหตุที่แตกต่างกัน และความแตกต่างนี้สำคัญ

Kandinsky 6.0 Video ไม่มีการส่งผลงานเข้า arena และบอร์ด text-to-video กำหนดให้ต้องมีราคา API ก่อนจึงจะแสดงรายชื่อโมเดลได้ — เอาต์พุตแบบ open-weight ความยาวห้าวินาทีที่ไม่มีอัตราเชิงพาณิชย์ไม่มีแถวให้อยู่ในตาราง WeMM-Video-9B จัดอันดับไม่ได้ในความหมายที่ลึกกว่า: บอร์ดให้คะแนนฟุตเทจที่สร้างขึ้น แต่โมเดลนี้สร้างข้อความ

สิ่งที่แต่ละห้องแล็บเสนอแทนก็คือการประเมินของตนเอง และทั้งสองฉบับก็ควรถูกอ่านด้วยความสงสัยแบบเดียวกัน

• Kandinsky 6.0 Video — ผลลัพธ์ VABench ที่ผู้ขายรายงานเอง บวกกับการประเมินโดยมนุษย์ที่ห้องแล็บดำเนินการ ประมาณ 200 การเปรียบเทียบแบบเป็นคู่ต่อเกณฑ์หนึ่ง ๆ นอกจากนี้ยังมีรายงานว่าอัตราความผิดพลาดระดับคำของเสียงที่สร้างขึ้นลดลง 47% หลังการ post-training ด้วย RL ตัวเลขหลังสุดนี้ต้องมีข้อควรระวัง: มันถูกวัดด้วย Whisper-large-v3 ขณะที่ตัวเลข WER ของ VABench ที่นำมาเปรียบเทียบด้วยนั้นใช้ Qwen3-ASR-1.7B ตัวรู้จำเสียงสองตัวที่ต่างกัน อัตราความผิดพลาดสองค่าที่ต่างกัน จึงไม่สามารถนำมาลบกันได้อย่างถูกต้อง การปรับปรุงอาจเป็นเรื่องจริงก็ได้ แต่ตัวเลขที่นำเสนอในรูปแบบนี้ไม่สามารถเปรียบเทียบกันได้

• WeMM-Video-9B — ชุดทดสอบของทีมผู้เขียนเอง ซึ่งระบุไว้ว่า "ใช้ผลลัพธ์อย่างเป็นทางการเมื่อมีให้ใช้ และใช้การประเมินของเราเองในกรณีอื่น" ในโหมดคิดสำหรับงานเสียงและภาพร่วมกันนั้น มันเอาชนะ Qwen3-Omni-30B-A3B-Instruct ได้ใน 35 จาก 37 ตัวเลขที่รายงานร่วมกัน รวมถึง Video-MME แบบมีเสียงที่ 85.1 เทียบกับ 77.3 และ SciVideoBench ที่ 64.2 เทียบกับ 49.9 และแพ้หนึ่งรายการ คือ FutureOmni ที่ 53.7 เทียบกับ 55.1 สำหรับวิดีโอไร้เสียง เมื่อเทียบกับแบ็กโบน Qwen3.5-9B ของตัวเอง มันทำได้ดีขึ้นใน F-16-NBA ที่ 88.7 เทียบกับ 75.8 และ TimeLens และแพ้ใน MLVU, LVBench, VideoVista, VSI-Bench และ MVBench

การเผยแพร่แบบเปิดสองรายการ การประเมินตนเองสองครั้ง ไม่มีบุคคลที่สาม นั่นคือสถานะล่าสุดที่ตรงไปตรงมาสำหรับทั้งสอง

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.

สิบหกเฟรมเทียบกับห้าวินาที

จุดที่ข้อจำกัดทั้งสองมาบรรจบกันน่าสนใจกว่าข้อจำกัดใดข้อหนึ่งเพียงลำพัง WeMM-Video-9B มาพร้อมสูตร vLLM ที่แทนที่ค่าเริ่มต้นของโปรเซสเซอร์ของตัวเอง — 2 fps, อย่างน้อย 4 เฟรม, สูงสุด 128 เฟรม, 100,663,296 พิกเซล — ลงมาเป็น 2 fps และ 16 เฟรมที่ 262,144 พิกเซล โดยสุ่มตัวอย่างรอบจุดกึ่งกลางของคลิป สิบหกเฟรมที่อัตราสองเฟรมต่อวินาทีคิดเป็นความยาวครอบคลุมแปดวินาที และทุกคำสั่งเสิร์ฟยังส่งบริบทขนาด 8,192 โทเคน เทียบกับตำแหน่งเอ็มเบดดิ้ง 262,144 ตำแหน่งในสถาปัตยกรรม

• Kandinsky 6.0 Video — ห้าวินาทีเข้า ห้าวินาทีออก 121 เฟรม เสียง 44 kHz เป็นความยาวตายตัวที่ผ่านการฝึกฝนมา

• WeMM-Video-9B — อินพุตที่สุ่มตัวอย่างแปดวินาที เอาต์พุตเป็นข้อความ พร้อมแทร็กเสียงเต็มความยาวสูงสุดประมาณสิบสามนาทีที่อัตราสิบโทเคนต่อวินาที

• จุดเชื่อม — คลิป Kandinsky ความยาวห้าวินาทีพอดีอยู่ในหน้าต่างแปดวินาทีของ WeMM-Video-9B โดยเหลืออีกสามวินาที ซึ่งเป็นคอนฟิกูเรชันเดียวที่การส่งคลิปที่สร้างขึ้นเข้าไปยังตัวอธิบายเป็นไปอย่างราบรื่น

• ต้นทุนของการรวม — Sber รายงานว่าใช้เวลา H100 ประมาณเจ็ดนาทีต่อคลิป Full-HD ดังนั้นการสร้างคลิปห้าวินาทีจึงเป็นการจองเวลาเจ็ดนาทีก่อนที่การบรรยายใด ๆ จะเกิดขึ้นบนฮาร์ดแวร์ท้องถิ่น

การกำหนดเส้นทางตามความยาวคลิป

โมเดลทั้งสองไม่ได้รับการให้บริการผ่าน OrcaRouter และจะไม่มีทางเป็นเช่นนั้น ทั้งคู่เป็น open weights ที่คุณโฮสต์เอง สิ่งที่เลเยอร์กำหนดเส้นทางทำสำหรับไปป์ไลน์แบบนี้คือตัดสินว่าแต่ละช่วงจะทำงานที่ไหน และ DSL สำหรับกำหนดเส้นทางก็เป็นจุดที่ตรงไปตรงมาที่จะวางขอบเขตแปดวินาทีไว้ จงแสดงออกมาเป็นนโยบาย — คลิปที่สั้นกว่าแปดวินาทีไปยังตัวบรรยาย WeMM-Video-9B ภายในเครื่อง ส่วนคลิปที่ยาวกว่าไปยังโมเดล omni ที่โฮสต์ไว้ — แล้วขอบเขตนั้นก็จะเลิกเป็นเพียงคอมเมนต์ในไฟล์คอนฟิกที่ไม่มีใครอ่าน จนกระทั่งคลิปหกสิบวินาทีถูกส่งกลับมาพร้อมคำบรรยายที่แบ่งเป็นชิ้นละแปดวินาที

สำหรับส่วนที่ใช้บริการโฮสต์ของนโยบายนั้น API เดียวครอบคลุมโมเดลกว่า 200 รายการด้วยส่วนเพิ่ม 0%จากราคาตามรายการของผู้ให้บริการ ดังนั้นไปป์ไลน์ที่ครอบคลุมทั้งตัวอธิบายที่โฮสต์เองและตัวที่เช่ายังคงเป็นใบเรียกเก็บเงินใบเดียวและคีย์เดียว การลดราคาของผู้ให้บริการจะถึงคุณในวันเดียวกับที่ถึงผู้ให้บริการ ซึ่งสำคัญเมื่อครึ่งที่โฮสต์ไว้ของปริมาณงานของคุณถูกเลือกโดยดูจากราคา

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.

ดาวน์โหลดทั้งคู่ หรือไม่ก็ไม่ต้องดาวน์โหลดเลย

ถ้าคุณต้องการไปป์ไลน์ที่ใช้งานได้จริงภายในสัปดาห์นี้ Kandinsky 6.0 Video คือคำตอบ และไม่มีใครใกล้เคียง สัญญาอนุญาต MIT ช่องทางติดตั้งใช้งานสี่แบบตั้งแต่วันแรก เสียง 44 kHz ที่ซิงก์พร้อมลิปซิงก์ และความยาวที่เทรนไว้ 5 วินาทีซึ่งคุณวางแผนได้ สิ่งที่คุณต้องแลกคือความยาวคลิปและการตรวจสอบยืนยันอิสระ

หากคุณต้องการตัวอธิบายแบบ omni-modal ขนาด 9B ที่คุณตรวจสอบได้ WeMM-Video-9B คือคำตอบ และการตรวจสอบคือประเด็นสำคัญ: การลงบัญชีพารามิเตอร์อย่างครบถ้วน ความครอบคลุมของการควอนไทซ์ที่แยกเป็นรายการ และสตริงสถานะที่ตรงไปตรงมาบนบิลด์ที่ยังไม่ผ่านการตรวจสอบสี่รายการ คุณต้องแลกกับสัญญาการให้บริการ ระบบนิเวศ และหลักฐานใด ๆ นอกเหนือจากตารางของผู้เขียนเอง

การเข้าใจผิดคือการมองว่า "open weights" เป็นคุณสมบัติเดียว การเปิดตัวหนึ่งในนี้ทำตัวเหมือนผลิตภัณฑ์ที่มีสัญญาอนุญาตแนบมาด้วย ส่วนอีกอันทำตัวเหมือนบทความวิชาการที่มีเช็กพอยต์แนบมาด้วย และคุณต้องการอันไหนนั้นขึ้นอยู่ทั้งหมดกับว่าคุณกำลังพยายามนำฟุตเทจไปใช้งานจริงหรือทำความเข้าใจมัน

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube