Kling 4.0 vs Kandinsky 6.0 Video: Cuộc đối đầu trực tiếp mà chưa ai từng thực hiện

Đánh giá con người được công bố duy nhất đặt Kling 4.0 và Kandinsky 6.0 Video vào cùng một cuộc so sánh thì không tồn tại. Cái tồn tại là một bài báo từ chính phòng thí nghiệm của Kandinsky, được gửi lên arXiv ngày 4 tháng 10 năm 2026, so sánh Kandinsky 6.0 Video Pro với Kling 2.6 — kém hai thế hệ so với mô hình mà Kuaishou đã phát hành cho tất cả mọi người vào ngày 15 tháng 10. Khoảng cách đó là điểm khởi đầu trung thực cho cuộc đối đầu này, và nó đi theo một hướng mà hầu hết các trang so sánh bỏ qua: trên đúng những cột mà bài báo đo lường, Kling cũ hơn đã thắng dứt khoát ở một số cột. Những tuyên bố của Kuaishou về 4.0 trên đúng những cột đó là những điều chưa ai kiểm chứng.

Vậy nên đây không phải là trang sẽ cho bạn biết mô hình nào tốt hơn, vì bằng chứng để khẳng định điều đó vẫn chưa tồn tại. Đây là trang nói về việc mỗi mô hình thực sự được xây dựng để làm gì, cuộc so tài trực tiếp thực sự duy nhất đã phát hiện ra điều gì, và mô hình nào trong hai mô hình bạn có thể đưa vào pipeline trong tuần này.

Hai sản phẩm chỉ trông giống nhau

Kling 4.0 là một trình tạo video đóng, tính phí theo tín dụng của Kuaishou. Mô hình đầy đủ hỗ trợ chuyển văn bản thành video, chuyển ảnh thành video, khung đầu và khung cuối, nhiều khung hình chính, tham chiếu toàn diện và chỉnh sửa có mục tiêu, với thời lượng từ 3 đến 30 giây và độ phân giải từ 720p đến 4K. Sản phẩm được bán qua ứng dụng và trang web Kling, cùng một API mà Kuaishou bắt đầu mở dần theo từng đợt từ ngày 21 tháng 10 và bảng giá dành cho nhà phát triển của nó vẫn ghi mô hình là "Coming Soon" chỉ với mức giá xem trước.

Kandinsky 6.0 Video là kiểu sản phẩm trái ngược. Kandinsky Lab của Sber phát hành nó vào ngày 6 tháng 10 năm 2026 dưới dạng hai checkpoint — Pro với 29 tỷ tham số và Lite với 3 tỷ, cùng một mô hình siêu phân giải 1,4 tỷ riêng — theo giấy phép MIT, với trọng số trên Hugging Face, mã nguồn trên GitHub và tích hợp ngay từ ngày đầu vào Diffusers, ComfyUI, FastVideo, SGLang và vLLM-Omni. Nó tạo các clip năm giây ở 121 khung hình và 24 fps, với âm thanh 44,1 kHz được đồng bộ hóa và đồng bộ khẩu hình, từ một câu lệnh văn bản hoặc một ảnh tham chiếu.

Một bên là dịch vụ có lợi thế về thời hạn. Bên còn lại là bản tải xuống có lợi thế về giấy phép. Gần như mọi khác biệt thực tiễn giữa chúng đều bắt nguồn từ câu đó.

Cuộc đối đầu trực diện duy nhất, được nhìn nhận một cách trung thực

Đánh giá của con người trong bài báo Kandinsky là thứ gần nhất với một bảng điểm chung, và đáng đọc kỹ vì đây là một phòng thí nghiệm tự chấm điểm mô hình mới của mình so với một đối thủ do chính họ lựa chọn.

• Chất lượng hình ảnh tổng thể — Kling 2.6 dẫn đầu, theo đánh giá của chính những người chấm điểm trong bài báo.

• Thẩm mỹ thị giác — Kling 2.6 dẫn trước.

• Chất lượng âm thanh — Kling 2.6 dẫn đầu.

• Đồng bộ âm thanh-hình ảnh — Kling 2.6 dẫn trước.

• Tuân theo lời nhắc âm thanh — Kandinsky 6.0 Video Pro sắp ra mắt.

• Chất lượng giọng nói — Kandinsky 6.0 Video Pro dẫn đầu, nhất quán với mức giảm 47% tỷ lệ lỗi từ trong giọng nói được tạo mà sản phẩm báo cáo sau huấn luyện hậu kỳ bằng học tăng cường.

• Điều khiển camera trong video-từ-hình-ảnh kèm âm thanh — Kandinsky 6.0 Video Pro dẫn đầu.

• Tuân theo lời nhắc trực quan — gần như ngang bằng.

Có ba điều rút ra. Thứ nhất, mô hình mới hơn không áp đảo mô hình cũ, điều này không thường thấy trong đánh giá nội bộ của một phòng thí nghiệm và đáng được ghi nhận. Thứ hai, các chiến thắng của Kandinsky tập trung ở những nơi kiến trúc khác thường — nó khử nhiễu đồng thời các latent video và âm thanh thông qua một transformer duy nhất thay vì chạy hai mô hình tuần tự — và điều đó thể hiện rõ hơn ở mức độ bám theo lời nói và gợi ý âm thanh so với chất lượng hình ảnh thô. Thứ ba, so sánh không cho bạn biết gì về Kling 4.0, sản phẩm mà toàn bộ điểm bán là độ chân thực tốt hơn, chuyển động quy mô lớn ổn định hơn và khớp khẩu hình sạch hơn. Đó chính xác là những cột mà phiên bản tiền nhiệm của nó đã dẫn đầu.

Nếu bạn muốn phép so sánh là thật sự chứ không chỉ được suy ra, thứ còn thiếu là một lần chạy đấu trường độc lập có cả hai mô hình tham gia. Hiện nay chưa có bên nào có một lần chạy như vậy giữa hai mô hình với nhau.

Khoảng trống đặc tả quyết định phần lớn công việc

• Độ dài clip — Kling 4.0 chạy từ 3 đến 30 giây trong một lần, với tính năng mở rộng lên tới 2 phút được ghi là sắp ra mắt. Kandinsky 6.0 Video được huấn luyện với 121 khung hình và tạo ra 5 giây. Mọi thứ dài hơn đều là vấn đề ghép nối mà bạn phải tự lo.

• Độ phân giải — Kling 4.0 cung cấp 720p, 1080p và 4K, với 10-bit HDR ở 1080p và 4K được ghi chú là sắp ra mắt trên ghi chú phát hành của chính Kuaishou. Kandinsky tạo ở SD và nâng cấp qua mô hình siêu phân giải 1,4B lên Full HD, 1920×1080, với hệ số ×2, ×2,25 và ×4.

• Đầu vào điều khiển — Kling 4.0 nhận tối đa 10 khung hình chính và ngân sách tham chiếu 15 mục, được chia trên 10 hình ảnh, 5 video có tổng thời lượng tối đa 30 giây, các tham chiếu giọng nói và tối đa 7 phần tử. Kandinsky 6.0 Video nhận một câu lệnh văn bản hoặc một hình ảnh tham chiếu duy nhất, được áp dụng dưới dạng khung đuôi có mặt nạ.

• Âm thanh — Kling 4.0 xuất ra âm thanh stereo hai kênh với tính năng đồng bộ khẩu hình trên chín ngôn ngữ và các accent được chỉ định. Kandinsky xuất ra AAC 44,1 kHz với âm thanh được bật theo mặc định; pipeline trả về giọng nói, nhạc hoặc âm thanh môi trường được đồng bộ ngay cả khi bạn không truyền tham số âm thanh nào.

• Độ dài câu lệnh — Kling 4.0 chấp nhận tối đa 8.000 token. Công thức phục vụ của Kandinsky được xây dựng xoay quanh phong cách chú thích mà mô hình được huấn luyện, dài, trung bình hoặc ngắn, chứ không phải một kịch bản không giới hạn.

• Giấy phép — Kling 4.0 là sản phẩm đóng, được điều chỉnh bởi các điều khoản của Kuaishou. Kandinsky 6.0 Video dùng giấy phép MIT cho mã nguồn, trọng số và tích hợp Diffusers.

Hàng cuối cùng đó đang đảm nhận nhiều việc hơn độ dài của nó gợi ý. Một mô hình đóng 30 giây và một mô hình MIT 5 giây không thể thay thế cho nhau ngay cả khi chất lượng hình ảnh của chúng tương đương, bởi vì một bên ràng buộc những gì bạn có thể xây dựng còn bên kia ràng buộc những gì bạn có thể tạo ra.

Mỗi thứ tốn bao nhiêu, tính theo đơn vị thực sự được tính phí

Trang định giá dành cho nhà phát triển của Kuaishou liệt kê Kling 4.0 ở mức 1,5 đơn vị mỗi giây ở 1080p, được quy đổi thành $0,235 mỗi giây, và 1,0 đơn vị, $0,157 mỗi giây, ở 720p. Không có mức giá 4K — cột này ghi "-". Khi có đầu vào video, mức giá giảm xuống còn $0,094 mỗi giây ở 720p và $0,141 ở 1080p, nhưng cách tính phí sẽ tính thời lượng đầu ra nhân đôi khi đầu vào ngắn hơn đầu ra. Trang này cũng nói rằng các con số "chỉ nhằm mục đích xem trước" và rằng quyền truy cập API "chưa khả dụng", điều này có phần trái khoáy bên cạnh thông báo ngày 21 tháng 10 của Kuaishou rằng API đã chính thức ra mắt cho khách hàng doanh nghiệp và nhà phát triển. Đọc cùng nhau, nhận định công bằng là API đang mở theo từng giai đoạn và không có bảng giá công khai, ổn định nào tồn tại vào ngày 23 tháng 10.

Với mức giá xem trước, một clip 720p dài năm giây tốn khoảng 0,79 USD, còn clip 30 giây khoảng 4,71 USD. Đó là con số để đối chiếu nhanh mọi báo giá từ nhà bán lại bên thứ ba, vì giá của nhà bán lại biến động độc lập với giá của Kuaishou.

Kandinsky 6.0 Video không có giá theo giây vì không có endpoint nào của nhà cung cấp để mua. Chi phí của nó là thời gian GPU, và kho lưu trữ công bố số liệu đo được cho một clip năm giây sau khi khởi động, không tính thời gian tải mô hình và mã hóa: Pro ở Full HD mất 402 giây trên H100, 854 trên RTX 5090, 1.247 trên RTX 4090 và 3.530 trên RTX 5060 Ti. Lite ở Full HD mất 284 giây trên H100. Với bất kỳ mức giá H100 nào bạn phải trả, 402 giây là 6,7 phút sử dụng card đó cho mỗi clip năm giây — nhân lên và bạn tự làm phép tính, vì nhà cung cấp không bán đầu ra cho bạn và do đó không công bố giá cho nó.

Trần bộ nhớ là con số còn lại quyết định xem việc tự host có thực tế với bạn hay không. Một lượt chạy Pro SD đạt đỉnh 72,8 GiB, vượt qua mọi card đồ họa tiêu dùng. Preset 16 GB của repository truyền phát các khối transformer từ bộ nhớ host và lượng tử hóa text encoder sang NF4 — và bài báo nói rõ rằng đây là thay đổi preset duy nhất làm thay đổi chính clip. Nếu bạn tái tạo đầu ra của ai đó trên card 16 GB mà không khớp, hãy kiểm tra cài đặt đó đầu tiên.

Những gì bạn có thể gọi hôm nay, và điều đó định hình quyết định như thế nào

Đây là sự bất đối xứng quan trọng hơn bất kỳ điểm chuẩn nào: Kling 4.0 có thể truy cập qua ứng dụng riêng của Kuaishou và ngày càng qua API của nền tảng này, trong khi Kandinsky 6.0 Video có thể truy cập bằng cách tải xuống. Cả hai đều không phải là lệnh gọi thay thế trực tiếp từ một lớp định tuyến.

Thứ mà OrcaRouter định tuyến chính là thế hệ mà Kling 4.0 thay thế. Kling 3.0 có trong danh mục với giá $0.084 mỗi yêu cầu, và MiniMax H3 có mặt ở đó với giá $0.08 mỗi giây video được tạo, cả hai đều trên cùng một endpoint tương thích OpenAI như hơn 200 mô hình, theo giá niêm yết của nhà cung cấp với 0% phụ phí. Điều đó quan trọng đối với một mô hình tự vận hành theo cách mà nó không hề quan trọng với một mô hình do nhà cung cấp vận hành: lượt mở rộng lời nhắc biến mô tả cảnh quay thành chú thích dài mà Kandinsky được huấn luyện trên đó, công việc chú thích và phiên âm cấp dữ liệu cho đầu vào hình ảnh, các bản tóm tắt đánh giá quyết định giữ lại lần tạo nào trong bốn lần tạo — đó đều là các lệnh gọi văn bản thông thường, và chúng có thể dùng chung một khóa và một chính sách chuyển đổi dự phòng trong khi phần xử lý nặng của video chạy ở bất cứ đâu bạn đặt nó. Bản thân Kandinsky không phải là một tuyến của OrcaRouter, và không nên hiểu bất cứ điều gì ở đây là đang khẳng định điều đó.

Cái nào phù hợp với stack của bạn?

Quyết định này không xoay quanh chất lượng, vì chưa ai đo lường nó một cách công bằng. Nó xoay quanh ba câu hỏi mà bạn có thể tự trả lời.

Bạn có cần một cảnh quay dài hơn năm giây không? Vậy thì Kandinsky 6.0 Video không còn nằm trong cuộc đua cho cảnh quay đó, và không mức cấp phép MIT nào thay đổi được điều đó — bạn sẽ phải nối ghép, mà việc nối ghép khiến bạn mất đi tính mạch lạc thời gian mà mô hình này vốn giỏi.

Bạn có cần sở hữu trọng số, chạy ngoại tuyến, tinh chỉnh, hay đóng gói vào một sản phẩm mà hóa đơn nhà cung cấp theo từng lần gọi là không thể chấp nhận? Vậy thì Kling 4.0 bị loại khỏi cuộc chơi bất kể bảng thông số của nó, vì API đóng là một sự phụ thuộc, không phải tài sản.

Bạn có cần đưa ra quyết định trong tuần này với một mức ngân sách mà ai đó sẽ ký duyệt không? Vậy thì cả hai đều không rõ ràng. API của Kling 4.0 đang trong quá trình triển khai với giá xem trước, còn chi phí thực sự của Kandinsky là một con số GPU-giờ mà bạn phải quy đổi sang hạ tầng của riêng mình. Những mô hình bạn có thể định giá và gọi ngay hôm nay đều là thế hệ trước ở cả hai bên — Kling 3.0 qua Kuaishou hoặc một router, và Kandinsky 6.0 Video từ Hub.

Điều cần chú ý không phải là một thông số kỹ thuật. Mà là liệu có ai chạy cả hai mô hình trên cùng những câu lệnh và công bố kết quả hay không — một mục đấu trường độc lập, một phòng thí nghiệm không sở hữu mô hình nào trong hai mô hình, hoặc một bộ clip so sánh song song đáng tin cậy kèm theo các câu lệnh. Cho đến khi điều đó tồn tại, bất kỳ trang nào xếp hạng Kling 4.0 so với Kandinsky 6.0 Video và chọn ra người thắng cuộc đều đang ngoại suy từ một so sánh với Kling 2.6 và hy vọng bạn không nhận ra. Công việc hữu ích trong lúc này thì hẹp hơn: chọn ràng buộc mà bạn không thể thay đổi, và để nó chọn mô hình.