Thẻ tiêu đề ghi 'WeMM-Video-4B vs Kandinsky 6.0 Video' với phụ đề 'Two hard caps', hai bảng được chia tách bởi một đĩa vs, bảng bên trái có phụ đề 'reads clips' và liệt kê 16 khung hình được lấy mẫu đầu vào, 8,192 token và Apache 2.0 bên cạnh một biểu tượng cửa sổ nhỏ có chú thích 'input cap', bảng bên phải có phụ đề 'makes clips' và liệt kê năm giây, 121 khung hình và âm thanh 44.1 kHz bên cạnh một biểu tượng đồng hồ bấm giây có chú thích 'output cap', với chân trang ghi 'Cả hai đều vắng mặt khỏi mọi bảng video của Artificial Analysis, ngày 20 tháng 11 năm 2026.'
Engineering & Research

WeMM-Video-4B so với Kandinsky 6.0 Video: Hai giới hạn cứng

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Cả Kandinsky 6.0 Video và WeMM-Video-4B đều là các bản phát hành trọng số mở với giấy phép thoáng, cả hai đều ra mắt trong hai tháng qua mà không có chiến dịch tiếp thị nào đáng kể, và cả hai đều vắng mặt trên mọi bảng video của Artificial Analysis. Sự vô hình chung đó là nơi những điểm tương đồng kết thúc, và thay vào đó là một cặp giới hạn trần cho bạn biết nhiều hơn về mỗi mô hình so với bất kỳ dòng benchmark nào. Kandinsky 6.0 Video tạo ra năm giây cảnh quay với âm thanh đồng bộ rồi dừng lại — năm giây là độ dài đã được huấn luyện, không phải mặc định. WeMM-Video-4B đọc một clip qua mười sáu khung hình được lấy mẫu rồi dừng lại, đây là mức do công thức phục vụ của chính nó đặt ra so với mặc định 128 của bộ xử lý. Một giới hạn nằm ở thời lượng đầu ra, giới hạn kia ở độ trung thực đầu vào, và lựa chọn giữa chúng là lựa chọn loại mù lòa nào mà pipeline của bạn có thể chịu đựng được.

Không mô hình nào trong hai mô hình đã được đánh giá độc lập. Số liệu của Sber là của Sber, của Tencent là của Tencent, và các tiêu đề mục bên dưới giữ ranh giới đó hiển thị rõ thay vì che lấp nó.

Giới hạn năm giây và cửa sổ mười sáu khung hình

Kandinsky 6.0 Video được Kandinsky Lab của Sber phát hành vào ngày 6 tháng 10 năm 2026 theo giấy phép MIT, với hai kích cỡ: Pro 29 tỷ tham số và Lite 3 tỷ. Nó nhận một câu lệnh văn bản hoặc một ảnh tham chiếu và trả về một clip năm giây với âm thanh 44,1 kHz được tạo trong cùng một lượt, bao gồm cả đồng bộ khẩu hình. Bài báo và công thức phục vụ đều được xây dựng quanh 121 khung hình ở 24 khung hình/giây, và không có chế độ kéo dài trong bản phát hành. Mọi thứ dài hơn là một bài toán ghép nối mà bạn phải tự xử lý.

WeMM-Video-4B là thành viên giữa trong dòng mô hình bốn kích cỡ của nhóm WeChat Vision thuộc Tencent, được tải lên vào ngày 17 tháng 11 năm 2026, với báo cáo kỹ thuật ra sau đó vào ngày 19 tháng 11. Mô hình có 5,611,746,312 tham số — 10.45 GiB ở BF16 — vì nhãn "4B" đề cập đến phần nền ngôn ngữ Qwen3.5-4B chứ không phải checkpoint. Mô hình nhận văn bản, hình ảnh, video và âm thanh, đồng thời trả về văn bản.

• Kandinsky 6.0 Video — giới hạn đầu ra: năm giây, 121 khung hình, 24 fps, âm thanh 44.1 kHz gắn chặt với hình ảnh.

• WeMM-Video-4B — giới hạn đầu vào: 2 khung hình mỗi giây được lấy mẫu tối đa 16 khung hình, tổng cộng 262.144 pixel, trong ngữ cảnh 8.192 token mà âm thanh tiêu tốn 10 token mỗi giây.

• Cả hai — giới hạn nằm trong cấu hình được phát hành, không phải ở kiến trúc, và không kho lưu trữ nào giải thích mô hình sẽ làm gì nếu không có nó.

Đọc hai thứ cùng nhau và một quy trình làm việc tự gợi ra mà không nhà cung cấp nào tài liệu hóa: một đoạn clip năm giây được giao cho bộ mô tả lấy mẫu mười sáu khung hình là một clip được lấy mẫu ở khoảng ba khung hình mỗi giây, cao hơn mức sàn hai khung hình mỗi giây của chính công thức. Đó là nơi duy nhất hai mô hình này khớp với nhau một cách gọn gàng, và đáng để chú ý chính vì nó là ngẫu nhiên.

Lần này, giấy phép là phần dễ nhất.

Lần này, việc so sánh pháp lý không phải là yếu tố quyết định. Cả hai bản phát hành đều có giấy phép thoáng và đều được ghi chú đầy đủ về điểm này, một sự nhẹ nhõm sau một năm với Apple AMLR và các thành phần demo phi thương mại.

• Kandinsky 6.0 Video — MIT cho mã nguồn, trọng số và tích hợp diffusers. Kho lưu trữ cung cấp hai nút ComfyUI có thể cài đặt thông qua ComfyUI Manager và hai Hugging Face Spaces, một cho checkpoint chưng cất Pro và một cho siêu phân giải.

• WeMM-Video-4B — Apache 2.0 trên toàn bộ bộ sưu tập, với một tệp giấy phép của T​encent nêu rằng các thành phần bên thứ ba vẫn theo các điều khoản gốc của chúng. Phần ngoại lệ không được liệt kê thành từng mục, đây là một lỗ hổng thực sự chứ không phải là thủ tục hình thức, vì ngăn xếp âm thanh bắt nguồn từ Qwen2.5-Omni và phần xương sống từ Q​wen3.5, cả hai đều là Apache 2.0.

• Cả hai — đều có thể sử dụng cho mục đích thương mại, và không nhà cung cấp nào công bố chính sách sử dụng nào thu hẹp thêm phạm vi đó. Nếu rà soát pháp lý là rào cản của bạn, thì ở đây rào cản sẽ không nằm ở dòng giấy phép; mà nằm ở phần ngoại lệ không được liệt kê riêng ở phía T​encent.

Bề mặt triển khai là nơi chúng tách nhau.

Sự khác biệt rõ rệt hơn không nằm ở giấy phép mà ở việc người khác đã làm sẵn cho bạn bao nhiêu, và khoảng cách đó đủ lớn để làm thay đổi tiến độ.

Kandinsky 6.0 Video đã ra mắt cùng gói diffusers, một dòng lệnh, hai nút ComfyUI và hai Spaces ngay trong ngày đầu tiên. Sau đó, một cộng tác viên bên ngoài đã hợp nhất pull request 8537 vào vLLM-Omni, đăng ký pipeline dưới dạng Kandinsky6TI2VAPipeline với các latent video và âm thanh được khử nhiễu đồng thời bởi một transformer, trọng số được tải theo từng thư mục từ transformer/, vae/, text_encoder/, text_encoder_2/ và audio_vae/, cùng một công thức phục vụ tại recipes/Kandinsky/Kandinsky6-TI2VA.md. Việc điều kiện hóa bằng ảnh tham chiếu được áp dụng dưới dạng khung cuối được mặt nạ hóa thay vì một chế độ riêng, vì vậy một pipeline duy nhất phục vụ cả chuyển văn bản thành video và âm thanh lẫn chuyển ảnh thành video và âm thanh. Âm thanh được bật theo mặc định: một yêu cầu không có tham số âm thanh vẫn trả về lời nói, nhạc hoặc âm thanh nền được đồng bộ.

WeMM-Video-4B có hồ sơ trái ngược. Cả vLLM lẫn SGLang đều không hỗ trợ kiến trúc này ở upstream, và tìm kiếm trên trình theo dõi vấn đề của vLLM không ra yêu cầu nào về WeMM-Video. Thay vào đó, thứ mà kho lưu trữ cung cấp là một thư mục patch — các lớp phủ mã nguồn kèm manifest SHA-256 cho vLLM 0.18.0 và 0.31.0 cùng SGLang 0.5.16 và 0.5.19, mỗi bản được ghim vào một tổ hợp PyTorch, Transformers và CUDA 12.9 cụ thể, với Python 3.12, FFmpeg, CUDA 12 NPP trên đường dẫn liên kết cho TorchCodec, và một bộ công cụ C++ cùng Ninja vì SGLang biên dịch kernel ngay lần sử dụng đầu tiên. Gói GGUF nhắm tới một runtime gốc do bạn tự biên dịch từ kho lưu trữ thay vì llama.cpp, và Tencent gắn nhãn nó là 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.

Sự bất đối xứng đó có một cái giá mà bạn có thể đưa vào lịch trình. Kandinsky 6.0 Video là một container nói HTTP ngay từ bây giờ. WeMM-Video-4B là một ngày công việc toolchain trước token đầu tiên của bạn, và xác thực duy nhất mà T​encent tuyên bố là việc vLLM đã được vá đã tải nó trên một H20 và hoàn thành các kiểm tra sinh cho văn bản, hình ảnh, âm thanh và video có nhạc nền — không có thông lượng, không có độ trễ, không có dấu chân bộ nhớ, không có số liệu đồng thời.

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.

Những con số cho biết điều gì, và ai đã đưa ra chúng

Artificial Analysis vận hành ba bảng video — văn bản thành video, hình ảnh thành video và chỉnh sửa video — mỗi bảng có thang điểm Elo và nhóm bình chọn riêng. Hãy đọc cả ba vào ngày 20 tháng 11 năm 2026: Kandinsky 6.0 Video không xuất hiện trên bảng nào, và WeMM-Video-4B cũng vậy. Việc vắng mặt cả hai không phải là một đánh giá. Kandinsky 6.0 Video không có bài gửi nào lên đấu trường và bảng xếp hạng văn bản thành video của bảng yêu cầu giá API để so sánh chuẩn hóa, điều mà một checkpoint mở không có; WeMM-Video-4B hoàn toàn không thể được đưa vào một cuộc bình chọn giữa hai clip được tạo, vì nó không tạo ra clip nào.

Những gì còn lại là công việc của chính các nhà cung cấp, và nó đo những thứ khác nhau trên những thang đo khác nhau.

• Kandinsky 6.0 Video, chất lượng — kết quả do nhà cung cấp báo cáo trên VABench và đánh giá con người do phòng thí nghiệm thực hiện so với Kling 2.6, Veo 3.1 Fast, MiniMax H3 và Seedance 2.0. Sber cũng báo cáo, trong phần ablation của bài báo, rằng checkpoint chưng cất mà họ kỳ vọng bạn sẽ triển khai phục vụ được ưa thích hơn hoặc ngang bằng trên phần lớn các tiêu chí, với mức ưu tiên trung bình 51% so với 49% — ngang ngửa, ở tốc độ bạn mong muốn.

• Kandinsky 6.0 Video, audio — hai con số tỷ lệ lỗi từ trong bài báo không thể so sánh với nhau. Mức giảm 47 phần trăm đi kèm giai đoạn học tăng cường được chấm bằng Whisper-large-v3, một trong các mô hình thưởng RL; WER được báo cáo cùng VABench sử dụng Qwen3-ASR-1.7B trên tập con giọng nói. Chính các tác giả nói vậy, và trích dẫn con số này như con số kia là sai lầm dễ mắc nhất với bản phát hành này.

• WeMM-Video-4B, âm thanh-hình ảnh kết hợp — Video-MME có âm thanh đạt 83.9 so với 77.3 của Qwen3-Omni-30B-A3B-Instruct và 69.2 của MiniCPM-o-4.5-9B; Video-MME v2 đạt 48.1 so với 36.3 và 28.1; Daily-Omni đạt 82.5 so với 70.7 và 80.2, tất cả ở chế độ Thinking.

• WeMM-Video-4B, nơi nó tỏ ra kém hơn — MMAU 75,2 so với 80,4 của Qwen3.5-Omni-Flash và MMAR 67,3 so với 74,0, cùng một chiến thắng trên MMAU-Pro với 68,1 so với 64,8. Video-Holmes 58,8 so với 64,3 của MiniCPM-o-4.5-9B, và FutureOmni 50,9 so với 55,1 và 56,1.

Có hai lưu ý đi kèm với cột WeMM. Bài báo không nêu số lượng khung hình, ngân sách điểm ảnh hay độ dài ngữ cảnh được dùng cho các đánh giá video của mình, điều này quan trọng vì công thức được phát hành dùng mười sáu khung hình trong khi bộ xử lý mặc định là 128. Và chế độ thay đổi giữa các bảng: Thinking cho video, Instruct cho âm thanh, Thinking lại cho hình ảnh và văn bản. So sánh một hàng âm thanh WeMM với một hàng video của đối thủ không phải là một phép so sánh.

Thời gian thực, con số không ai trích dẫn

Kho lưu trữ của Kandinsky công bố con số quyết định liệu một mô hình video mở có dùng được trên phần cứng của bạn hay không, và nó không mấy tốt đẹp. Đây là thời gian xử lý của mô hình cơ sở chưa chưng cất cho một clip năm giây sau khi làm nóng, không tính thời gian nạp trọng số và mã hóa MP4, trong đó Full HD nghĩa là bước siêu phân giải cũng đang chạy.

• Full HD, Pro — 402 giây trên H100, 765 trên RTX PRO 6000, 854 trên RTX 5090, 1.106 trên A100 80GB, 1.247 trên RTX 4090, 3.530 trên RTX 5060 Ti.

• Full HD, Lite — 284 giây trên H100, 387 trên RTX PRO 6000, 406 trên RTX 5090, 664 trên A100, 578 trên 4090, 1.774 trên 5060 Ti.

• SD, Pro — 356 giây trên H100 so với 936 trên 4090, nơi mức phạt dành cho card tiêu dùng là nhỏ nhất.

Bộ nhớ được cấp phát đỉnh trong một lần chạy Pro SD đạt 72,8 GiB, vượt mọi card tiêu dùng, đó là lý do repo cung cấp tính năng block offloading — hai khối transformer thường trú, phần còn lại được truyền từ bộ nhớ máy chủ — với các preset cho 32, 24 và 16 GB. Preset 32 và 24 GB giống hệt nhau vì trên 24 GB, phần dư thừa không mang lại tốc độ nào. Lưu ý bị chôn sâu là ở preset 16 GB, text encoder được lượng tử hóa sang NF4, và bài báo nói rõ rằng đây là thay đổi preset duy nhất làm thay đổi chính clip, với khoảng 12 phần trăm số điểm ảnh khác nhau một mức độ sáng ở khoảng 57 dB PSNR. Nếu bạn đang tái tạo kết quả của người khác trên card 16 GB và thấy không khớp, hãy kiểm tra điều đó trước tiên.

WeMM-Video-4B không có bảng tương đương, và chính sự thiếu vắng đó cũng mang tính thông tin. T​encent đã xác nhận rằng checkpoint có thể tải và sinh đầu ra. Một mô hình lấy video làm điểm bán, nhưng chỉ được mô tả là “nó đã tạo ra”, thì đẩy toàn bộ phần chi phí của một quyết định triển khai về phía bạn.

Gắn một lớp văn bản bao quanh cả hai

Nếu bạn chạy một trong hai thứ này, ngăn xếp xung quanh cần cùng ba thứ, và không thứ nào trong số đó là mô hình. Mở rộng lời nhắc biến mô tả cảnh quay thành chú thích dài, trung bình hoặc ngắn mà Kandinsky được huấn luyện, hoặc thành câu hỏi mà WeMM nên trả lời. Phiên âm và tạo chú thích cấp dữ liệu cho một lượt image-to-video hoặc chuẩn bị một clip để mô tả. Tóm tắt đánh giá quyết định giữ lại thế hệ nào trong bốn thế hệ, đây là lệnh gọi bạn phải trả tiền cho mọi ứng viên thay vì mọi kết quả sống sót.

Đó là những completion văn bản thông thường, và chúng là phần của ngăn xếp này mà OrcaRouter bao phủ: một khóa tương thích OpenAI trên hơn hai trăm mô hình, giá niêm yết của nhà cung cấp được chuyển qua với 0% phụ phí để thay đổi giá của nhà cung cấp có hiệu lực ngay trong ngày, và failover tự động để một công đoạn tạo chú thích bị lỗi không kéo theo cả một lần render năm phút. Không mô hình nào trong hai mô hình có trên nền tảng — danh mục không có mục Kandinsky và không có mục WeMM, và không lớp định tuyến nào biến một bản tải trọng số thành một endpoint được lưu trữ. Điều router loại bỏ là công việc tích hợp xung quanh hai mô hình mà bạn thực sự tự triển khai, cộng với một cách để giữ một nhà cung cấp thứ hai phía sau nhà cung cấp đầu tiên mà không phải viết một client thứ hai.

Hai mức trần, một quyết định

Hãy hỏi xem bạn có thể làm việc trong giới hạn nào. Nếu bạn cần cảnh quay có âm thanh và có thể cắt theo đơn vị năm giây, Kandinsky 6.0 Video là bản phát hành đầy đủ hơn trên mọi phương diện không phải chất lượng thô: giấy phép MIT, bốn hình thức triển khai, một con số H100 đủ để bạn lập ngân sách, và một lượt siêu phân giải biến Full HD thành một thiết lập thực sự chứ không chỉ là lời tuyên bố. Hạn chế của nó là thời lượng, và thời lượng thì dễ thiết kế vòng quanh.

Nếu bạn cần biết trong đoạn phim mình đã có những gì — điều gì diễn ra trên màn hình và điều gì nghe được đè lên đó — thì WeMM-Video-4B là cái duy nhất trong hai cái có thể trả lời, và hạn chế của nó là độ trung thực: mười sáu khung hình được lấy mẫu và tám nghìn token là những gì công thức đi kèm cung cấp cho bạn, còn các hàng benchmark video dài được tạo ra trong những điều kiện mà bài báo không mô tả.

Điều mà cả hai bản phát hành đều không cung cấp chính là thứ sẽ khiến việc so sánh này trở nên ít tốn kém: một con số từ một người không viết bài báo. Cả hai đều mở, cả hai đều được cấp phép theo kiểu cho phép, và cả hai đều vô hình trước mọi bảng xếp hạng có thể phân xử cuộc tranh luận. Cho đến khi một trong hai được đo lường độc lập, mức trần trong mỗi kho lưu trữ là thông tin đáng tin cậy nhất mà bất kỳ nhà cung cấp nào trong hai đã công bố.