Thẻ tiêu đề ghi 'WeMM-Video-9B so với Kandinsky 6.0 Video' với phụ đề 'Cả hai đều mở, không bên nào được đo lường', hai bảng được chia tách bởi một đĩa vs: bên trái có tiêu đề WeMM-Video-9B với huy hiệu 'Apache 2.0' và các hàng ghi 'bộ đọc dense 9B', '19.54 GiB BF16', '16 khung hình ở 2 fps', 'hai video mỗi yêu cầu', 'trả về văn bản'; bên phải có tiêu đề Kandinsky 6.0 Video với huy hiệu 'MIT licence' và các hàng ghi '29B Pro, 3B Lite', '5 giây, 121 khung hình, 24 fps', 'âm thanh 44.1 kHz trong cùng lượt', 'không có chế độ mở rộng', 'khoảng 7 phút H100 mỗi clip'.
Guides & Insights

WeMM-Video-9B so với Kandinsky 6.0 Video: Cả hai đều mở, không bên nào được đo lường

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

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.

Những gì sau đây xem hai bản phát hành đúng như bản chất của chúng: một mô hình mở cấp sản xuất với một hệ sinh thái, và một bản phát hành nghiên cứu với một bài báo. Cả hai cách mô tả vừa là lời khen vừa là giới hạn, và thứ tự bạn đọc chúng sẽ quyết định bản nào bạn nên tải xuống.

Năm giây là độ dài đã được huấn luyện

Kandinsky 6.0 Video tạo ra các clip năm giây, và từ quan trọng là “trained” (được huấn luyện), không phải “default” (mặc định). Năm giây ở 121 khung hình là độ dài mà mô hình đã học; yêu cầu nhiều hơn không phải là một cài đặt, mà là ngoại suy, và Sber không trình bày nó như bất cứ điều gì khác. Trong năm giây đó, bạn nhận được âm thanh 44 kHz được tạo trong cùng một lượt với căn chỉnh khớp môi, một năng lực thực sự khác thường ở giấy phép và quy mô này.

Bề mặt triển khai là phần phân biệt hai bản phát hành rõ nét nhất. Ngay từ ngày đầu, Kandinsky 6.0 Video đã phát hành một gói Diffusers, một điểm vào dòng lệnh, hai node ComfyUI và hai Spaces. Sau đó, một cộng tác viên bên ngoài đã hợp nhất pull request 8537 vào vLLM-Omni, đăng ký pipeline dưới tên Kandinsky6TI2VAPipeline và phục vụ tác vụ văn bản thành video và âm thanh lẫn tác vụ hình ảnh thành video và âm thanh từ một DiT duy nhất.

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, với native_inference_validated và native_low_precision_gemm_validated đều là false.

• AWQ W4A16, 12.86 GiB — đã lượng tử hóa_chưa xác thực.

• NVFP4 W4A16, 13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread, với native FP4 GEMM, suy luận PRO5000 và xác thực vLLM đều là false, cùng với chứng thực số về RMSE tương đối trung bình 0.095 so với giới hạn 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.

Bốn bản dựng nén, tất cả đều cách nhau trong vòng 0,42 GiB, không bản nào được xác thực cho suy luận gốc. Hãy so sánh với Kandinsky 6.0 Video, nơi giấy phép MIT và bốn giao diện độc lập nghĩa là bài toán xác thực đã được phân tán cho những người không phải Sber.

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.'

Mười chín gigabyte rưỡi, được liệt kê chi tiết

WeMM-Video-9B bù đắp cho phần mô tả triển khai còn sơ sài bằng một bản tự mô tả đầy đủ đến bất thường. Số lượng tham số là 10,488,603,384 trên 1,305 tensor. Cách phân chia được công bố: xương sống ngôn ngữ 7.94B gồm embedding token 1.02B, đầu ra untied 1.02B, tháp âm thanh 1.08B — 32 lớp kiểu Whisper ở độ rộng 1,280 phía sau một Q-Former hai lớp, mười token âm thanh mỗi giây — và tháp thị giác 0.46B với 27 khối, hidden 1,152, patch 16, hợp nhất không gian 2×2.

Chỉ có FFN dày đặc được lượng tử hóa trong các bản dựng nén: 96 ma trận ngôn ngữ, ba ma trận mỗi lớp trên 32 lớp, kích thước 4.096 x 12.288, tức 4.831.838.208 phần tử trong tổng số 10,49 tỷ. Attention được khôi phục về BF16 — 152 ma trận chiếu cộng 32 norm đầu vào, tất cả đều có hàm băm SHA-256 — và 1.209 tensor vẫn chính xác từng bit. Khoảng 3,57 tỷ tham số, tức khoảng 7,1 GB, thuộc vision tower, audio tower, embedding và output head hoàn toàn không đi vào bộ lượng tử hóa. Đó là lý do AWQ tiết kiệm 34% so với BF16 chứ không phải 70% như tên gọi gợi ý.

Không điều nào trong số này cho bạn biết mô hình có tốt hay không. Nó cho bạn biết rằng bản phát hành có thể kiểm toán được, một phẩm chất khác và thường bị xem nhẹ.

Cả hai đều không có điểm số độc lập.

Kandinsky 6.0 Video không xuất hiện trên bảng xếp hạng video nào trong ba bảng xếp hạng video của Artificial Analysis. WeMM-Video-9B cũng không. Hai sự vắng mặt này có nguyên nhân khác nhau và sự khác biệt đó rất quan trọng.

Kandinsky 6.0 Video không có bài gửi lên đấu trường, và bảng xếp hạng text-to-video yêu cầu phải có giá API trước khi đưa một mô hình vào danh sách — năm giây đầu ra trọng số mở mà không có mức giá thương mại thì không có dòng nào để chiếm chỗ. WeMM-Video-9B không thể xếp hạng theo một nghĩa sâu xa hơn: các bảng xếp hạng chấm điểm cảnh quay được tạo ra, còn nó lại tạo ra văn bản.

Thay vào đó, mỗi phòng thí nghiệm đưa ra đánh giá của riêng mình, và cả hai đều nên được đọc với cùng một thái độ hoài nghi.

• Kandinsky 6.0 Video — kết quả VABench do nhà cung cấp báo cáo, cùng với một đánh giá của con người do phòng thí nghiệm thực hiện, khoảng 200 so sánh theo cặp cho mỗi tiêu chí. Ngoài ra còn có báo cáo về mức giảm 47% tỷ lệ lỗi từ trong giọng nói được tạo sau quá trình hậu huấn luyện bằng RL. Con số cuối cùng đó cần được gắn cờ: nó được đo bằng Whisper-large-v3, trong khi con số WER của VABench mà nó được so sánh với lại dùng Qwen3-ASR-1.7B. Hai bộ nhận dạng khác nhau, hai tỷ lệ lỗi khác nhau, không thể trừ hợp lệ. Cải thiện có thể là thật; nhưng con số được trình bày như vậy thì không thể so sánh được.

• WeMM-Video-9B — bộ khung đánh giá của chính các tác giả, được công bố là "kết quả chính thức khi có sẵn và đánh giá của riêng chúng tôi trong các trường hợp còn lại." Ở chế độ suy luận trên các tác vụ âm thanh-hình ảnh kết hợp, mô hình vượt Qwen3-Omni-30B-A3B-Instruct ở 35 trong 37 chỉ số được chia sẻ, bao gồm Video-MME có âm thanh đạt 85,1 so với 77,3 và SciVideoBench đạt 64,2 so với 49,9, và thua một chỉ số là FutureOmni với 53,7 so với 55,1. Trên video không có âm thanh, so với mô hình nền Qwen3.5-9B của nó, mô hình cao hơn ở F-16-NBA với 88,7 so với 75,8 và ở TimeLens, đồng thời thấp hơn ở MLVU, LVBench, VideoVista, VSI-Bench và MVBench.

Hai bản phát hành mở, hai đánh giá tự thực hiện, không có bên thứ ba. Đó là hiện trạng trung thực của cả hai.

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.

Mười sáu khung hình so với năm giây

Nơi hai giới hạn gặp nhau thú vị hơn so với từng giới hạn riêng lẻ. WeMM-Video-9B đi kèm một công thức vLLM ghi đè các mặc định bộ xử lý của chính nó — 2 fps, tối thiểu 4 khung hình, tối đa 128, 100,663,296 pixel — xuống còn 2 fps và 16 khung hình ở 262,144 pixel, được lấy mẫu quanh điểm giữa của clip. Mười sáu khung hình ở hai khung hình mỗi giây là tám giây bao phủ, và mọi lệnh serving cũng truyền một ngữ cảnh 8,192 token đối chiếu với 262,144 embedding vị trí trong kiến trúc.

• Kandinsky 6.0 Video — năm giây đầu vào, năm giây đầu ra, 121 khung hình, âm thanh 44 kHz. Một độ dài được huấn luyện cố định.

• WeMM-Video-9B — đầu vào được lấy mẫu tám giây, đầu ra là văn bản, với toàn bộ bản âm thanh dài tới khoảng mười ba phút ở tốc độ mười token mỗi giây.

• Điểm nối — một clip Kandinsky dài năm giây vừa vặn trong cửa sổ tám giây của WeMM-Video-9B, còn dư ba giây, và đây là cấu hình duy nhất mà việc định tuyến một clip được tạo vào bộ mô tả diễn ra trơn tru.

• Chi phí của việc ghép nối — Sber báo cáo khoảng bảy phút thời gian H100 cho mỗi clip Full-HD, vì vậy một lần tạo năm giây là một suất đặt trước bảy phút trước khi bất kỳ việc mô tả nào diễn ra trên phần cứng cục bộ.

Định tuyến theo độ dài clip

Cả hai mô hình đều không được phục vụ qua OrcaRouter, và sẽ không bao giờ như vậy: cả hai đều là trọng số mở do bạn tự lưu trữ. Điều một lớp định tuyến làm cho một pipeline như thế này là quyết định chặng nào chạy ở đâu, và DSL định tuyến là nơi trung thực để đặt ranh giới tám giây. Hãy diễn đạt nó thành một chính sách — clip dưới tám giây đến bộ mô tả WeMM-Video-9B cục bộ, clip dài hơn đến một mô hình omni được lưu trữ — và ranh giới đó không còn là một dòng chú thích trong tệp cấu hình mà không ai đọc cho đến khi một clip sáu mươi giây quay về được mô tả thành những mảnh tám giây.

Đối với phần hosted của chính sách đó, một API bao phủ hơn 200 mô hình với 0% phụ trội trên giá niêm yết của nhà cung cấp, nên một pipeline trải từ dịch vụ mô tả tự lưu trữ đến dịch vụ mô tả thuê vẫn chỉ có một hóa đơn duy nhất và một khóa duy nhất. Các đợt giảm giá của nhà cung cấp đến với bạn ngay ngày chúng được áp dụng tại nhà cung cấp, điều này quan trọng khi nửa hosted trong khối lượng công việc của bạn được chọn dựa trên giá.

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.

Tải xuống cả hai, hoặc không cái nào cả.

Nếu bạn cần một pipeline hoạt động được ngay trong tuần này, Kandinsky 6.0 Video chính là câu trả lời, và không có đối thủ nào gần bằng. Giấy phép MIT, bốn bề mặt triển khai ngay từ ngày đầu, âm thanh 44 kHz đồng bộ với khớp khẩu hình, và độ dài huấn luyện năm giây mà bạn có thể lên kế hoạch dựa trên đó. Bạn sẽ phải từ bỏ thời lượng và khả năng xác thực độc lập.

Nếu bạn muốn một công cụ mô tả đa phương thức toàn diện 9B mà mình có thể kiểm toán, thì WeMM-Video-9B chính là câu trả lời, và việc kiểm toán mới là điểm mấu chốt: bản kê đầy đủ tham số, độ phủ lượng tử hóa được liệt kê từng mục, các chuỗi trạng thái trung thực trên bốn bản dựng chưa được xác thực. Bạn phải từ bỏ một hợp đồng phục vụ, một hệ sinh thái, và mọi bằng chứng ngoài chính các bảng của tác giả.

Sai lầm là coi "open weights" như một thuộc tính duy nhất. Một trong những bản phát hành này hành xử như một sản phẩm gắn kèm giấy phép. Bản còn lại hành xử như một bài báo gắn kèm checkpoint, và bản nào bạn cần phụ thuộc hoàn toàn vào việc bạn đang cố đưa footage vào sản phẩm hay hiểu nó.