Kandinsky 6.0 Video vs Grok Imagine Video：排行榜易主

2026年1月，当Grok Imagine Video发布时，它在两种模式下都登顶了 Artificial Analysis 视频竞技场。如今，同一榜单将其当前版本在文生视频中排在第11或第12位。这不是丑闻，也不是失败——这就是一个快速发展的类别在九个月里会发生的事，也正是现在将 xAI 的生成模型与Kandinsky 6.0 Video进行比较的诚实理由。其中之一是一项针对你能多快再生成一个片段而优化的服务；另一个是 MIT 许可的检查点，Pro 尺寸为 29B 参数，Lite 为 3B，由 Sber 的 Kandinsky Lab 于 2026 年 10 月第一周发布，可生成五秒视频，并带有同步的 44 kHz 音频和唇形同步。有趣的问题不是哪一个在榜单上领先——而是它们各自在结构上接下来能够做什么。

在它下方移动的那块板

Grok Imagine Video 是 xAI 的生成模型，于 2026 年 1 月 29 日首次发布，自 6 月 16 日起稳定在 1.5 版本。在 Artificial Analysis 的文生视频排行榜上，其 1.5 版本以 Elo 1,045（±9）的分数、基于 4,056 张投票位列第 11–12 名，标价为每分钟 15.00 美元。最初的版本并未出现在该榜单上。

图像转视频是该系列表现更强的地方，也是两个构建版本以值得仔细研读的方式分道扬镳之处：

• grok-imagine-video-1.5 — 第7–9名，Elo 1,098（±8），5,267 票，$8.40/分钟。

• grok-imagine-video（一月版本）——第 12–17 名，Elo 1,072（±7），14,371 票，$4.20/分钟。

• 作为参照，该 I2V 榜单的榜首——MiniMax H3 Max——在 5,894 票下 Elo 为 1,195（±9），而 Wan 3.0 以 1,164 位列第六。

以下有两种解读，而两者都成立。xAI 较新的版本在图像生视频上确实领先自己的上一代 26 Elo，而代价是每分钟的花费翻了一倍。至于发布周的那个故事——一个一登场便登顶的模型——并没有维持住：赛道在变，竞技场在十几个更新的系统上累积了数万张选票，而九个月的角逐之后，一个快速、通用的生成器所处的位置正是中游。

Kandinsky 6.0 Video 在任何榜单上都没有 Elo 评分。其依据是一次 VABench 测试和一次由实验室开展的人工评估，两者均由 Sber 发布，且均未在该机构之外得到复现。把未经审计的开源模型与已有评分的商业模型并列，恰恰是那种需要谨慎对待的比较：有评分的模型，其位置是真实且并不好看的；而未评分的模型，其位置则无从得知。“未知”不等于“更好”。

快有两种，而其中只有一种是用秒来衡量的

Grok Imagine Video 的设计目标是提升每位创作者的生产吞吐量。它深度接入 X，返回带声音的成品片段，其功能集就像一份列人们在信息流中实际会做的事情的清单：多种宽高比、镜头运动、对象添加、移除与替换、风格迁移、基于多张图像的参考条件生成以实现角色一致性、包含对白、音效和音乐的原生音频。片段时长最长可达十五秒，分辨率最高为 1080p。整个产品的构建方式，使得第二次尝试只需花费几分钟和几美分。

Kandinsky 6.0 Video 的快是另一种意义上的快——不是体现在每次尝试上，而是体现在每一份所有权上。它没有任何环节是瞬时的。该仓库自己给出的非蒸馏模型运行时间（预热之后，且不计权重加载和 MP4 编码）显示，一段五秒的 Pro Full HD 片段在 H100 上约为 402 秒，在 RTX 5090 上为 854 秒，在 RTX 4090 上为 1,247 秒，在 RTX 5060 Ti 上为 3,530 秒。Lite Full HD 在 H100 上为 284 秒。让这一切变得尚可忍受的工具是蒸馏检查点，论文测得它与完整模型持平——在多数评判标准上更受偏好或与之打平，平均偏好为 51% 对 49%，没有任何单项差异达到显著。作为渲染缓慢的交换，你得到的是躺在自己磁盘上的模型，完全没有按片段运行的计量器。

这才是这场对决的真正格局。Grok Imagine Video 优化的是第十次尝试的成本。Kandinsky 6.0 Video 优化的是第一万次尝试的成本，而代价是让你在硬件和耐心上为第一次尝试买单。

两者都能生成音频——但这两者并不是同一个主张

这是一个如果做草率比较就会说成“平局”却实则判断错误的维度。

Grok Imagine Video 生成原生音频，包括对话、音效和音乐，作为众多功能之一。它是一个恰好包含声音的通用生成器。

Kandinsky 6.0 Video 以声音为核心构建。该架构是双流 CrossDiT，将由 Kandinsky 5.0 Video 初始化的视频流与在大型音频语料库上从零开始训练的音频流配对，通过双向交叉注意力连接，并进行联合训练。输出为 44 kHz，并具有显式唇形同步；论文的强化学习阶段据称将生成语音的词错误率降低了 47%——使用 Whisper-large-v3 测量，而 Whisper-large-v3 正是 RL 奖励模型之一；这一细节很重要，因为论文还报告了另一个不可比的 WER，与 VABench 并列，使用 Qwen3-ASR-1.7B 测得。语音正是该模型进行后训练所针对的对象。

相比之下，Sber 自己的研究坦率地指出了它在哪些方面处于劣势。在该实验室的并排评估中，MiniMax H3 和 Dreamina Seedance 2.0 在视觉标准上以显著优势更受青睐，而该模型被描述为具有竞争力而非领先。真正值得认真对待的说法更具体也更实用：在与 Kling 2.6 和 Veo 3.1 Fast 的对比中，结果逐项标准互有胜负，而 Kandinsky 6.0 Video 在语音质量和音视频同步方面仍保持竞争力，其中很大一部分比较结果持平。

十五秒对五秒，以及达到各自所需付出的代价

• 最大片段 — Grok Imagine Video：最长可达 15 秒。Kandinsky 6.0 Video：固定 5 秒，24 帧/秒下共 121 帧，发布版本中无扩展模式。

• 分辨率 — Grok Imagine Video：最高支持 1080p。Kandinsky 6.0 Video：通过专用超分辨率模型实现 SD、HD 和 Full HD，可将五秒片段放大至 x2、x4 或 x2.25。

• 参考输入 —— Grok Imagine Video：基于多张图像进行参考条件生成以实现角色一致性，并支持对象的添加/移除/替换。Kandinsky 6.0 Video：单张图像，作为掩码尾帧应用。

• 定价 — Grok Imagine Video：按输出时长每秒计费，价格从区间低端一直延伸到 1080p 下最高 $0.30/秒，且每输入一张图像额外收费；免费使用权限则须通过 X 的订阅层级获取。Kandinsky 6.0 Video：无——没有服务，没有费率，只有你自己提供的 GPU 时间。

• 权重 — Grok Imagine Video：无。Kandinsky 6.0 Video：MIT，Pro 和 Lite，并支持 diffusers 集成。

较新 Grok 版本的溢价才是那个值得圈出来的数字。从 1 月版本换到 1.5，在图生视频榜单上每分钟成本翻了一倍，换来的是 26 个 Elo 分。这是实打实的提升，也标着实打实的价格，而这正是眼下每一家视频厂商都在要求买家做的同一笔取舍。

路由器适合用在哪里，又不适合用在哪里

OrcaRouter 不提供 Grok Imagine Video 或 Kandinsky 6.0 Video，本文也没有任何相反的说法：Kandinsky 可由你自行下载和运行，Grok Imagine Video 则通过 xAI 自己的渠道访问。基于其中任一模型构建的流水线，需要路由器提供的是渲染周边的文本——分镜清单、把想法变成这些模型训练时所用长描述或短描述的提示词扩展、描述生成与转录工作，以及决定保留哪次生成结果的评审摘要。这些都通过一个 OpenAI 兼容端点运行，覆盖 200 多个文本模型，按提供商标价、0% 加价，因此供应商降价一旦落地，当天就会在同一密钥上生效，并具备自动故障转移，让渲染队列中途失败的调用重新路由，而不是拖住整批任务。即使视频模型本身不可路由，围绕视频模型的编排仍是一个路由问题；今天这两个模型都是如此。

哪一个，用来做什么？

当活儿拼的是量时，就该选 Grok Imagine Video：社交短片、快速迭代、一个要重生成六次才能满意的镜头，还有不会往后拖的截止日期。它按次付费的定价本身就是产品，而它如今位居中游而非榜首，正是一个变化如此之快的品类所要付出的正常代价。

当工作是一条流水线时，就该选 Kandinsky 6.0 Video：可批量处理的固定五秒单元、以对所提供的静帧之还原度为核心的图生视频环节、你希望清晰可懂的语音，以及一份你宁愿不必租用的成品。为渲染留出预算，在任何消费级硬件上都别指望它快，并且把本文中的每一项质量数据都当作 Sber 自家之言，直到实验室之外有人给它打分为止。

让这对组合值得关注的是，哪一方能扛住一个糟糕的季度。如果 Grok Imagine Video 在竞技场中进一步下滑，答案就是一个更好的模型和一个新的价格——这个品类就是这样运作的，而 xAI 已经表明它会推出一个。如果 Kandinsky 6.0 Video 在被评分后最终处于中游，那个检查点依然存在，依然能运行，依然能微调；许可证不会因为那个数字而改变任何东西。那是不同种类的持久力，而其中只有一种是由 Elo 衡量的。