Kandinsky 6.0 Video 与 Hailuo 2.3 对比：一份价目表与一次下载的对决

先从算术说起，因为这是这两者唯一重叠的地方。一段来自 Hailuo 2.3——2026 年 4 月推出的经济型视频模型——的六秒无声 1080p 片段，标价为每秒几美分——这段片段大约 0.48 美元。一段来自 Kandinsky 6.0 Video的五秒片段，带有同步的 44 kHz 音频和口型同步；该模型由 Sber 的 Kandinsky Lab 于 2026 年 10 月第一周在 MIT 许可下开源，每段片段成本为零，且在全高清下约需七分钟的 H100 时间。这就是用两句话概括的全部对比，而它暗示的决定不是“哪个更好”——而是你更愿意用哪种计量方式：按秒计费，还是你自己的硬件。

其余的一切都源于这一区分，而大多数对比页面却把它弄反了——将这些产品当作同一类产品在不同价位上的版本。事实并非如此。Hailuo 2.3 是一项带有造型师简报、且没有声音的服务；Kandinsky 6.0 Video 则是一个双尺寸 checkpoint 系列——Pro 为 29B，Lite 为 3B——并将声音作为其核心架构特性。

便宜的那个实际上擅长什么

Hailuo 2.3 的声誉实至名归，而且相当具体。它能很好地处理电影级的运镜、人物动作和微表情，在风格化和动漫内容上的表现也远超其价格所暗示的水平。它可生成最高 1080p 的文生视频和图生视频。MiniMax 并未将它宣传为照片级写实模型，它也的确不是——它是一位对动作颇有眼光的风格派选手。

它的局限同样具体，正因如此，这番比较才如此简短。

• 没有原生音频。Hailuo 2.3 的输出是静音的，而早期带音频的 Hailuo 版本并未延续到其中。每个片段都需要在下游添加声音。

• 1080p 下片段时长上限为六秒，768p 下为十秒，且没有结束帧控制——因此片段无法顺畅地串联成一个序列。

• 未出现在当前的独立榜单上。Hailuo 2.3 并未出现在 Artificial Analysis 当前展示的文生视频、图生视频或视频编辑排行榜上，因此没有公开的 Elo 可用于任何对比。较早提及它在某视频竞技场中排名二十多位的说法，与当前发布的榜单不符，应视为过时的快照，而非当前排名。

定价由两个不同渠道以两种货币报价，两者都值得了解。MiniMax 自家销售的是预付费点数套餐，其中一段六秒 768p 标准片段消耗一点，而一段十秒 768p 或六秒 1080p 片段消耗两点——速度更快的 Hailuo-2.3-Fast 版本则将这些消耗降至约 0.7 点和 1.1 至 1.3 点。第三方追踪平台列出的费率则更为统一，大约在每秒 $0.067 至 $0.082 之间，其中一家为 $0.0817/秒，并标注“最高 1080p、每段最长 10 秒、无声输出”，三百段六秒片段每月约 $147。无论你选择哪条路径，量级都相同，而且这是该类别中最便宜的生成方式。

购买已被取代的一代产品的问题

关于 Hailuo 2.3 有一个生命周期事实，比任何规格都更重要，而这并不是对该模型的批评。MiniMax 已经继续前行。它的继任者 MiniMax H3——即 Hailuo 3 代——已于 2026 年 7 月 31 日发布，属于另一类产品：一个全模态模型，将文本、图像、视频和音频参考作为单一上下文读取，生成 4 到 15 秒的片段，分辨率为 768p 或 2K，带原生立体声，并按输出秒数计费。

那不是厂商的说法。它登上了独立榜单，而且排名很靠前：

• 文生视频 — MiniMax H3（768p）在 8,315 票中排名第 4，Elo 1,137（±9），价格为 $4.80/分钟。

• 图生视频 — MiniMax H3 以 Elo 1,181（±8）位列第 2，共获 7,284 票，价格为 $7.80/分钟。

• 视频编辑——MiniMax H3 在 12,043 票中排名第二，Elo 1,132（±6），每分钟 $7.80。

因此，对 2026 年 10 月购买 Hailuo 2.3 的诚实定位是这样的：你买的是一个产品系列中的预算档位，而该系列的旗舰代在两种生成模式中都位列前五，拥有 2.3 所缺少的音频，且每秒成本可能高出五到十倍。对于大批量风格化工作来说，这是一个站得住脚的决定——这正是预算档位存在的意义——但它应当是一个深思熟虑的选择，而不是默认选择。今天任何评估 2.3 的人，都应该先拿 H3 与它并排比价，因为二者之间的差距并非渐进式的小幅提升。

五秒对六秒，以及为什么两者的差距比看上去要小

在时长方面，Kandinsky 6.0 Video 并不占优。它的训练规格是 121 帧、24 fps——也就是五秒——而且发布版本中不包含延长模式。Hailuo 2.3 在 1080p 下能给你六秒。两者都不足以支撑一个连续场景，而且都意味着一段三十秒的片子需要五次或六次生成，再加上拼接。

要紧的差距在别处。

• 音频 — Kandinsky 6.0 Video：44 kHz，支持唇形同步，与画面同步生成，始终开启。Hailuo 2.3：无，乃刻意设计。

• 分辨率 — Kandinsky 6.0 Video：通过专用超分辨率模型支持 SD、HD 和 Full HD，可对五秒片段进行 x2、x4 或 x2.25 倍放大。Hailuo 2.3：最高 1080p，无超分辨率阶段。

• 条件控制 — Kandinsky 6.0 Video：文本生成音频视频和图像生成音频视频，可将一张参考图像作为掩码尾帧应用。Hailuo 2.3：文本生成视频和图像生成视频，不支持尾帧控制。

• 权重 — Kandinsky 6.0 Video：MIT 许可，提供 Pro 和 Lite 版本，集成了 diffusers，并且——从今天早上开始——还接入了 vLLM-Omni 服务管线。Hailuo 2.3：尚未发布。

• 定价 — Hailuo 2.3：按输出每秒计费，或从预付套餐中扣点数，并提供更便宜的 Fast 版本。Kandinsky 6.0 Video：完全没有费率；GPU 由你提供。

供应商自己的证据说明了什么，以及它无法说明什么

Kandinsky 6.0 Video 的质量论证未经审计，并且应当如此描述。Sber 报告了 VABench 结果，其中在受评估的三个系统——其自家的 Lite 模型和 LTX 2.5——当中，Pro 在语音质量、音频、文本-视频和音频-视频对齐、唇形同步准确度、不同步和视觉真实感方面领先。它还报告了一项由实验室开展的并排评估，每项标准约有 200 次或更多成对比较，其中该模型与 Kling 2.6 和 Veo 3.1 Fast 具有竞争力，在视觉标准上落后于 MiniMax H3 和 Dreamina Seedance 2.0，并在语音质量和音频-视频对齐方面保持竞争力。没有盲测公开 Elo，也没有外部复现。

海螺2.3的证据形态恰恰相反：使用广泛、公开定价，但目前未出现在独立视频榜单上，因此也无法与当前赛道中的模型进行对比。两款模型都不具备买家最想要的东西——而在海螺的案例中，它的后继者却具备。这就是值得点明的非对称性：一个模型所属的家族已经被评分并排位，而另一个所属的家族则完全没有被评过分。

那么，剩下的就是音频上的鸿沟，而这是一道真正的分水岭，不是功能清单上的一行。Hailuo 2.3 的静音简化了一件事——当你把一段片段交给母带处理环节时，没有音轨需要保留——却让另一件事更复杂：每一个口播画面、每一支带旁白的产品广告、每一个音效必须精准落在动作上的片段，如今都变成了两次生成，外加一个由你自己负责的对齐步骤。Kandinsky 6.0 Video 的整个架构正是针对这个问题：双流 CrossDiT 在双向交叉注意力下，将视频流与一条从零构建的音频流配对，并设有一个强化学习阶段，论文称该阶段将生成语音的词错误率降低了 47%——该指标是用 Whisper-large-v3（强化学习奖励模型之一）测得的，不能与论文随 VABench 一并报告、单独用 Qwen3-ASR-1.7B 得出的词错误率相提并论。

路由器适合用在哪里，又不适合用在哪里

OrcaRouter 并不提供 Kandinsky 6.0 Video 或 Hailuo 2.3 的服务，本文也并未作出这两种声称——Kandinsky 需要你自己下载运行，Hailuo 2.3 则通过 MiniMax 自家的 API 和积分体系访问。无论基于这两者中的哪一个搭建流水线，它需要路由器提供的都是渲染之外的文本工作：分镜清单、把简要创意扩写成这些模型训练时所用长版或短版描述文本的提示词扩展、字幕与对白处理，以及决定保留哪一版生成结果的评审摘要。这些都是普通的文本调用，它们通过一个兼容 OpenAI 的端点调用 200 多款模型，按供应商标价、零加价，因此供应商一调价，当天就在同一个密钥上生效，并具备自动故障转移，让渲染中途失败的调用自动改道，而不是丢掉整批任务。围绕视频模型的编排层是一个路由问题，即便视频模型本身不可路由——而这两者目前正属于这种情况。

该选哪一个

当任务是批量产出、美学风格偏风格化或动画、交付物是无声的、而每条片段的计量成本才是关键约束时，就选 Hailuo 2.3。它是该类别中最便宜且够用的生成方案，定价也与之相称。在拍板之前，把 MiniMax H3 放在它旁边比一比价，因为同一家族的旗舰生成在两种模式下都跻身前五，还拥有 2.3 从未有过的音频。

需要交付物带声音时，当五秒为单位的片段契合你的镜头清单时，当要求把提供的静帧高保真地转成视频时，当拥有模型比租用模型更重要时，就选 Kandinsky 6.0 Video。入局前先把成本讲清楚：未公布费率、五秒时长上限、Pro 模型渲染 Full HD 在 H100 上约需 402 秒、在 RTX 5090 上约需 854 秒，峰值分配低于 72.8 GiB 时必须启用块卸载，还有一项质量宣称——在实验室之外有人为其打分之前，它完全出自 Sber 自己之口。

两份价目表背后的问题，才是本季度决定大量视频基础设施走向的那个问题。Hailuo 2.3 按秒计费，交给你一个文件；Kandinsky 6.0 Video 则让你为一块 GPU 付费，交给你一份许可证。对于每月生成一百个片段的团队来说，账单模式在电子表格能量度的每一个维度上都胜出。对于打算微调、离线运行，或在下一代发布后仍要使用同一个模型的团队来说，下载模式则在一个电子表格无法看见的维度上胜出。