标题卡上写着“WeMM-Video-4B vs Kandinsky 6.0 Video”,副标题为“两个硬性上限”;两个面板由一个“vs”圆盘分隔。左侧副标题为“读取片段”,并列出采样输入的 16 帧、8,192 个 token 和 Apache 2.0,旁边是一个小窗口图标,标注为“输入上限”;右侧副标题为“生成片段”,并列出五秒、121 帧和 44.1 kHz 音频,旁边是一个秒表图标,标注为“输出上限”;页脚写着“两者均未出现在任何 Artificial Analysis 视频榜单上,2026 年 11 月 20 日。”
Engineering & Research

WeMM-Video-4B 与 Kandinsky 6.0 Video 对比:两大硬性上限

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

两者Kandinsky 6.0 Video和WeMM-Video-4B都是以宽松许可证发布的开放权重版本,都在过去两个月内推出,都没有值得一提的营销活动,也都未出现在任何 Artificial Analysis 视频榜单上。这种共同的“隐形”正是相似之处止步的地方,取而代之的是一对上限,它们比任何基准测试行都更能说明每个模型的特点。Kandinsky 6.0 Video 生成带同步音频的五秒视频后便停止——五秒是训练长度,而非默认值。WeMM-Video-4B 通过十六个采样帧读取一段片段后便停止,这是其自身服务配置相对于处理器默认值 128 所设定的。一个上限针对输出时长,另一个针对输入保真度;在两者之间做选择,就是选择你的流水线能承受哪一种盲区。

这两个模型都没有经过独立评估。Sber 的数据是 Sber 的,Tencent 的数据是 Tencent 的,下面的章节标题让这一界限保持可见,而不是把它掩盖起来。

五秒上限与十六帧窗口

Kandinsky 6.0 Video 由 Sber 的 Kandinsky Lab 于 2026 年 10 月 6 日以 MIT 许可发布,提供两种规模:290 亿参数的 Pro 和 30 亿参数的 Lite。它接收文本提示或参考图像,并在同一次生成中返回一段带 44.1 kHz 音频的五秒片段,包含唇形同步。论文和部署方案均围绕 24 帧/秒下的 121 帧构建,且该版本没有扩展模式。任何更长的内容都是需要你自己解决的拼接问题。

WeMM-Video-4B 是腾讯微信视觉团队一个包含四种尺寸的系列中的中间成员,于 2026 年 11 月 17 日上传,技术报告随后于 11 月 19 日发布。它有 5,611,746,312 个参数——BF16 格式下为 10.45 GiB——因为“4B”这一标签指的是其 Qwen3.5-4B 语言骨干,而不是检查点本身。它接受文本、图像、视频和音频输入,并返回文本。

• Kandinsky 6.0 Video — 输出上限:五秒,121 帧,24 fps,44.1 kHz 音频与画面牢牢绑定。

• WeMM-Video-4B — 输入上限:每秒采样 2 帧,最多 16 帧,总像素为 262,144,位于 8,192 个 token 的上下文中,而音频每秒占用 10 个 token。

• 两者皆是——该上限存在于已发布的配置中,而非架构本身,且两个代码仓库都没有说明如果没有这一上限,模型会有怎样的表现。

把两者放在一起读,就会浮现出一种两家厂商都没有记录的工作流:把一段五秒片段交给一个采样十六帧的描述器,这段片段就是以大约每秒三帧采样的,高于该配方自身每秒两帧的下限。这正是这两个模型能够干净地衔接起来的唯一地方,而它值得注意,恰恰因为它是偶然的。

这次许可证算是简单的部分。

这一次,法律层面的比较并不是决定因素。两个版本都采用宽松许可,而且都在这一点上有妥善的文档说明;在经历了一年的 Apple AMLR 和非商业演示组件之后,这让人松了一口气。

• Kandinsky 6.0 Video——代码、权重和 diffusers 集成均采用 MIT 许可。该仓库提供两个可通过 ComfyUI Manager 安装的 ComfyUI 节点,以及两个 Hugging Face Spaces:一个用于 Pro 蒸馏检查点,另一个用于超分辨率。

• WeMM-Video-4B — 整个集合均采用 Apache 2.0,并附有 Tencent 许可证文件,声明第三方组件仍受其原始条款约束。该例外未逐项列明;鉴于音频栈源自 Qwen2.5-Omni、主干源自 Qwen3.5,且二者均为 Apache 2.0,这确实是一个实际缺口,而非形式问题。

• 两者——均可商用,且两家供应商均未发布进一步收窄该范围的使用政策。如果法律审查是你的阻碍,那么问题不会出在这里的许可条款上,而会出在 T​encent 一侧未逐项列明的除外条款上。

部署界面正是它们产生分歧的地方。

更明显的差别不在于许可,而在于别人已经为你做了多少,而这一差距大到足以改变时间线。

Kandinsky 6.0 Video 在首日就随 diffusers 包、命令行、两个 ComfyUI 节点和两个 Spaces 一同发布。随后,一位外部贡献者将拉取请求 8537 合并到 vLLM-Omni,将该管道注册为 Kandinsky6TI2VAPipeline,其中视频和音频潜变量由一个 transformer 联合去噪,权重从 transformer/、vae/、text_encoder/、text_encoder_2/ 和 audio_vae/,以及服务配方位于 recipes/Kandinsky/Kandinsky6-TI2VA.md。参考图像条件以掩码尾帧的形式应用,而不是作为单独模式,因此单个管道同时支持文本到视频和音频以及图像到视频和音频。音频默认开启:即使请求中没有音频参数,仍会返回同步的语音、音乐或环境声。

WeMM-Video-4B 的情况正好相反。vLLM 和 SGLang 均未在上游支持该架构,而在 vLLM issue 跟踪器中搜索也找不到任何 WeMM-Video 请求。仓库实际提供的反而是一个 patch 目录——其中包含面向 vLLM 0.18.0 和 0.31.0 以及 SGLang 0.5.16 和 0.5.19 的源码覆盖层与 SHA-256 清单,每个都锁定到特定的 PyTorch、Transformers 和 CUDA 12.9 组合,并使用 Python 3.12、FFmpeg、为 TorchCodec 放在链接器路径上的 CUDA 12 NPP,以及 C++ 工具链和 Ninja,因为 SGLang 会在首次使用时编译内核。GGUF 包面向的是需要从该仓库自行编译的原生运行时,而不是 llama.cpp,并且 Tencent 将其标记为 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.

这种不对称有一个可以排进日程的成本。Kandinsky 6.0 Video 如今是一个通过 HTTP 通信的容器。WeMM-Video-4B 则需要先花一天做工具链工作,才能生成第一个 token;而腾讯声称的唯一验证是,打过补丁的 vLLM 在 H20 上加载了它,并完成了对文本、图像、音频和带配乐视频的生成检查——没有吞吐量、延迟、内存占用或并发数数据。

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.

数字说明了什么,以及是谁说的

Artificial Analysis 运营着三个视频榜单——文生视频、图生视频和视频编辑——每个榜单都有自己的 Elo 评分体系和自己的投票池。于 2026 年 11 月 20 日查看全部三个榜单:Kandinsky 6.0 Video 未出现在其中任何一个榜单上,WeMM-Video-4B 也是如此。这两处缺席都不构成评判。Kandinsky 6.0 Video 没有向竞技场提交,而该榜单的文生视频排名需要 API 价格来进行归一化比较,开放检查点并不具备 API 价格;WeMM-Video-4B 则根本无法进入两个生成视频片段之间的投票,因为它不生成任何视频片段。

剩下的是供应商自己的工作,而它衡量的是不同尺度上的不同事物。

• Kandinsky 6.0 Video,质量——厂商在 VABench 上报告的结果,以及实验室针对 Kling 2.6、Veo 3.1 Fast、MiniMax H3 和 Seedance 2.0 开展的人工评估。Sber 还在论文的消融实验中报告称,它期望你用于服务的蒸馏检查点在多数标准上更受偏好或持平,平均偏好率为 51% 对 49%——以你想要的速度实现持平。

• Kandinsky 6.0 Video, audio——论文中有两个词错误率数字并不可比。伴随强化学习阶段的 47% 降幅是用 Whisper-large-v3 评分的,而它是强化学习奖励模型之一;与 VABench 一同报告的 WER 则是在语音子集上使用 Qwen3-ASR-1.7B 得出的。作者自己也说明了这一点,而把其中一个当作另一个来引用,是本次发布中最容易犯的错误。

• WeMM-Video-4B,音视频联合——含音频的 Video-MME 为 83.9,而 Qwen3-Omni-30B-A3B-Instruct 为 77.3、MiniCPM-o-4.5-9B 为 69.2;Video-MME v2 为 48.1,而两者分别为 36.3 和 28.1;Daily-Omni 为 82.5,而两者分别为 70.7 和 80.2,均在 Thinking 模式下。

• WeMM-Video-4B 的落后之处——MMAU 75.2 对 Qwen3.5-Omni-Flash 的 80.4,MMAR 67.3 对 74.0,并在 MMAU-Pro 上以 68.1 对 64.8 取得一场胜利。Video-Holmes 58.8 对 MiniCPM-o-4.5-9B 的 64.3,FutureOmni 50.9 对 55.1 和 56.1。

WeMM 列附带两点注意事项。论文未说明其视频评估所使用的帧数、像素预算或上下文长度,这一点很重要,因为随附方案使用 16 帧,而处理器默认值为 128。而且各表格之间的模式会变化:视频用 Thinking,音频用 Instruct,图像和文本又用 Thinking。将 WeMM 的音频行与竞争对手的视频行相比,并不构成同类比较。

实际耗时,没人引用的那个数字

Kandinsky 的仓库公布了那个决定开源视频模型能否在你的硬件上使用的关键数字,而这个数字并不好看。这些是未蒸馏基础模型在预热后生成单个五秒片段的工作耗时,其中不包括权重加载和 MP4 编码;Full HD 意味着超分辨率处理也在运行。

• Full HD, Pro — 在 H100 上为 402 秒,在 RTX PRO 6000 上为 765 秒,在 RTX 5090 上为 854 秒,在 A100 80GB 上为 1,106 秒,在 RTX 4090 上为 1,247 秒,在 RTX 5060 Ti 上为 3,530 秒。

• 全高清、Lite — 在 H100 上耗时 284 秒,在 RTX PRO 6000 上 387 秒,在 RTX 5090 上 406 秒,在 A100 上 664 秒,在 4090 上 578 秒,在 5060 Ti 上 1,774 秒。

• SD、Pro——在 H100 上为 356 秒,而在 4090 上为 936 秒,此时消费级显卡的惩罚最小。

Pro SD 运行时的峰值分配内存达到 72.8 GiB,超过所有消费级显卡,因此仓库提供了块卸载功能——两个 Transformer 块常驻,其余从主机内存流式传输——并带有 32、24 和 16 GB 预设。32 GB 和 24 GB 预设完全相同,因为在 24 GB 以上,额外余量并不能带来速度提升。隐藏的注意事项是,在 16 GB 预设下,文本编码器被量化为 NF4,而论文明确指出,这是唯一会改变 clip 本身的预设变更:约 12% 的像素相差一个亮度级别,PSNR 约为 57 dB。如果你在 16 GB 显卡上复现别人的结果而结果不匹配,请先检查这一点。

WeMM-Video-4B 没有对应的表格,而这种缺失本身就说明问题。Tencent 验证了该检查点能够加载并生成。一个以视频为卖点的模型,却只被描述为“它生成了”,这就把部署决策中整个成本侧的问题都留给了你。

为两者接入一个文本层

如果你运行其中任何一个,周边技术栈都需要同样的三样东西,而它们都不是模型。提示词扩展会把镜头描述转换成 Kandinsky 训练时所用的长、中或短说明文字,或转换成 WeMM 应回答的问题。转录和字幕生成会为图生视频流程提供输入,或为片段描述做好准备。审阅摘要决定保留四次生成结果中的哪一个,而这是你为每个候选结果而非每个幸存结果都要付出的调用。

这些是普通的文本补全,也正是 OrcaRouter 在这个技术栈中覆盖的部分:一个兼容 OpenAI 的密钥覆盖两百多个模型,供应商标价以 0% 加价透传,因此供应商调价当天即可生效,以及自动故障转移,这样即使某个字幕阶段挂掉,也不会把一次五分钟的渲染一起拖垮。这两个模型都不在平台上——目录中没有 Kandinsky 条目,也没有 WeMM 条目,而且没有任何路由层能把权重下载变成托管端点。路由器消除的是围绕你自托管的这两个模型所做的集成工作,外加一种无需编写第二个客户端就能把第二个供应商置于第一个供应商之后作为后备的方式。

两个天花板,一个决定

先问清楚你能在哪个上限内工作。如果你需要带声音的素材,并且能以五秒为单位剪辑,那么 Kandinsky 6.0 Video 在除原始画质之外的每个维度上都是更完整的版本:MIT 许可证、四种部署形态、一个可据此规划预算的 H100 指标,以及一次让 Full HD 成为真正可用的设置而非宣传口号的超分辨率处理。它的限制在于时长,而时长很容易在设计时绕开。

如果你需要知道已有素材里有什么——屏幕上发生了什么、伴随画面能听到什么——WeMM-Video-4B 是两者中唯一能回答的,而它的限制在于保真度:发布配方给你的是十六个采样帧和八千个 token,长视频基准测试行是在论文未描述的条件下生成的。

两个发布版本都没有提供那种能让这项比较变得省事的东西:一个并非论文作者的人给出的数字。两者都是开源的,都采用宽松许可证,而且对每一个本可定分止争的排行榜来说都不可见。在其中一个被独立测量之前,每个仓库中的上限都是两家厂商各自发布过的最可靠的事实。