
WeMM-Video-9B 与 Kandinsky 6.0 Video:同为开源,均未实测
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 182 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 364 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 148 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 93 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 118 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 42 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 109 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
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 Tencent'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.
下文将如实看待这两个发布版本:一个是拥有生态系统的生产级开放模型,另一个是附带论文的研究发布。这两种描述既都是褒奖,也都构成局限;而你阅读它们的顺序,将决定你应该下载哪一个。
训练长度为五秒。
Kandinsky 6.0 Video 生成的是五秒短片,关键在于“训练”一词,而不是“默认”。121 帧的五秒是模型学习到的长度;要求更长并不是一个设置项,而是外推,Sber 也没有把它说成别的。在这五秒内,你会得到在同一次生成过程中产生、并带有唇同步对齐的 44 kHz 音频,这在这样的许可和这样的规模下确实是一项不寻常的能力。
最能鲜明区分两个版本的是部署层面。首日,Kandinsky 6.0 Video 就发布了 Diffusers 包、一个命令行入口、两个 ComfyUI 节点和两个 Spaces。随后,一位外部贡献者将拉取请求 8537 合并进 vLLM-Omni,把该流水线注册为 Kandinsky6TI2VAPipeline,并由单个 DiT 同时提供文本到视频与音频、图像到视频与音频的服务。
WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation Tencent 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 — 已量化并独立重新加载,原生推理待定;其中 native_inference_validated 和 native_low_precision_gemm_validated 均为 false。
• AWQ W4A16,12.86 GiB — quantized_unvalidated。
• NVFP4 W4A16,13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread,其中原生 FP4 GEMM、PRO5000 推理和 vLLM 验证均为 false,并附有数值证明:平均相对 RMSE 为 0.095,低于 0.35 的限制。
• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on Tencent's own runtime, not llama.cpp or Ollama.
四个压缩构建版本彼此相差都在 0.42 GiB 以内,且没有一个经过原生推理验证。相比之下,Kandinsky 6.0 Video 采用 MIT 许可证并有四个独立前端,这意味着验证问题已经被分散给了并非 Sber 的人员。

十九点五吉字节,逐项列出
WeMM-Video-9B 以异常完整的自身说明,弥补了略显单薄的部署叙事。参数量为 10,488,603,384,分布在 1,305 个张量中。其拆分已公布:7.94B 语言主干,包括 1.02B token 嵌入、1.02B 非绑定输出头、1.08B 音频塔——两层 Q-Former 之后接 32 层、宽度 1,280 的 Whisper 风格层,每秒十个音频 token——以及 0.46B 视觉塔,27 个块,隐藏维度 1,152,patch 16,2×2 空间合并。
在压缩构建中,只有稠密 FFN 被量化:96 个语言矩阵,32 层中每层三个,尺寸为 4,096 × 12,288,在 10.49B 个元素中占 4,831,838,208 个。注意力恢复为 BF16——152 个投影矩阵加上 32 个输入归一化,全部带有 SHA-256 哈希——并且 1,209 个张量保持位精确。视觉塔、音频塔、嵌入和输出头中约 3.57B 参数(约 7.1 GB)完全不会进入量化器。这就是为什么 AWQ 相对于 BF16 节省 34%,而不是其名称所暗示的 70%。
这些都不能说明这个模型到底好不好。它说明的是这次发布是可审计的,而这是一种不同且被低估的优点。
两者都没有独立评分
Kandinsky 6.0 Video 未出现在 Artificial Analysis 的三个视频榜单中的任何一个上。WeMM-Video-9B 也没有。这两次缺席的原因不同,而这种差异很重要。
Kandinsky 6.0 Video 没有 Arena 提交,而文生视频榜单要求提供 API 价格才会收录模型——五秒钟的开放权重输出若没有商业费率,就没有可占据的榜单行。WeMM-Video-9B 从更深层的意义上无法排名:榜单评分的是生成的视频素材,而它生成的是文本。
每个实验室转而提供的都是自己的评估,而两者都应以同样的怀疑态度来解读。
• Kandinsky 6.0 Video — 厂商报告的 VABench 结果,加上实验室开展的人工评估,每个标准约 200 次成对比较。此外,还报告了经 RL 后训练后生成语音的词错误率降低 47%。最后一个数字需要提醒:它是用 Whisper-large-v3 测得的,而与之比较的 VABench WER 数字使用的是 Qwen3-ASR-1.7B。两个不同的识别器,两个不同的错误率,不能进行有效的相减。改进很可能确实存在;但按目前呈现的数字并不可比。
• WeMM-Video-9B——作者自有的评测框架,披露为“有官方结果时使用官方结果,否则使用我们自己的评估”。在思考模式下,在音视频联合任务上,它在37个共同指标中的35个上胜过 Qwen3-Omni-30B-A3B-Instruct,包括带音频的 Video-MME 以85.1对77.3、SciVideoBench 以64.2对49.9,并在1项上落败,即 FutureOmni 以53.7对55.1。在无声视频上,与其 Qwen3.5-9B 骨干模型相比,它在 F-16-NBA 上以88.7对75.8以及 TimeLens 上取得领先,但在 MLVU、LVBench、VideoVista、VSI-Bench 和 MVBench 上落后。
两个公开版本,两次自我评估,没有第三方。这就是两者真实的技术现状。

十六帧对五秒
两个上限交汇之处,比其中任何一个单独存在时都更有意思。WeMM-Video-9B 附带了一套 vLLM 配方,它覆盖了自身的处理器默认值——2 fps、最少 4 帧、最多 128 帧、100,663,296 像素——下调为 2 fps 和 16 帧、262,144 像素,并在片段中点附近采样。每秒两帧下的十六帧意味着八秒的覆盖范围,而且每条服务命令还会传入 8,192 个 token 的上下文,对应架构中的 262,144 个位置嵌入。
• Kandinsky 6.0 Video — 输入五秒,输出五秒,121 帧,44 kHz 音频。固定的训练长度。
• WeMM-Video-9B — 八秒采样输入,文本输出,完整音轨最长约十三分钟,每秒十个 token。
• 衔接点——一段五秒的 Kandinsky 片段能放进 WeMM-Video-9B 的八秒窗口,还余下三秒,这是唯一一种能将生成片段顺畅接入描述器的配置。
• 加入的代价——Sber 报告称,每个全高清片段大约需要七分钟的 H100 时间,因此一次五秒的生成就是七分钟的预留,之后才会在本地硬件上进行任何描述。
按片段长度路由
这两个模型都不通过 OrcaRouter 提供服务,将来也不会:两者都是你自己托管的开放权重。对于这样的流水线,路由层的作用是决定哪一段在何处运行,而路由 DSL 才是放置八秒边界的合适位置。把它表达为策略——八秒以下的片段交给本地的 WeMM-Video-9B 描述器,更长的片段交给托管的全模态模型——这样这个边界就不再是配置文件里的一条注释,没人会去读它,直到一段六十秒的片段返回时被描述成八秒的碎片。
就这套策略中托管的那一半而言,一个 API覆盖 200 多个模型,0% 加价,按供应商标价计算,因此一条同时横跨自托管描述器与租用描述器的流水线,仍然只有一张账单、一个密钥。供应商的降价在落到供应商那里的当天就会传到你这里——当你的工作负载中托管的那一半是按价格来挑选的时候,这一点很重要。

要么两个都下载,要么都不下载
如果你这周就想要一条能跑通的流水线,Kandinsky 6.0 Video 就是答案,而且优势毫无悬念。MIT 许可证,第一天就提供四种部署形态,同步 44 kHz 音频并支持唇形同步,还有可据此规划的 5 秒训练长度。你放弃的是时长和独立验证。
如果你想要一个可审计的 9B 全模态描述器,WeMM-Video-9B 就是答案,而审计本身就是重点:完整的参数核算、逐项列出的量化覆盖情况、四个未经验证构建版本上的诚实状态字符串。你放弃的是服务契约、生态系统,以及作者自有表格之外的任何证据。
错误在于把“开放权重”当成单一属性来理解。这两次发布中,有一个更像附带许可证的产品,另一个则更像附带检查点的论文;而你需要哪一个,完全取决于你是想把素材交付上线,还是想弄懂它。
