為一篇比較 Kandinsky 6.0 Video 與其指名對手的文章所製作的標題卡,副標題為「其中一個無話可說」,並附有三個取自該文章自身證據的支持標籤。
Guides & Insights

Kandinsky 6.0 Video 對決 Runway Gen-4.5:其中一款沒什麼好說的

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

這裡有一個比較,只需一項規格就能定論,而且那並不是品質規格。Runway Gen-4.5不會生成音訊。這不是某個模式的限制,也不是可有可無的附加功能——這個模型只算繪畫面,別無其他,而它之後的每一項音訊決策都由你來做。Kandinsky 6.0 Video由 Sber 的 Kandinsky Lab 於 2026 年 10 月 6 日以 MIT 授權開源,提供 Lite 3B 與 Pro 29B 兩種規模,在生成畫面的同一輪程序中產生 44 kHz 音訊並完成對嘴同步,並將這種聯合生成視為它存在的全部理由。因此,在爭論動態品質或價格之前,這場對決的關鍵在於成品是否必須附帶聲音一起交付。若必須,那就沒什麼好比的。若不必,本頁其餘內容就是這場比較。

在兩者確實重疊之處

撇開音訊不談,兩者的重疊之處比它們各自不同的名聲所暗示的還要少。這兩個模型都不會規劃鏡頭。Runway Gen-4.5 以逐段短片的方式算繪,沒有多鏡頭分鏡腳本模式;而 Kandinsky 6.0 Video 則是單一連續鏡頭——五秒、24 fps 下的 121 個影格,沒有剪接的概念,此版本也沒有延伸模式。兩者都不會直接交給你一段序列。兩者都只被要求一次產出一個鏡頭,也都由你來串接。

兩者的驅動方式也如出一轍:一段文字提示或一張靜態圖片,並以反覆重新生成作為實際的工作方法。Runway Gen-4.5 自 2025 年 12 月起已在市場上,具備非同步 API,以及一套許多人早已建立使用習慣的 UI。Kandinsky 6.0 Video 於 2026 年 10 月 6 日推出,帶來 checkpoints 與 diffusers 整合,這意味著那個迴圈是一支 Python 腳本,而不是一個瀏覽器分頁——操作體感不同,工作形態卻一樣。

除此之外,區分兩者的是長度、解析度、容器與計量方式。影片片段長度是最顯而易見的一項:Runway Gen-4.5 每次生成涵蓋 2 到 10 秒,因此較長的節拍仍只需一次請求,而 Kandinsky 6.0 Video 則需要兩次五秒渲染再加拼接。這對建立鏡頭、停留鏡頭以及任何帶有緩慢運鏡的內容而言都是實質優勢,而這項優勢正落在 Kandinsky 已公布證據最薄弱的視覺層面。

將信用計量器轉換成時鐘

Runway Gen-4.5 每輸出一秒收取 12 點,按定價計算為每秒 $0.12——一段 10 秒 720p 短片約 $1.20。還有兩項附加費用疊加其上,在編列預算前值得先了解:ProRes 或 PNG 匯出每秒加收 5 點,HDR 再加 20 點;若超過約四百萬像素,則會變成每秒 40 點。當交付物是可供調色的檔案,而非分享用檔案時,這些就是你要相乘的數字。

Kandinsky 6.0 Video 完全沒有費率,因為根本沒有東西可買。它有的是由你自行提供的硬體成本,而報告對這點異常直言不諱:一段 Pro Full HD 的五秒短片在 H100 上約需 402 秒的工作時間,在 RTX 5090 上為 854 秒,在 RTX 4090 上為 1,247 秒;低於 72.8 GiB 峰值配置時就需要區塊卸載,而 16 GB VRAM 預設會將文字編碼器量化為 NF4——報告指出這是唯一會改變短片本身的預設變更。兩個模型都以 24 fps 執行,Runway 另提供 25 fps,且兩者都支援多種長寬比。

把兩者當成時鐘、而不是貨幣來並排比較。Runway Gen-4.5 用一美元賣你大約二十秒的實際渲染時間。Kandinsky 6.0 Video 不賣你任何東西,卻要你每保留五秒,就耗掉一張 GPU 六到二十一分鐘——與此相對,你得把顯示卡的攤銷價格、電費,以及你能在沒有網路連線或速率限制下渲染這件事一併算進去。

• 長度 — Runway Gen-4.5:每次生成 2–10 秒。Kandinsky 6.0 Video:固定 5 秒,共 121 幀。

• 音訊 — Runway Gen-4.5:未生成任何內容。Kandinsky 6.0 Video:44 kHz 並具備脣形同步,為聯合生成。

• 解析度與容器 — Runway Gen-4.5:720p、24/25 fps,提供 ProRes 或 PNG 匯出。Kandinsky 6.0 Video:SD 為 512×768,Full HD 1920×1080 則透過內建超解析度階段達成,無中間格式。

• 鏡頭結構 — Runway Gen-4.5:每次請求一個片段,無規劃器。Kandinsky 6.0 Video:一鏡到底,無規劃器。

• 權重 — Runway Gen-4.5:封閉。Kandinsky 6.0 Video:MIT,Lite 與 Pro,含程式碼與 diffusers。

• 證據 — Runway Gen-4.5:十個月的公開產出與第三方使用。Kandinsky 6.0 Video:由廠商自行執行的評估,以及針對兩個對照對象進行的基準測試,兩者均未經外部重現。

Two-column scoreboard comparing Kandinsky 6.0 Video and Runway Gen-4.5 across six shared dimensions, with the vendor-vs-third-party sourcing line printed along the bottom.

對康丁斯基自身主張最有文獻依據的反駁

Runway 不需要發布比較,就能在這裡佔有強勢地位,因為 Kandinsky 報告本身已經說明了其限制。它以自身措辭公布的限制條件:影片最長可達五秒;基礎生成為 SD 解析度,Full HD 則透過超解析度取得;以及在視覺品質與整體音訊品質上,與最強的專有系統仍存在差距。Runway Gen-4.5 正是這句話所指涉的系統之一。

與此對照之下,報告本身的結果顯示:在並排人工評估中——同一提示詞產生的配對、匿名化的短片、左右位置隨機化、任務順序打亂、先關閉音訊再開啟、提供平手選項、以多數投票彙總,每項準則約有 200 次或以上的成對比較——Kandinsky 6.0 Video Pro 與 Kling 2.6 及 Veo 3.1 Fast 旗鼓相當,其優勢因準則而異,並在視覺類準則上落後 MiniMax H3 與 Dreamina Seedance 2.0,但在語音品質與影音同步方面仍具競爭力。強化學習將生成語音的詞錯誤率降低了 47%。在 VABench 上,它在語音品質與唇形同步準確度方面領先 LTX 2.5,而在 VLM 評判的對齊度與表現力方面則不及它。

Runway 在那份清單中完全沒有出現,無論是哪個方向。Runway Gen-4.5 與 Kandinsky 6.0 Video 之間沒有正面對決,沒有共用的基準測試,也沒有任何獨立排行榜同時為兩者評分。任何公布 Runway Gen-4.5 和 Kandinsky 6.0 Video 在品質上誰勝出的人,都是在從兩組彼此無關的證據基礎外推:其中一組是十個月的公開產出,另一組則是該模型作者所發布的報告。

管線問題,而這正是路由器展現其價值的地方

這兩個模型都沒有在 OrcaRouter 上路由,而這點說的是我們的目錄,而不是這兩個產品中的任何一個:Runway Gen-4.5 是透過 Runway 自家的 API 提供服務,而 Kandinsky 6.0 Video 則是你能下載並執行的檢查點。不過,無論以哪一個為基礎打造管線,其大多數呼叫都花在文字上,而不是像素上。

想想五秒影音管線實際上需要什麼。一則鏡頭註記必須變成這類模型訓練時所依據的那種冗長結構化說明文字。對白必須先寫好,對嘴處理才可能進行。同一個節拍的六個候選生成結果必須被審閱並從中挑選一個,而那項審閱是針對影片的文字判斷。接著還有決定整件事是否值得跑下去的部分:接合決策、連戲註記、下一段影片的腳本。這些全都是文字,而且全都跑在單一 OpenAI 相容端點,涵蓋 200 多個模型,以供應商定價原封不動、0% 加價,並搭配一套路由 DSL,讓便宜審閱者和嚴謹審閱者在同一個呼叫位置可以是不同模型。模型融合在這裡有一種特定的助益——由一個模型撰寫、另一個模型評論的說明文字,往往能抓出單次處理會放過的捏造細節。而且由於算圖迴圈很長,自動容錯移轉就是失敗的說明文字只讓你損失一次呼叫、還是讓你損失整段影片之間的差別。

這個決定,以一個關於聲音的問題來表述

如果完成的成品需要伴隨畫面而來的對白、環境音或脣形同步,Runway Gen-4.5 就不在考慮之列,剩下的唯一抉擇,就是你部署哪一款音訊視訊模型。那是一份很短的清單,而 Kandinsky 6.0 Video 正是其中的開放選項。

如果聲音是在其他地方處理——由獨立模型、配音員、素材庫——那麼 Runway Gen-4.5 的十秒短片、成熟的 API 與匯出選項,是現今更強的工作工具,而且它的證據基礎是兩者中較舊、較厚實的那個。在那種情況下,要留意的不是基準測試。而是 Runway 是否補上音訊缺口,因為目前正是這單一規格構成了整個結構性論據:把一個全新的開放檢查點放進生產流程,並排在一個已有十個月使用經驗的模型之前。

Screenshot of the arXiv abstract page for paper 2610.05608, "Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation", showing the 4 October 2026 submission date and the abstract, which states that a built-in super-resolution model raises output to Full HD 1920x1080 and that the models generate 5-second clips with synchronized 44 kHz audio.Screenshot of the Hugging Face model card for kandinskylab/Kandinsky-6.0-Lite-5s-Diffusers, showing the MIT licence and the description of the family: Kandinsky 6.0 Video Lite at 3B and Pro at 29B parameters, both generating 5-second clips with synchronized 44 kHz audio including lip-sync in T2AV and I2AV modes.

在 caption 與 review 呼叫所在之處,模型融合有助於捕捉憑空捏造的細節,而單次處理會將這些細節放行。