
WeMM-Video-4B 與 Kandinsky 6.0 Video:兩項硬性上限
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 182 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 356 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 147 tok/s
- orca新Orca: OrcaC2 1.02026-11-0737 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 135 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 81 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 117 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 110 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 211 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 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 每百萬 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
兩者Kandinsky 6.0 Video與WeMM-Video-4B皆為開放權重版本,採用寬鬆授權,都在過去兩個月內推出,卻沒有像樣的行銷活動,也都不在任何 Artificial Analysis 影片排行榜上。兩者同樣神隱,但相似之處僅止於此;取而代之的是兩項上限,它們比任何基準測試列都更能說明這兩個模型。Kandinsky 6.0 Video 生成五秒帶同步音訊的影片後便停止——五秒是訓練長度,而非預設值。WeMM-Video-4B 以十六個取樣影格讀取一段影片後便停止,這是它自家服務配方相對於處理器預設值 128 的設定。一項上限關乎輸出時長,另一項關乎輸入保真度;在兩者之間取捨,就是在選擇你的管線能承受哪一種盲點。
這兩個模型都尚未經過獨立評估。Sber 的數字是 Sber 的,Tencent 的數字是 Tencent 的,而下方各節標題會讓這條界線保持可見,而不是把它掩蓋起來。
五秒上限與十六幀的視窗
Kandinsky 6.0 Video 由 Sber 的 Kandinsky Lab 於 2026 年 10 月 6 日以 MIT 授權發布,提供兩種尺寸:290 億參數的 Pro 與 30 億參數的 Lite。它可接受文字提示或參考圖像,並回傳一段五秒短片,且在同一輪生成中產生 44.1 kHz 音訊,包含對嘴。論文與服務配方都圍繞 24 fps 下的 121 幀建構,且此版本沒有延伸模式。任何更長的內容都是你得自行處理的拼接問題。
WeMM-Video-4B 是 Tencent 微信視覺團隊所推出、涵蓋四種規模的家族中排行中間的成員,於 2026 年 11 月 17 日上傳,技術報告則隨後於 11 月 19 日發布。它有 5,611,746,312 個參數——BF16 格式下為 10.45 GiB——因為「4B」這個標籤指的是其 Qwen3.5-4B 語言主幹,而非檢查點本身。它接受文字、圖像、影片與音訊輸入,並回傳文字。
• Kandinsky 6.0 Video — 輸出上限:五秒、121 幀、24 fps、44.1 kHz 音訊與畫面焊為一體。
• WeMM-Video-4B — 輸入上限:每秒取樣 2 幀,最多取樣至 16 幀、總像素 262,144,並置於 8,192 個 token 的上下文內;音訊每秒耗用 10 個 token。
• 兩者 — 上限存在於隨附設定中,而非架構中,且這兩個儲存庫都未說明若沒有它,模型會如何運作。
把這兩者放在一起看,就會浮現出一套兩家廠商都沒有記載的工作流程:一段五秒的片段交給會取樣十六幀的描述器,就等於是以每秒約三幀取樣的片段,高於該配方自身每秒兩幀的下限。這是這兩個模型唯一能乾淨接合的地方,而正因為它純屬偶然,才更值得注意。
這次許可證是容易的部分
這一次,法律層面的比較並不是決定因素。這兩個發行版都是寬鬆授權,而且雙方在這一點上都有妥善的文件說明;在經歷了一年 Apple AMLR 與非商業示範元件的問題之後,這真是令人鬆一口氣。
• Kandinsky 6.0 Video — 程式碼、權重與 diffusers 整合皆採 MIT 授權。此儲存庫隨附兩個可透過 ComfyUI Manager 安裝的 ComfyUI 節點,以及兩個 Hugging Face Spaces,一個用於 Pro 蒸餾檢查點,另一個用於超解析度。
• WeMM-Video-4B — 整個系列皆採用 Apache 2.0,並附有 Tencent 授權條款檔案,載明第三方元件仍依其原始條款。此排除條款並未逐項列出;有鑑於音訊堆疊源自 Qwen2.5-Omni、主幹源自 Qwen3.5,且兩者皆為 Apache 2.0,這確實是實質缺口,而非形式問題。
• 兩者皆是 — 兩者皆可供商業使用,且兩家廠商都未發布進一步限縮的使用政策。若你的阻礙在於法律審查,那麼卡點不會是這裡的授權條款,而是騰訊那邊未逐項列明的除外條款。
部署接觸面正是它們分歧之處。
更關鍵的差異不在於授權,而在於別人已經替你完成了多少;而這個差距大到足以改變時程。
Kandinsky 6.0 Video 首日推出時即隨附 diffusers 套件、命令列工具、兩個 ComfyUI 節點與兩個 Spaces。接著,一位外部貢獻者將 pull request 8537 合併到 vLLM-Omni,並將此管線註冊為 Kandinsky6TI2VAPipeline;影片與音訊 latent 由同一個 transformer 共同去噪,權重則以逐一資料夾載入的方式,來源包括 transformer/、vae/、text_encoder/、text_encoder_2/與audio_vae/,以及一份位於 recipes/Kandinsky/Kandinsky6-TI2VA.md的 serving 配方。參考影像條件化會以遮罩尾端影格的形式套用,而非獨立模式,因此單一管線即可同時支援文字轉影片與音訊,以及影像轉影片與音訊。音訊預設為開啟:即使請求未包含音訊參數,仍會回傳同步的語音、音樂或環境音。
WeMM-Video-4B 的情況則正好相反。vLLM 與 SGLang 上游都不支援這個架構,而且在 vLLM 的問題追蹤器中搜尋,也找不到任何 WeMM-Video 請求。該儲存庫改為提供一個 修補程式 目錄——內含針對 vLLM 0.18.0 與 0.31.0、SGLang 0.5.16 與 0.5.19 的原始碼覆蓋層與 SHA-256 清單,每個版本都固定搭配特定的 PyTorch、Transformers 與 CUDA 12.9 組合,並包含 Python 3.12、FFmpeg、為 TorchCodec 放在連結器路徑上的 CUDA 12 NPP,以及 C++ 工具鏈與 Ninja,因為 SGLang 會在首次使用時編譯核心。GGUF 套件鎖定的是需從該儲存庫自行編譯的原生執行環境,而非 llama.cpp;Tencent 將其標示為 exported_unvalidated。

這種不對稱有成本,而這項成本可以排進時程。Kandinsky 6.0 Video 是目前以 HTTP 對外溝通的容器。WeMM-Video-4B 則是要先花一天做工具鏈工作,才能產生第一個 token,而 Tencent 聲稱的唯一驗證,是修補過的 vLLM 在 H20 上載入它,並完成文字、圖像、音訊與含配樂影片的生成檢查——沒有吞吐量、延遲、記憶體佔用或併發數的數據。


數字說明了什麼,以及是誰說的
Artificial Analysis 設有三個影片排行榜——文字轉影片、圖像轉影片與影片編輯——各自擁有自己的 Elo 分數尺度與投票池。於 2026 年 11 月 20 日閱讀這三個排行榜:Kandinsky 6.0 Video 未出現在任何一個榜上,WeMM-Video-4B 亦然。這兩者的缺席都不是評斷。Kandinsky 6.0 Video 並未提交至競技場,而該榜的文字轉影片排名需要 API 價格才能進行正規化比較,這是開放檢查點所沒有的;WeMM-Video-4B 則根本無法進入兩段生成片段之間的投票,因為它不生成任何片段。
剩下的是廠商自己的工作,而它衡量的是不同尺度上的不同事物。
• Kandinsky 6.0 Video,品質 — 廠商回報在 VABench 上的結果,以及由實驗室執行、與 Kling 2.6、Veo 3.1 Fast、MiniMax H3 和 Seedance 2.0 對比的人工評估結果。Sber 也在論文的消融實驗中報告,它預期您部署的蒸餾檢查點在多數標準上被偏好或與之持平,平均偏好為 51% 對 49%——在您想要的速度下達到持平。
• Kandinsky 6.0 Video、音訊 — 論文中有兩個無法互相比較的詞錯誤率數字。強化學習階段所伴隨的 47% 降幅,是以 Whisper-large-v3 評分,而它是 RL 獎勵模型之一;至於與 VABench 並列報告的 WER,則是在語音子集上使用 Qwen3-ASR-1.7B。作者自己也這麼說,而把其中一個當成另一個來引用,是這次發布中最容易犯的錯誤。
• WeMM-Video-4B,聯合音訊視覺 — 含音訊的 Video-MME 為 83.9,相較於 Qwen3-Omni-30B-A3B-Instruct 的 77.3 與 MiniCPM-o-4.5-9B 的 69.2;Video-MME v2 為 48.1,相較於 36.3 與 28.1;Daily-Omni 為 82.5,相較於 70.7 與 80.2,以上皆為 Thinking 模式。
• WeMM-Video-4B,在此項目中落敗 — MMAU 為 75.2,對上 Qwen3.5-Omni-Flash 的 80.4;MMAR 為 67.3,對上 74.0,僅在 MMAU-Pro 以 68.1 對 64.8 取得一勝。Video-Holmes 為 58.8,對上 MiniCPM-o-4.5-9B 的 64.3;FutureOmni 為 50.9,對上 55.1 與 56.1。
WeMM 欄有兩點需要注意。論文未說明其影片評估所用的影格數、像素預算或脈絡長度,而這點很重要,因為隨附的設定方案使用十六個影格,但處理器預設為 128。此外,各表格之間的模式會變動:影片用 Thinking,音訊用 Instruct,影像與文字又用 Thinking。拿 WeMM 的音訊列與對手的影片列相比,根本不算比較。
實際耗時,那個沒人引用的數字
Kandinsky 的儲存庫公布了決定開放影片模型能否在你的硬體上使用的數據,而這數據並不討喜。這些是未蒸餾基礎模型在暖機後處理單段五秒影片的運作時間,其中不含權重載入與 MP4 編碼;Full HD 則表示超解析度處理也同時執行。
• Full HD、Pro — 在 H100 上為 402 秒,在 RTX PRO 6000 上為 765 秒,在 RTX 5090 上為 854 秒,在 A100 80GB 上為 1,106 秒,在 RTX 4090 上為 1,247 秒,在 RTX 5060 Ti 上為 3,530 秒。
• Full HD, Lite — 在 H100 上耗時 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 上為 356 秒,相較於 4090 的 936 秒,此時消費級顯卡的劣勢最小。
在 Pro SD 執行中,峰值配置記憶體達到 72.8 GiB,超過所有消費級顯示卡,這就是為什麼儲存庫提供區塊卸載——兩個 Transformer 區塊常駐,其餘從主機記憶體串流——並有 32、24 與 16 GB 預設。32 與 24 GB 預設完全相同,因為超過 24 GB 後,多出的餘裕並不會換來速度。隱藏的告誡是:在 16 GB 預設下,文字編碼器被量化為 NF4,而論文明確指出,這是唯一會改變 clip 本身的預設變更,約有 12% 的像素相差一個亮度級別,PSNR 約為 57 dB。如果你在 16 GB 顯示卡上重現別人的結果卻對不上,先檢查這一點。
WeMM-Video-4B 沒有對應的表格,而這個缺席本身就耐人尋味。Tencent 驗證了該檢查點能載入並生成。一個以影片為賣點的模型,卻僅被描述為「它生成了」,等於把部署決策中整個成本層面留給你自己判斷。
為兩者接上一層文字層
無論你執行其中哪一個,周邊的堆疊都需要同樣的三件事,而這三件事都不是模型本身。提示詞擴展會把鏡頭描述轉成 Kandinsky 訓練時所用的長、中或短說明文字,或轉成 WeMM 應該回答的問題。轉錄與圖說生成會為圖生影片流程提供輸入,或準備好片段以供描述。審查摘要會決定四份生成結果中要保留哪一個;這個判斷是針對每個候選輸出付費,而不是針對每個最後留存下來的輸出。
那些是普通的文字補全,而它們正是 OrcaRouter 在這套技術堆疊中所涵蓋的部分:一把與 OpenAI 相容的金鑰就能橫跨兩百多個模型,供應商定價以 0% 加價原樣傳遞,因此廠商調價當天就會反映,還有自動容錯移轉,讓一個掛掉的字幕階段不會連帶拖垮五分鐘的渲染。這兩個模型都不在平台上——型錄中沒有 Kandinsky 項目,也沒有 WeMM 項目,而沒有任何路由層能把權重下載變成託管端點。路由器省去的是圍繞這兩個你自行託管模型的整合工作,以及一種能將第二家供應商備援於第一家之後、又不必撰寫第二個用戶端的方式。
兩個天花板,一個決定
問清楚你能在哪個上限內工作。如果你需要帶聲音的影片素材,而且能以五秒為單位剪輯,那麼 Kandinsky 6.0 Video 在原始畫質以外的每個面向都是更完整的版本:MIT 授權、四種部署面向、可據以編列預算的 H100 數字,以及讓 Full HD 成為實際設定而非口號的超解析度處理。它的限制是時長,而時長很容易在設計時納入考量。
如果你需要知道手邊已有的影片素材裡有什麼——螢幕上發生什麼事,以及其中能聽到什麼——WeMM-Video-4B 是兩者中唯一能回答的,而它的限制在於保真度:十六個取樣影格與八千個 token 就是正式發布版本給你的配置,而那些長影片基準測試列是在論文中未描述的條件下產生的。
這兩個發佈版本都沒有提供那件能讓這項比較變得容易的事:一個不是由論文作者本人所提供的數字。兩者都是開放的,兩者都採用寬鬆授權,而且對所有能解決此爭議的排行榜而言都不可見。在它們之一被獨立測量之前,各儲存庫中的上限是任一廠商所公佈過最可靠的事實。
