標題卡寫著「WeMM-Video-9B vs Kandinsky 6.0 Video」,副標題為「兩者皆開放,但都未經實測」,兩個面板由一個 vs 圓形標誌分隔:左側標題為 WeMM-Video-9B,帶有「Apache 2.0」徽章,各列寫著「9B 稠密讀取器」、「19.54 GiB BF16」、「16 幀、2 fps」、「每次請求兩段影片」、「回傳文字」;右側標題為 Kandinsky 6.0 Video,帶有「MIT 授權」徽章,各列寫著「29B Pro、3B Lite」、「5 秒、121 幀、24 fps」、「44.1 kHz 音訊同流程處理」、「無擴充模式」、「每段影片在 H100 上約 7 分鐘」。
Guides & Insights

WeMM-Video-9B 與 Kandinsky 6.0 Video:兩者皆開放,但皆未經實測

作者

jinhao.song

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

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 T​encent'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.

以下內容會如實看待這兩個發布:一個是具備生態系、達到生產級別的開放模型,另一個是附有論文的研究發布。這兩種描述既是讚美,也是限制;而你閱讀它們的順序,將決定你該下載哪一個。

五秒是訓練長度

Kandinsky 6.0 Video 產生五秒片段,而關鍵詞是「訓練」,不是「預設」。121 幀的五秒是模型學會的長度;要求更多並非一項設定,而是外推,Sber 也沒有把它說成別的東西。在這五秒之內,你會得到在同一輪生成中產生、並與唇形同步對齊的 44 kHz 音訊,這在此授權條款與此規模下是真正罕見的能力。

部署層面是最能明顯區分這兩個版本的地方。首日,Kandinsky 6.0 Video 推出了 Diffusers 套件包、命令列進入點、兩個 ComfyUI 節點和兩個 Spaces。接著,一位外部貢獻者將提取請求 8537 合併進 vLLM-Omni,把該管線註冊為 Kandinsky6TI2VAPipeline,並以單一 DiT 提供文字轉影片與音訊,以及圖像轉影片與音訊。

WeMM-Video-9B shipped a patched vLLM or SGLang overlay and a set of manifests. The only validation T​encent 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 — 狀態為 quantized_and_independently_reloaded_native_inference_pending,且 native_inference_validated 與 native_low_precision_gemm_validated 皆為 false。

• AWQ W4A16,12.86 GiB — quantized_unvalidated。

• NVFP4 W4A16,13.07 GiB — cpu_NVFP4_weight_artifact_independently_reread,原生 FP4 GEMM、PRO5000 推論與 vLLM 驗證皆為 false,並附有數值證明:平均相對 RMSE 為 0.095,未超過 0.35 的上限。

• GGUF Q4_K_M, 13.28 GiB — exported_unvalidated, and it runs only on T​encent's own runtime, not llama.cpp or Ollama.

四個壓縮版本彼此相差不超過 0.42 GiB,且沒有任何一個經過原生推論驗證。相較之下,Kandinsky 6.0 Video 採用 MIT 授權,並有四個獨立前端,這意味著驗證問題早已分散給非 Sber 的人員。

Two-column scoreboard headed 'WeMM-Video-9B vs Kandinsky 6.0 Video — the scoreboard', six shared dimensions in rows: Price ('free, self-host' against 'free, self-host'), Board position ('none, unrankable' against 'none, no arena row'), Licence ('Apache 2.0' against 'MIT'), Clip length ('8 s of sampled input' against '5 s, 121 frames'), Audio ('reads the soundtrack' against '44.1 kHz in-pass'), Release ('17 Nov 2026' against '6 Oct 2026'), with a footer reading 'Kandinsky figures per Sber's own evaluation; WeMM-Video-9B figures vendor-reported.'

十九點五吉位元組,逐項列明

WeMM-Video-9B 以其異常完整的自我說明,彌補了部署敘事略顯單薄的問題。參數量為 10,488,603,384,分布於 1,305 個張量中。其拆分方式已公開:7.94B 語言主幹,包含 1.02B 詞元嵌入、1.02B 未綁定輸出頭、1.08B 音訊塔——32 層 Whisper 風格層、寬度 1,280,置於兩層 Q-Former 之後,每秒十個音訊詞元——以及 0.46B 視覺塔,27 個區塊、隱藏維度 1,152、patch 16、2×2 空間合併。

在壓縮版本中,只有稠密 FFN 被量化:96 個語言矩陣,32 層中每層三個,尺寸為 4,096 × 12,288,共 4,831,838,208 個元素,而總數為 10.49B。注意力部分則還原為 BF16——152 個投影矩陣加上 32 個輸入範數,全部附有 SHA-256 雜湊值——另有 1,209 個張量維持位元完全一致。視覺塔、音訊塔、嵌入層與輸出頭約 3.57B 參數(約 7.1 GB),完全不會進入量化器。這就是為什麼 AWQ 相對於 BF16 只節省 34%,而非名稱所暗示的 70%。

這些都無法告訴你這個模型到底好不好。它告訴你的是,這次發布是可稽核的,而這是一種不同且被低估的優點。

兩者都沒有獨立評分

Kandinsky 6.0 Video 未出現在 Artificial Analysis 三個影片排行榜中的任何一個。WeMM-Video-9B 也是如此。這兩項缺席的原因不同,而這項差異很重要。

Kandinsky 6.0 Video 沒有 Arena 提交,而文字轉影片排行榜要求先有 API 價格才會列出模型——五秒的開放權重輸出若沒有商業費率,就沒有可佔據的排名列。WeMM-Video-9B 則在更深層的意義上無法排名:排行榜評分的是生成的影片素材,而它生成的是文字。

各實驗室取而代之提供的是自家的評估,而兩者都應以同樣的懷疑態度來看待。

• Kandinsky 6.0 Video — 廠商回報的 VABench 結果,加上實驗室執行的人工評估,每個準則約有 200 次成對比較。另外,據回報,經過 RL 後訓練後,生成語音的詞錯誤率降低了 47%。最後這個數字需要打個問號:它是用 Whisper-large-v3 測量的,而與其比較的 VABench WER 數字使用的是 Qwen3-ASR-1.7B。兩種不同的辨識器、兩種不同的錯誤率,無法進行有效的相減。這項改善很可能確實存在;但如其所呈現的數字並不具可比性。

• WeMM-Video-9B — 作者自行開發的評測框架,並明確說明「有官方結果時採用官方結果,否則採用我們自己的評估」。在思考模式下,於聯合音視訊任務中,它在 37 個共同指標中有 35 個勝過 Qwen3-Omni-30B-A3B-Instruct,包括含音訊的 Video-MME 以 85.1 對 77.3、SciVideoBench 以 64.2 對 49.9,並在一個指標落敗:FutureOmni 以 53.7 對 55.1。在無聲影片上,相較其 Qwen3.5-9B 主幹模型,它在 F-16-NBA 以 88.7 對 75.8 及 TimeLens 上有所提升,但在 MLVU、LVBench、VideoVista、VSI-Bench 與 MVBench 上落敗。

兩次公開發布、兩份自我評估,沒有第三方參與。這就是兩者如實的現況。

Screenshot of the Hugging Face model page for kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers showing an image-to-video pipeline tag, the Diffusers and Safetensors libraries, the Kandinsky6TI2VAPipeline tag, an MIT licence, an arXiv reference, and the model card opening on the Kandinsky 6.0 family of diffusion models for video and audio generation.

十六幀對比五秒

兩個上限交會之處,比單獨任一者都更有意思。WeMM-Video-9B 隨附一套 vLLM 配方,會覆寫自家的處理器預設值——2 fps、最少 4 幀、最多 128 幀、100,663,296 像素——下調為 2 fps、16 幀、262,144 像素,取樣位置落在片段的中點附近。每秒兩幀取十六幀,等於八秒的涵蓋範圍,而每一道服務指令也都以 8,192 個 token 的上下文,對上架構中的 262,144 個位置嵌入。

• Kandinsky 6.0 Video — 輸入五秒、輸出五秒,121 幀,44 kHz 音訊。硬性訓練長度。

• WeMM-Video-9B — 取樣輸入八秒、輸出文字,完整音軌可長達約十三分鐘,速度為每秒十個 token。

• 接合處——一段五秒的 Kandinsky 片段能放進 WeMM-Video-9B 的八秒視窗,還多出三秒;這是將生成片段送入描述器的唯一乾淨配置。

• 拼接的代價——Sber 回報,每段 Full-HD 片段約需七分鐘的 H100 時間,因此一次五秒的生成,在本地硬體上進行任何描述之前,就得先預留七分鐘。

依片段長度路由

這兩個模型都沒有透過 OrcaRouter 提供服務,以後也不會:兩者都是你自己託管的開放權重。對這樣的管線來說,路由層的作用是決定哪一段在哪裡執行,而路由 DSL 正是放置那道八秒界線最誠實的地方。把它表達成一條策略——八秒以下的片段交給本地的 WeMM-Video-9B 描述器,較長的片段交給託管的 omni 模型——這道界線就不再是設定檔裡一句沒人會讀的註解,直到某支六十秒的片段送回來,卻是用八秒的碎片拼湊描述。

就該政策的託管部分而言,單一 API涵蓋 200 多個模型,加價 0%,依供應商牌價計算,因此橫跨自架描述器與租用描述器的流程仍只需一張帳單和一把金鑰。供應商調降費率時,你會在供應商調降當天同步受惠,這在你工作負載的託管部分是以價格為選擇依據時很重要。

Screenshot of the OrcaRouter models catalogue showing the search field and the filter rail for input modalities, context length, input price, status, access tier, series, supported parameters, privacy and inference region, above a product line reading 229 models, 17 providers, one API key and one bill.

兩者都下載,或兩者都不下載

如果你這週就要一條能跑的流程,答案就是 Kandinsky 6.0 Video,而且差距明顯。MIT 授權、首日就有四種部署介面、同步 44 kHz 音訊並支援對嘴,還有五秒的訓練長度可供規劃。代價是時長與獨立驗證。

如果你想找一個可稽核的 9B 全模態描述器,WeMM-Video-9B 就是答案,而稽核正是重點:完整參數核算、逐項量化覆蓋率,以及四個未驗證建置上的誠實狀態字串。你放棄的是服務契約、生態系,以及作者自家表格以外的任何證據。

錯誤在於把「開放權重」當成單一屬性。這些發布版本中,有一個表現得像附帶授權條款的產品。另一個則表現得像附帶檢查點的論文,而你需要哪一個,完全取決於你是要交付影像素材,還是要理解它。