Kandinsky 6.0：5秒视频要跑45分钟？

Kandinsky 6.0：5秒视频要跑45分钟？

产品经理说要在应用里加个"带声音的短视频生成"。Kandinsky 6.0 是个候选：文本输入，或者文本加一张图，输出一段 5 秒、带匹配音轨的短片。Kandinsky Lab 在 10 月 6 日把它放上 GitHub，代码和权重都是 MIT 协议。

它有两个尺寸，Lite 是 3B 参数，Pro 是 29B。参数就是模型内部那些学出来的数字，粗略衡量模型大小。麻烦的地方不在模型本身，在调度、硬件，还有一项没人测过的数据。

下面这些数字全部来自 Kandinsky Lab 的仓库和模型卡。模型没跑过，输出也没看过，所以这里不评价画质。

当成批处理任务来用

Kandinsky Lab 的计时表测的是标准模型——用 50 次迭代把随机噪声清理成一张图，跑之前先热身一次，模型加载和文件写入的时间不算在内。结果是每段视频 5 到 45 分钟。

这个时长不可能是同步 API 调用。仓库里用 vLLM-Omni 部署 Pro 的指南（vLLM-Omni 是个把模型暴露成 HTTP 接口的服务）已经是批处理套路：提交视频任务，拿到一个 ID，轮询，下载结果。照着这个形状做，按"每小时能出几段"来规划容量，而且实际会比表里更慢——被排除掉的那部分时间，从来没有被量化过。

显存更大，出片更慢

RTX PRO 6000 有 96 GB 显存，比 H100 多 16 GB，跑同一段 Pro HD 视频却要 561 秒。

下载体积能解释这件事。Pro 在磁盘上大约 90 GB，其中约 70 GB 在生成画面的那个组件里。所以官方发布的每一个 GPU 预设都在做 offload：权重留在主机内存里，生成过程中分块拷到 GPU 上。

H100、A100 和 RTX PRO 6000 的预设用模块模式，一次搬一整个组件；游戏卡用块模式，画面生成器留两块切片在 GPU 上，同时把下一块拷进来。--offload none 这个命令行开关确实存在，但没有一个预设用它，vLLM-Omni 的指南在 80 GB 卡上直接把 offload 称为"必需"。

这对选机器有两个影响。主机内存变成硬性要求，而官方没有公布最低值。计时表也没法把 GPU 速度和拷贝开销分开：每一行都在 offload，没有一行是模型完整放在卡上跑的，而且只有 H100 用了 FlashAttention 3，其余用的是 SageAttention——这是两种注意力库，注意力是模型把视频各部分互相关联的那一步。作者推测 H100 赢在芯片原始速度上，但表里没有任何数据测到这一点。

你默认加载的模型，没有计时数据

所有预设，以及 Hugging Face 上的公开 demo，加载的都是蒸馏版 Pro：训练成 10 次迭代就出成片，而不是 50 次，体积约 81 GB 而不是 90 GB。计时表从来没覆盖它。

迭代次数只有五分之一，很容易顺手写个"快五倍"。这一格先空着，等有人真测了再说。

性能分析默认关闭，复制一份预设再加一段配置就能打开：

• cp kandinsky/configs/devices/rtx-5090.yaml my-5090.yaml
• printf 'profile:\n mode: time_mem_module\n' >> my-5090.yaml
• just generate "a cat on a mat" --config my-5090.yaml --warmup --out clip.mp4

加上 --warmup，第一次生成会被丢掉，只计第二次的时间，大致就是计时表的产出方式。性能分析包住的是整个流水线调用，所以 total_time 里还包括 MP4 编码、把音轨合进去，以及 Qwen2.5-VL 编码器默认做的提示词改写。计时表把这些都排除在外。要对比就看各组件的时间：DiT（画面生成器）、视频 VAE 和音频 VAE（把结果解码成画面和声音）、声码器（把它变成波形）。

Full HD 会丢掉音轨

生成发生在 864×480。另有一个超分模型逐块重绘细节，把画面放大到 Full HD。跟生成比起来它很便宜：在 H100 上，2 步版本做 2 倍放大要 41 秒，4 倍要 118 秒，测的输入比基础片段略小。

它只处理画面，所以任务里必须把原始生成的声音重新接回去。游戏卡上没有任何它的计时数据。

动手之前的三项检查

1. 拿同一组提示词分别跑 Lite 和 Pro 做对比。Pro 需要 1.4 到 2.8 倍的 GPU 时间，而读过的所有资料都没说这多出来的时间买到了什么。
2. 在自己的 GPU 上，把蒸馏版默认模型按组件逐个做性能分析。
3. 检查非蒸馏版 Pro 在 Hugging Face 上的访问门槛：审批是自动的，条款要登录后才看得到，这些条款还没人读过。

模型、超分器、预设和计时表都是 Kandinsky Lab 做的，背后有一份技术报告。它们建立在阿里 Qwen2.5-VL、OpenAI CLIP、腾讯混元视频解码器设计、MMAudio、英伟达 BigVGAN、π-Flow 蒸馏方法、FlashAttention 3（Tri Dao 等人）和 SageAttention（清华 thu-ml 团队）之上。Diffusers、ComfyUI、vLLM-Omni、SGLang 和 FastVideo 在发布当天就支持了，社区账号 realrebelai 还发布了给小卡用的实验性压缩版 Pro。