16 июля в репозитории Kandinsky 5 закрылись сразу несколько старых runtime-issue: про OOM при I2V, импорт torch и torchvision на Windows, конфликт с NumPy. Для человека, который собирается скачать веса, это выглядит как хороший сигнал: кандинский развивается, старые препятствия сняты.
Но в день закрытия в этих обсуждениях не появилось новых решений от мейнтейнеров. Значит, практическое решение не меняется: до загрузки весов нужно проверить конкретный pipeline, свою ОС, видимость CUDA, связку torch и torchvision, а также путь потребления памяти. Статус closed описывает запись в трекере. Он не доказывает, что inference пройдёт на вашей машине.
Платите в рублях за AI-модели без наценки на токены через provod.ai
Почему один закрытый тикет не равен исправлению
У репозитория Kandinsky 5 на момент фиксации было 796 звёзд и 60 форков. Это показатель внимания к проекту, но не таблица совместимости. Open weights переносят значительную часть интеграционной работы на того, кто запускает модель: именно он соединяет веса, код, драйвер, CUDA, библиотеки и ограничения памяти.
Особенно хорошо это видно на issue №61. В нём описан OOM при I2V на A100 с 80 ГБ памяти, несмотря на offloading и MagCache. В том же обсуждении упоминался более старый альтернативный вариант, который, по словам участника, запускался на 4090 под Linux. Это не позволяет вывести ни минимальный объём VRAM, ни универсальный рецепт: отличаются pipeline, режим, окружение и путь работы с памятью.
Вывод неприятный, но полезный: вопрос «хватит ли видеопамяти?» слишком грубый. Для kandinsky video важнее спросить, какой именно pipeline вы запускаете, на каком входе, в какой конфигурации и где возникает пик: при загрузке, в DiT, в VAE или при декодировании результата.
Исправить импорт недостаточно
Issue №108 показывает вторую ловушку. Ошибка импорта была связана с несоответствием версий torch и torchvision, но после неё проявилась отдельная проблема с CUDA-устройством в Windows. Устранение первой ошибки не стало доказательством, что модель готова к генерации.
Это обычная структура локального запуска: ранняя ошибка закрывает доступ к следующей. Поэтому успешный import не стоит путать с готовностью inference, а появление GPU в системе не стоит путать с тем, что его увидит выбранная сборка PyTorch.
Сильное возражение здесь справедливо: закрытые тикеты всё же полезны. Они убирают дубликаты, фиксируют границы обсуждения, иногда показывают, что проблема устарела или была перенесена в другое место. Игнорировать их было бы неразумно. Ошибка начинается в другой точке: когда статус карточки принимают за результат воспроизводимого теста.
Smoke test вместо веры в badge
Перед большой загрузкой и настройкой полезно пройти пять коротких ворот. Их смысл не в том, чтобы доказать универсальную работоспособность Kandinsky, а в том, чтобы быстро получить ответ для вашей конфигурации.
- Создайте чистое окружение и зафиксируйте выбранные версии
torchиtorchvision. - Выберите точный pipeline и его конфигурацию. Не переносите выводы с одной задачи на другую, особенно между изображением и I2V.
- Проверьте видимость CUDA из того же окружения, где будет запускаться модель.
- Выполните импорт без генерации. Если он не проходит, не переходите к обсуждению качества, памяти или промптов.
- Запустите крошечную поддерживаемую генерацию и запишите пиковое потребление памяти. Только после этого имеет смысл увеличивать входные параметры.
Такой тест меняет порядок затрат. Вместо того чтобы сначала скачивать всё, подбирать флаги и искать советы в ветках, вы сначала определяете класс сбоя: зависимости, устройство, pipeline или память. Если сбой остаётся на одном из первых этапов, фраза «issue уже закрыт» не приближает результат.
Когда локальный запуск оправдан, а когда лучше сменить маршрут
Локальный Kandinsky 5 оправдан, когда цель сама требует контроля над окружением: исследование pipeline, повторяемый эксперимент, интеграция в собственный стек или проверка поведения весов. Тогда smoke test является частью работы, а не досадной задержкой.
Если же нужна одна ограниченная задача по генерации изображения, а не исследование локального runtime, разумнее разделить цель и инструмент. Hosted-маршрут не исправляет зависимости репозитория и не превращает его в локальный runtime, но может убрать из текущей задачи необходимость собирать это окружение. Для такой проверки результата можно использовать provod.ai.
Главная граница проста: закрытый issue может быть полезным сигналом для чтения, но локальная готовность начинается только там, где ваш минимальный pipeline дошёл до маленькой генерации с зафиксированной памятью.
Что для вашей следующей задачи дороже: потратить время на воспроизводимый локальный стек или отказаться от него ради результата в ограниченной задаче?
provod.ai — единая точка доступа к AI для российского бизнеса
Совместите технический и организационный контуры: модели подключаются через общий API, расчёты идут в рублях, юридические лица получают документы, а команда работает в корпоративном пространстве.
В одном каталоге — актуальные модели для текста и медиа: GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.
Доступность из России сочетается с прямой экономикой: официальный тариф модели переносится 1:1, без собственной наценки provod.ai.
Соберите корпоративный AI-контур: форма регистрации · цены на модели · защита данных по 152-ФЗ · реквизиты для договора