# Кандинский закрыл issue, но не проблему: почему open weights не означают «запустится локально»

Source: https://provod.ai/ru/blog/kandinsky-closed-runtime-issues-tracker-state-vs-local-smoke-test

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](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=kandinsky-closed-runtime-issues-tracker-state-vs-local-smoke-test)

## 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.

![Схема: зависимости, CUDA, pipeline и память как последовательные проверки](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-465.png)

## 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.

1. Создайте чистое окружение и зафиксируйте выбранные версии `torch` и `torchvision`.
2. Выберите точный pipeline и его конфигурацию. Не переносите выводы с одной задачи на другую, особенно между изображением и I2V.
3. Проверьте видимость CUDA из того же окружения, где будет запускаться модель.
4. Выполните импорт без генерации. Если он не проходит, не переходите к обсуждению качества, памяти или промптов.
5. 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 [pro​​vod.ai](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=kandinsky-closed-runtime-issues-tracker-state-vs-local-smoke-test&utm_content=inline&utm_id=next100-workflow).

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.

![Карточка выбора между локальным smoke test и hosted-задачей](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-465.png)

[Перейти на provod.ai](https://provod.ai/?utm_source=provod-blog&utm_medium=article&utm_campaign=kandinsky-closed-runtime-issues-tracker-state-vs-local-smoke-test&utm_content=final&utm_id=next100-workflow)

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](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [реквизиты для договора](https://provod.ai/legal/requisites)

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).