Dieser Bericht stellt Kandinsky 5.0 vor, eine Familie von State-of-the-Art-Grundmodellen für die Synthese von hochauflösenden Bildern und 10-Sekunden-Videos. Das Framework besteht aus drei zentralen Modellreihen: Kandinsky 5.0 Image Lite – eine Reihe von Bildgenerationsmodellen mit jeweils 6 Milliarden Parametern, Kandinsky 5.0 Video Lite – schnelle und leichtgewichtige Text-zu-Video- und Bild-zu-Video-Modelle mit 2 Milliarden Parametern, sowie Kandinsky 5.0 Video Pro – Modelle mit 19 Milliarden Parametern, die eine herausragende Videoqualität erreichen. Wir präsentieren eine umfassende Analyse des Datenpfads zur Datenaufbereitung – einschließlich Sammlung, Verarbeitung, Filterung und Clustering – für den mehrstufigen Trainingspipeline, die umfangreiche Vortrainingsphasen umfasst und Qualitätsverbesserungstechniken wie selbstüberwachtes Feintuning (SFT) sowie nachtrainierungsbasierende Verstärkungslernen (RL) integriert. Zudem stellen wir neuartige architektonische, trainings- und inferenzbasierte Optimierungen vor, die es Kandinsky 5.0 ermöglichen, hohe Generierungsgeschwindigkeiten und state-of-the-art-Leistung bei verschiedenen Aufgaben zu erzielen, wie durch menschliche Bewertungen belegt wird. Als großskaliges, öffentlich verfügbares generatives Framework nutzt Kandinsky 5.0 das volle Potenzial seines Vortrainings und der nachfolgenden Trainingsphasen, um sich für eine breite Palette generativer Anwendungen anzupassen. Wir hoffen, dass dieser Bericht gemeinsam mit der Veröffentlichung unseres Open-Source-Codes und der Trainings-Checkpoint-Dateien die Entwicklung und Zugänglichkeit hochwertiger generativer Modelle in der Forschungsgemeinschaft erheblich voranbringen wird.