
FastFrames من Apple يولّد الفيديو أسرع مما يمكنك مشاهدته
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 89 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 97 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaجديدOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 88 tok/s
- OrcaجديدOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaجديدOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855الذكاء
ستة وثلاثون مللي ثانية لكل إطار. هذا هو الرقم الوارد في صدارة توليد الفيديو FastFrames، الإصدار الذي نشرته Apple مع Cornell في 16 نوفمبر 2026 — الأوزان على Hugging Face باسم FastFrames-S بـ1.3 مليار معامل وFastFrames-L بـ14 مليار معامل، وورقة بحثية بعنوان "FastFrames: Video Generation at Interactive Latency" في اليوم التالي. أجرِ الحساب قبل أن تقرأ أي شيء آخر: المقطع يتكون من 81 إطارًا بدقة 832×480 و16 إطارًا في الثانية، أي 5.06 ثانية من الفيديو. عند 36 مللي ثانية لكل إطار على شريحة B200 واحدة، ينتج النموذج الصغير ذلك المقطع في 2.9 ثانية. ليس أسرع من البدائل — بل أسرع من التشغيل. السؤال المثير للاهتمام ليس ما إذا كان الرقم حقيقيًا، بل ما الذي تنازلت عنه Apple للحصول عليه، وهل يمكنك التعايش مع ذلك التنازل.
ما الذي تم إصداره فعليًا، ومتى؟
نقطتا تحقق، كلتاهما نص إلى فيديو، وكلتاهما متاحتان دون بوابة وصول وقابلتان للتنزيل اعتبارًا من هذا الأسبوع. أُنشئت مستودعات Hugging Face في 16 نوفمبر 2026، وكان لا يزال يجري العمل عليها في صباح 18 نوفمبر؛ ومسودة arXiv الأولية (2611.23226) مؤرخة في 17 نوفمبر. لذا هذا إصدار عمره يومان، وليس نموذجًا له سجل موثّق، ولم يُقيَّم أي شيء هنا بشكل مستقل. كل ما يلي إما قياس أجراه المؤلفون أنفسهم أو سمة من سمات الأوزان المنشورة.
• الأحجام — FastFrames-S بـ1.3 مليار معلمة، وFastFrames-L بـ14 مليار (14.3 مليار عند احتساب الرؤوس المضافة).
• النماذج الأساسية — مقطّرة من Wan2.1-T2V-1.3B وWan2.1-T2V-14B على التوالي، باستخدام وصفة يسمّيها المؤلفون Causal Forcing++.
• المخرجات — 832×480 بمعدل 16 إطارًا في الثانية، و81 إطارًا لكل عملية توليد، بنموذج انحداري تلقائي بحيث يمكن ربط المقاطع.
• الأوزان — متاحة علنًا على Hugging Face، وموسومة بترخيص AMLR الخاص بـ Apple؛ كود العرض التجريبي LingBot-World v2 مرخّص بموجب CC BY-NC-SA 4.0، وهو غير تجاري، أما بقية المستودع فتخضع لترخيص Apple's Sample Code Licence.
• التسعير — لا يوجد. لا توجد نقطة نهاية FastFrames مستضافة من Apple؛ بل تشغّلها على وحدات معالجة الرسومات الخاصة بك.
هذا السطر الأخير هو ما يجب استيعابه. إن FastFrames إصدار بحثي بأوزان قابلة للتنزيل، وهو أمر مختلف عن كونه منتجًا. لا توجد تسعيرة لكل ثانية، ولا طابور انتظار، ولا اتفاقية مستوى خدمة (SLA)، ولا سبيل لاستدعائه دون وحدة معالجة رسومات من NVIDIA وCUDA 12.8.

أين ذهبت أجزاء الثانية؟
الفكرة المعمارية أضيق نطاقًا من «نموذج أسرع» وأكثر إثارة للاهتمام. FastFrames هو نموذج انتشار فيديو انحداريّ ذاتيّ، أي أنه يولّد كتلة من الإطارات مشروطةً بما سبقها. في النموذج الأساسي الذي بُني عليه، Causal Forcing++، تكلّف عملية توليد كتلة واحدة من 81 إطارًا 271.8 مللي ثانية لكل إطار، ولا يُعزى جزء كبير من ذلك إلى المحوّل إطلاقًا — بل إلى الترميز التلقائي المتغيّر (variational autoencoder) الذي يفكّ تشفير الكوامن ويعيدها إلى بكسلات، إضافةً إلى خطوة تحديث ذاكرة KV المؤقتة كي تعرف الكتلة التالية ما جرى في هذه الكتلة.
استبدل فريق Apple طرفي تلك الحلقة بشبكات صغيرة مُتعلَّمة، وترك محوّل الانتشار (diffusion transformer) دون أي تغيير.
• اختفى مُفكِّك VAE. مُفكِّك بكسلات يضم 63.87 مليون معامل — ثلاث كتل ConvNeXt سببية وطبقة خطية أخيرة تُصدِر قيم RGB بأبعاد 4×16×16 لكل رمز — يُنتج الإطارات مباشرةً. وينخفض فك الترميز من نحو 147 مللي ثانية إلى نحو 1 مللي ثانية.
• أصبح تحديث ذاكرة KV المؤقتة الآن شبكة صغيرة. جذع مشترك، وأربع كتل انتباه ذاتي بثمانية رؤوس، ورأس إصلاح تبقّي واحد لكل طبقة DiT، بتكلفة 2 مللي ثانية على النموذج الصغير و6 على النموذج الكبير.
• barely changed المحوّل نفسه، ويُجمّد أثناء المرحلة النهائية. في نموذج 1.3B، ينخفض زمن DiT من 41.6 إلى 16.4 مللي ثانية؛ وفي 14B، من 89.2 إلى 75.6.
اجمع تلك الأرقام على نموذج 1.3B، وسيصبح 271.8 مللي ثانية 35.8. هذه هي الحيلة كاملة، وهي حيلة جيدة: لم يجعل المؤلفون محوّل الانتشار أسرع، بل أزالوا الأجزاء المحيطة به التي لم تكن المقصودة أساسًا. دُرِّب مفكك ترميز البكسل على 32 من وحدات B200 لمدة أسبوع تقريبًا على 150,000 عملية rollout، مع مرحلة خصومية على 8 وحدات B200 باستخدام مميِّز DINOv3 ViT-S/16 مجمَّد لمنعه من إنتاج إطارات ناعمة.
ادعاء الجودة، ومن قام بالتحقق منه
هذا هو الجزء الذي يحتاج إلى تسمية. أرقام VBench أدناه هي أرقام المؤلفين أنفسهم، شُغِّلت على المطالبات والبذور نفسها بدقة 480p، وأُبلِغ عنها في الجدول 1 من الورقة. لم يُعِد إنتاجها أي طرف مستقل، وVBench معيار يكافئ النوع من السلاسة الزمنية الذي تتفوق فيه النماذج الانحدارية الذاتية. تعامل معها بوصفها ادعاءً بشأن التكافؤ، لا قياسًا له.
• FastFrames-S — إجمالي VBench: 84.23، الجودة: 85.30، الدلالي: 79.92، عند 36 مللي ثانية لكل إطار.
• FastFrames-L — 84.44 إجمالًا، و85.48 في الجودة، و80.29 في الدلالة، بمعدل 45 مللي ثانية لكل إطار على ثماني وحدات B200.
• Causal Forcing++، النموذج الأساسي الذي قُطّر منه — 84.11 إجمالًا عند 272 مللي ثانية لكل إطار، أي أبطأ بنحو 7.6× مقابل 0.1 إلى 0.3 نقطة أقل.
• Krea-Realtime — 84.42 إجمالًا عند 1,675 مللي ثانية لكل إطار؛ وتزعم الورقة البحثية واقعيةً والتزامًا بالأوامر وتكوينًا وعرضًا للنصوص قابلًا للمقارنة، بسرعة تزيد على عشرة أضعاف.
• Self-Forcing — 84.10 عند 717 مللي ثانية؛ CausVid 83.18 عند 662 مللي ثانية؛ LongLive2.0 83.65 عند 505 مللي ثانية.
• Wan2.1 1.3B، النموذج الأساسي — 83.80 عند 30,444 مللي ثانية لكل إطار.
• Wan2.2 14.3B — 84.65 عند 117,734 مللي ثانية لكل إطار. هذا هو الرقم الجدير بالتأمل: أفضل إجمالي على الطاولة، بتكلفة تبلغ نحو 2,600 ضعف التكلفة لكل إطار لدى FastFrames-L.
• MiniMax-H3 33.1B — 84.43 عند 38,454 مللي ثانية؛ HunyuanVideo1.5 8.3B — 83.18 عند 1,555,508 مللي ثانية.
النمط هو هضبة جودة مستوية من 83 إلى 85.5 عبر كل نموذج في القائمة، وفارق زمن استجابة يمتد على أربع مراتب مقدارية. ومهما كان ما يقيسه إجمالي VBench، فقد توقف عن التمييز بين هذه الأنظمة منذ فترة. وما يفصل بينها الآن هو سرعة تشغيلها، وما يمكنها إنتاجه من دقة وصوت — ويفوز FastFrames في العمود الأول بفارق كبير بينما يخسر الثاني خسارة تامة.
ما الذي تحصل عليه فعليًا مقابل 36 مللي ثانية لكل إطار
حوِّل إلى الوحدات التي يهتم بها مسؤول المنتج. يذكر المؤلفون معدل الإنتاجية بالإضافة إلى زمن الاستجابة، وكلاهما يروي قصتين مختلفتين حسب عدد وحدات GPU التي تمتلكها.
• FastFrames-S، وحدة B200 واحدة — 36 مللي ثانية لكل إطار، بنحو 28 طلبًا في الثانية. مقطع مدته 5 ثوانٍ في 2.9 ثانية، أو أسرع بـ1.7× من سرعة مشاهدته.
• FastFrames-L، ثمانية B200s — 45 مللي ثانية لكل إطار، حوالي 22 طلبًا في الثانية. مقطع مدته 5 ثوانٍ في 3.6 ثوانٍ.
• FastFrames-L، وحدة معالجة رسومات واحدة — 158 مللي ثانية لكل إطار، أي نحو 6.3 طلبات في الثانية. المقطع نفسه في 12.8 ثانية، وهو أبطأ من التشغيل. لا يصبح النموذج الكبير تفاعليًا إلا عند توزيعه على عقدة.
• عند 720p — 127 مللي ثانية لكل إطار للنموذج الصغير و116 مللي ثانية للنموذج الكبير على ثماني وحدات GPU، وهي النقطة التي لم تعد عندها صفة "التفاعلية" صحيحة لجلسة أحادية التدفق.
• على H100 بدلاً من B200 — تضع الورقة البحثية نسبة العقوبة عند 25 إلى 50 بالمئة، لذا يستقر النموذج الصغير عند نحو 45 إلى 54 مللي ثانية لكل إطار.
الادعاء الذي يصمد هو ذاك المتعلق بالنموذج الصغير على العتاد الحالي. إن FastFrames-S على وحدة B200 واحدة أسرع فعلاً من الزمن الحقيقي، وهذا ما يجعل حلقة معاينة مباشرة، أو أفاتار بثّي، أو نموذج عالم قابل للتحكم ممكناً دون مزرعة تصيير. أما 14B فهو تفاعلي فقط بمعنى إنتاجية المعالجة بالدفعات.
تشغيله بنفسك
يوفّر المستودع مسار استدلال جاهزًا للعمل، وليس أوزانًا فقط. تحتاج إلى Linux x86-64، وGPU من NVIDIA، وCUDA 12.8؛ ثم نفّذ uv sync، وشغّل uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. وهناك سكربت لقياس زمن الاستجابة يستقبل عدد وحدات GPU، وسير عمل لتقييم VBench، وتطبيق تجريبي تحت apps/lingbot يعمل على المنفذ 8000. كما نشرت Apple كل نقطة تفتيش لمراحل التدريب الخاصة بالنموذج الكبير — المعلّم السببي، ومرحلة التقطير بالاتساق، ومرحلة التقطير DMD، والمولّد النهائي مع مفكك ترميز البكسل وشبكة تحسين KV — وهو أمر غير معتاد ويجعل الإصدار قابلًا لإعادة الإنتاج على نحو لا تتمتع به معظم إصدارات «الأوزان المفتوحة».

إذا لم تكن لديك وحدات GPU، فالقول الصادق هو أن OrcaRouter لا يقدّم FastFrames، ولا يقدّمها أي طرف آخر — فلا توجد نقطة نهاية مستضافة يمكن التوجيه إليها. وما يغطيه مفتاح OrcaRouter واحد هو نماذج الفيديو المستضافة التي تعمل بالفعل اليوم، بما في ذلك Kling 3.0 وKling 3 Turbo وKling Video O1 وMiniMax H3، عند أسعار قائمة المزوّدين التي تُمرَّر كما هي دون هامش ربح بنسبة 0%، بحيث يصلك أي تغيير في سعر المزوّد في اليوم نفسه بدلاً من دورة الفوترة التالية. النمط المعقول لفريق مهتم بـ FastFrames هو أن يبني نموذجاً أولياً لفكرة المنتج باستخدام نموذج مستضاف يمكن للفريق قياس زمن استجابته، وألا يشتري وقت GPU إلا بعد أن يعرف أن دورة العمل تستحق ذلك.
ما لا يمكنه فعله
ثلاثة قيود، ولن تُرقّع أيٌّ منها الأسبوع القادم.
• الدقة — 480p، وانتهى الأمر. تذكر Apple أرقام زمن الاستجابة عند 720p، لكن التكوين المطروح هو 832×480. كل منافس في هذه الفئة السعرية يقدم 1080p على الأقل.
• الصوت — لا شيء. فـ FastFrames صامت. أما Veo وKling وGrok Imagine وHiDream فكلها تولّد صوتًا متزامنًا في الطلب نفسه.
• المدة والتحكم — 81 إطارًا لكل عملية توليد مع تسلسل انحداري ذاتي، ومطالبات نصية فقط. لا تكييف للصور، ولا أصول مرجعية، ولا إطارات مفتاحية، ولا تحكم في الكاميرا، ولا واجهة برمجة تطبيقات للتوسعة.
• الترخيص — تخضع أوزان النموذج لشروط AMLR الخاصة بشركة Apple، بينما تخضع مكوّنات LingBot-World v2 لرخصة CC BY-NC-SA 4.0. اقرأ ذلك قبل أن تبني منتجًا تجاريًا على تطبيق العرض التجريبي؛ فـ"الأوزان المفتوحة" و"المتاحة للاستخدام التجاري" ليستا مترادفتين، وهذا الإصدار يحرص عن قصد على التمييز بينهما.
الأمر الجدير بالمتابعة
من أفضل طرق فهم FastFrames اعتباره برهانًا على أن تكلفة التوليد الفيديوي الانحداري الذاتي لم تكن يومًا نابعة في معظمها من النموذج. بل كانت من فك التشفير وتحديث الذاكرة المؤقتة، وقد أزالتهما Apple مقابل نحو ميلي ثانيتين وميغابايت واحد من المعاملات. وتلك النتيجة قابلة للنقل: فمُفكِّك البكسل يُدرَّب لكل نموذج أساس على حدة، لكن المبدأ — تجميد المحوِّل وتعلُّم التوصيلات — ينطبق على أي حزمة انتشار فيديو سببية، وقد أظهرت الورقة بالفعل نقلها إلى نظامين من طرف ثالث، حيث خفّضت LingBot-World من 1,085 إلى 52 ميلي ثانية لكل إطار في نسخة 1.3B، ومن 3,862 إلى 233 في نسخة 14B.
ماذا يعني ذلك للمشتري: إذا كان منتجك يحتاج إلى نموذج فيديو ضمن حلقة زمنية حقيقية، فقد انخفضت متطلبات العتاد للتو بمقدار مرتبة أسّية واحدة، ويبدو أن التكلفة من حيث الجودة صغيرة. وإذا كان منتجك يحتاج إلى مقطع نهائي بدقة 1080p مع صوت، فلا شيء في هذا الإصدار موجّه إليك، وتظل النماذج المستضافة هي الحل. والفجوة بين حالتي الاستخدام هاتين هي الساحة التي ستُخاض فيها المنافسة خلال الأشهر الاثني عشر المقبلة من إصدارات نماذج الفيديو.

