بطاقة رئيسية تقارن بين FastFrames Video Generation وLuma Ray 3.2، البطاقة اليسرى تعرض «36 ms لكل إطار»، و«832x480، صامت» و«81 إطارًا»، والبطاقة اليمنى تعرض «حتى 1080p»، و«10/12/16-bit EXR» و«5 أو 10 ثوانٍ»، مع شعار OrcaRouter في أسفل اليمين.
Guides & Insights

توليد فيديو FastFrames مقابل Luma Ray 3.2: تدفّق إطارات مقابل ملف مُدرّج لونيًا

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

Luma Ray 3.2 وFastFrames Video Generation هما نموذجا فيديو قائمان على الانتشار، صدر كلاهما في عام 2026، وكلاهما لن يُطرح قبل النصف الثاني من هذا العام — وهما ليسا بديلين أحدهما عن الآخر بأي معنى يعرفه منتِج. أما Ray 3.2، الصادر منذ 9 يونيو، فينتهي إلى ملف: بدقة تصل إلى 1080p، ومدّة خمس أو عشر ثوانٍ، واختياريًا HDR بدقة 10 أو 12 أو 16 بت وفق معيار ACES2065-1 EXR، وهو الصيغة التي يجري فيها خبير الألوان التصحيح اللوني. وأما FastFrames، الذي نشرته Apple بالتعاون مع Cornell في 16 نوفمبر، فينتهي إلى بث: 832×480، و81 إطارًا، وإطار واحد كل 36 ميلي ثانية على وحدة B200 واحدة، بلا صوت، وباعتماد على النص التوجيهي فقط، والأوزان على Hugging Face. أحد النموذجين مبنيّ بحيث يظل خرجه صالحًا عبر خط الإنهاء. والآخر مبنيّ بحيث يصل خرجه قبل أن تنتهي من مشاهدة الإطار الأخير. وكل ما يلي ينبع من هذا الانقسام، بما في ذلك الحقيقة غير المريحة أن أيًا من النموذجين ليس لديه تقييم مستقل يحسم السؤال.

صيغة الإخراج هي الحجة، وليس ورقة المواصفات.

ابدأ بما يقدّمه لك كل نموذج، فهنا تكمن المقارنة فعليًا.

يُسلّم Ray 3.2 ملفات MP4 افتراضيًا، وعند الطلب يُسلّم إطارات HDR بعمق 10 أو 12 أو 16 بت بصيغة ACES2065-1 EXR — لكن بدقة 720p و1080p فقط، وللمقاطع التي مدتها خمس ثوانٍ فقط. إن التكرار السلس ومسار EXR كلاهما ميزتان خاصتان بمقاطع الخمس ثوانٍ.

• يقدّم FastFrames ملف MP4 يتكوّن من 81 إطارًا بدقة 832×480 وبمعدل 16 إطارًا في الثانية، أي 5.06 ثوانٍ من لقطات صامتة. لا يوجد مسار EXR، ولا خيار لعمق البت، ولا مربع حوار تصدير. يُخرج مُفكِّك ترميز البكسل RGB بثماني بتات لكل رمز، وهذا كل ما في الأمر.

• الدقة سقفها 1080p مقابل نقطة ثابتة عند 480p — لكن المقارنة غير عادلة في كلا الاتجاهين، لأن وضع 1080p HDR في Ray 3.2 غير موجود للمقاطع البالغة عشر ثوانٍ، و480p في FastFrames ليس إعدادًا يمكنك رفعه.

• واجهة التحكم: تستقبل Ray 3.2 نصًا، وإطار بداية، وإطار نهاية، أو فيديو موجودًا لتعديله، إضافةً إلى ما يصل إلى 16 إطارًا مفتاحيًا لكل مقطع، وتتبّع أداء تعابير الوجه لما يصل إلى ثمانية وجوه. وتستقبل FastFrames وصفًا نصيًا وبذرةً.

اقرأ تلك القائمة مرة أخرى ولاحظ ما الذي توحي به بشأن المشتري. مجموعة ميزات Ray 3.2 هي مجموعة ميزات لقطة موجودة بالفعل في عملية مونتاج وتحتاج إلى إنهاء أو مراجعة أو توسيع. أما مجموعة ميزات FastFrames فهي مجموعة ميزات نظام لم يقرر بعد ما هي اللقطة.

Ray 3.2، يُقرأ كأداة لما بعد الإنتاج

مسار EXR هو السبب الكامل وراء وجود هذا الطراز بشكله الحالي، ويأتي مع قيود تتجاهلها معظم الكتابات.

يولّد بدقات 540p و720p و1080p، في مقاطع مدتها خمس أو عشر ثوانٍ، وعبر ست نسب أبعاد تغطي العمودي والمربع والشاشة العريضة — لكن التوليد لمدة عشر ثوانٍ مقتصر على النص إلى فيديو فقط، لذا فإن المسارات المشروطة بالإطار والمشروطة بالفيديو محدودة بخمس ثوانٍ. HDR إعداد اختياري بدقة 720p و1080p ومدة خمس ثوانٍ: تُفعّل HDR للحصول على تصدير EXR بدلًا من الحصول عليه تلقائيًا. الصوت هو القيد الآخر، وهو يحدّ بطريقة لا يتوقعها الناس. لا يولّد Ray 3.2 صوتًا متزامنًا للنص إلى فيديو أو الصورة إلى فيديو؛ لا يبقى الصوت إلا عندما تعدّل أو تعيد تأطير لقطات موجودة تحمل مسبقًا مسارًا صوتيًا. وبالنسبة لنموذج في مرحلة الإنهاء، فإن ذلك متسق — فالصوت يأتي من المونتاج، لا من المولّد — لكن أي شخص يبحث عن نموذج فيديو مع صوت باستدعاء واحد ينبغي أن يتوقف عن القراءة هنا.

يهُمّ الهيكل التجاري أيضًا. Ray 3.2 هو أول طراز في عائلة Ray يوفّر واجهة API كاملة للمطورين، مقسّمة إلى طبقة Build بالدفع حسب الاستخدام وطبقة Scale ذات الإنتاجية المحجوزة مع اتفاقية مستوى خدمة (SLA). كانت طرازات Ray السابقة تعمل بالاشتراك فقط، ما يعني أن تاريخ تسعير العائلة ليس دليلًا على تسعير هذا الطراز. تتغير تكلفة المقطع الواحد وفق الدقة والنطاق الديناميكي والمدة مجتمعةً؛ وتضع قوائم الأطراف الثالثة مقطعًا مدته خمس ثوانٍ بدقة 720p عند نحو 0.30 دولارًا، ومقطعًا بدقة 1080p عند نحو 1.20 دولارًا، كما أن تصدير HDR أو EXR يضاعف تكلفة المقطع بدلًا من أن يضيف إليها. تعامل مع هذه الأرقام على أنها حسابات تجميعية مقابل بطاقة أسعار Luma، لا كرقم نشرته Luma بنفسها.

ثمة فخّ في التسمية يستحق الجملة التي يكلّفه إيضاحُه: أرقام إصدارات Luma لا تتزايد بالطريقة التي تبدو عليها عند القراءة. فقد صدر Ray3.14 في 26 يناير 2026 وRay 3.2 في 9 يونيو 2026، لذا فالرقم الأقل هو الطراز الأحدث، كما أن Luma أوقفت العلامة التجارية Dream Machine التي ما زالت معظم الأدلة القديمة مبنية عليها.

FastFrames، تُقرأ كحلقة تصيير

FastFrames ليس نسخة أصغر من Ray 3.2. إنه نتيجة تقطير منشورة على هيئة أوزان، والمعمارية تفسّر كلاً من السرعة والميزات المفقودة.

نقطتا الحفظ كلتاهما نموذجان لانتشار الفيديو ذاتيا الانحدار مبنيان على Wan2.1 — FastFrames-S من Wan2.1-T2V-1.3B وFastFrames-L من Wan2.1-T2V-14B — وقد خضعتا لوصفة يسميها المؤلفون Causal Forcing++. مساهمة الورقة ليست محوّلًا أسرع، بل حذف مكوّنين مكلفين حول المحوّل: مفكك ترميز VAE، الذي كان يكلف نحو 147 مللي ثانية لكل إطار في خط الأساس ويُستبدل بمفكك ترميز بكسل ذي 63.87 مليون معامل يبلغ نحو 1 مللي ثانية، وتحديث ذاكرة KV المؤقتة، الذي يصبح شبكة تنقيح صغيرة تكلف 2 مللي ثانية على النموذج الصغير و6 على النموذج الكبير. أما المحوّل نفسه فهو مجمّد في المرحلة النهائية.

بجمع الأرقام على نموذج 1.3B، تصبح 271.8 مللي ثانية لكل إطار 35.8. وعلى وحدة B200 واحدة، يعادل ذلك نحو 28 طلبًا في الثانية، أو مقطعًا مدته 5 ثوانٍ في 2.9 ثانية. ويحتاج نموذج 14B إلى ثماني وحدات B200 للحفاظ على 45 مللي ثانية و22 طلبًا في الثانية؛ وعلى وحدة GPU واحدة يهبط إلى 158 مللي ثانية، وهو أبطأ من التشغيل. وعند دقة 720p يحتاج النموذج الصغير إلى 127 مللي ثانية لكل إطار، ويحتاج النموذج الكبير إلى 116 على ثماني وحدات GPU، وتضع الورقة عقوبة H100 عند 25 إلى 50 بالمئة إضافية.

التوليد الانحداري الذاتي هو السبب في أن 81 إطارًا ليس مقيّدًا كما يبدو، وهو أيضًا السبب في أن النموذج لا يستطيع فعل ما يفعله Ray 3.2. ولأن كل كتلة مشروطة بالكتلة السابقة، فإن المقاطع تتسلسل — لكن التسلسل ليس تحكمًا بالإطارات المفتاحية، ولا توجد طريقة لإدخال إطار بداية أو إطار نهاية أو صورة مرجعية أو مقطع موجود. ولا يمتلك النموذج أي تكييف بالصور من أي نوع.

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

فجوة القياس حقيقية، وهي تمتد في كلا الاتجاهين.

لا يمكن ترتيب أيّ من النموذجين، والأسباب مختلفة بما يكفي لتستحقّ الفصل بينها.

لا يوجد لـ Ray 3.2 أي إدخال في ساحة الفيديو الخاصة بـ Artificial Analysis — لا في تحويل النص إلى فيديو، ولا في تحويل الصورة إلى فيديو، وقد جرى التحقق من ذلك في 18 سبتمبر 2026 لهذه المدونة. وما تنشره Luma بدلاً من ذلك هو تقرير تقييم داخلي لـ Ray3 يزعم التكافؤ مع Veo 3 والتقدّم على عدة منافسين، دون إرفاق أي درجات رقمية، وادعاء بأن واجهة برمجة التطبيقات (API) الخاصة به تعمل بأقل من نصف سعر وزمن استجابة النماذج المماثلة، وهو أيضاً غير مُكمَّم. تلك وثائق تموضع. وهي ليست قابلة للمقارنة مع تصنيف Elo في ساحة يتضمن عدد عينات وفترة ثقة، ولا ينبغي لأي صفحة أن تعرضها كما لو كانت كذلك.

لدى FastFrames المشكلة المعاكسة: فهي تملك أرقامًا، وكلها تأتي من مؤلفيها أنفسهم. إن إجماليات VBench في الجدول 1 من الورقة هي 84.23 لـ FastFrames-S و84.44 لـ FastFrames-L، مقابل 84.11 لـ Causal Forcing++، النموذج الأساسي الذي قُطّرت منه، عند 272 مللي ثانية للإطار. أما Wan2.1 1.3B، النموذج الأساسي، فيسجل 83.80 عند 30,444 مللي ثانية. ويسجل Wan2.2 14.3B نسبة 84.65 عند 117,734. لم يُعِد أحد مستقل إنتاج أي من ذلك، وVBench معيار يكافئ تحديدًا السلاسة الزمنية التي تتفوق فيها النماذج الانحدارية الذاتية. وجدول الورقة نفسه ادعاء بالتكافؤ ضمن هضبة من 83 إلى 85.5، وليس قياسًا للجودة.

القاسم المشترك بين الفجوتين هو الدرس المستفاد: فالفارق في إجماليات VBench عبر كل نموذج في قائمة Apple يبلغ نحو نقطتين ونصف، بينما يبلغ فارق زمن الاستجابة عبر القائمة نفسها أربع مراتب قدرية. وأيًا كان ما يقيسه ذلك المعيار، فقد توقف عن التمييز بين هذه الأنظمة منذ فترة. وكلا هذين النموذجين يُسوَّقان على محاور لا يراها VBench.

بتكلفة طلقة واحدة في كل منها

ضع موجزًا ملموسًا أمام بطاقتي الأسعار كلتيهما، وعندها يتوقف الحساب عن كونه قابلًا للمقارنة على الإطلاق.

• مقطع مدته خمس ثوانٍ بدقة 1080p وبنطاق HDR — Ray 3.2، بتكلفةٍ نحو 1.20 دولار وفق أسعار القائمة قبل مضاعف HDR، يُسلَّم بصيغة EXR يدخل مباشرةً إلى مرحلة التصحيح اللوني. لا تستطيع FastFrames إنتاج هذه اللقطة بأي سعر.

• مقطع صامت بدقة 480p مدته خمس ثوانٍ — FastFrames، وحدة B200 واحدة لمدة 2.9 ثانية من الزمن الفعلي على النموذج الصغير، أو ثماني وحدات B200 لمدة 3.6 ثوانٍ على النموذج الكبير. أما Ray 3.2 فلن يولّد بدقة 480p على الإطلاق؛ فالحد الأدنى لديه هو 540p.

• عشر ثوانٍ من أي محتوى — Ray 3.2 من النص فقط، بدقة 1080p أو أقل. تصل FastFrames إلى عشر ثوانٍ عبر ربط كتلتين من 81 إطارًا على أمل أن يصمد الالتحام.

• تسعون محاولة تصوير للقطة نفسها — هنا تنقلب المعادلة الاقتصادية. يحتسب Ray 3.2 التكلفة لكل مقطع، لذا تكلّف مئة محاولة مئة مقطع. أما FastFrames فيحتسب ثواني GPU، لذا تكلّف مئة محاولة مئة ضعف 2.9 ثانية من جهاز تستأجره بالفعل.

• العتاد الذي لا تملكه — يتطلب FastFrames نظام Linux x86-64، ووحدة معالجة رسومات NVIDIA، وCUDA 12.8، ويوفر المستودع مسار استدلال جاهزًا للعمل، ونصًا برمجيًا لقياس زمن الاستجابة، وسير عمل لتقييم VBench، وتطبيقًا تجريبيًا. لا شيء من ذلك خدمة مستضافة.

إنّ حدّ التسعين محاولة هو الفرق الحقيقي. الفوترة لكل مقطع تُسعّر مُخرَجًا نهائيًا؛ والفوترة لكل ثانية من GPU تُسعّر الاستكشاف. إذا كانت عمليتك هي «ولّد حتى يصبح صحيحًا»، فإن النموذج الثاني أرخص بمرتبة قدر وأسوأ على كل المحاور الأخرى. وإذا كانت عمليتك هي «ولّد شيئًا واحدًا يجب أن يصمد أمام التقييم»، فإن النموذج الأول هو الوحيد من بين الاثنين القادر على أداء المهمة.

الترخيص يحدد أكثر مما تحدده ورقة المواصفات

تخضع أوزان FastFrames لشروط AMLR الخاصة بـ Apple، كما أن مكونات العرض التجريبي LingBot-World v2 في المستودع نفسه مرخّصة بموجب CC BY-NC-SA 4.0 — غير تجاري. أما الباقي فتحت Apple's Sample Code Licence. و«الأوزان المفتوحة» و«حرية الاستخدام التجاري» ليستا مترادفتين، وهذا الإصدار حريص عن قصد على التمييز بينهما على نحو لا يفعله ببساطة Ray 3.2، الذي يُباع بموجب عقد API تجاري مع طبقة Build وطبقة Scale مع اتفاقية SLA.

إذن تسير مسألة الشراء في الاتجاه المعاكس للمسألة التقنية. يطلب منك Ray 3.2 قبول علاقة مع مورّد: قائمة أسعار، وشروط خدمة، والتزام بمعدل الإنتاجية إذا اشتريت Scale، ونقطة نهاية قد تتغير تحت قدميك. أما FastFrames فيطلب منك قراءة ثلاثة تراخيص وتحمل المسؤولية عن وحدات GPU. بالنسبة لاستوديو لديه بالفعل عملية مراجعة قانونية لمورّدي API، الأول أسهل. وبالنسبة لمجموعة بحثية لديها بالفعل وحدات B200s ومسؤول امتثال يقرأ التراخيص على سبيل التسلية، الثاني هو الأسهل.

أين ينتمي كل منها، والسؤال الذي من شأنه أن يغيّر ذلك

ضع Ray 3.2 في نهاية خط المعالجة وFastFrames في بدايته، فيتوقف الاثنان عن التنافس. إن Ray 3.2 هو ما تلجأ إليه عندما يكون المونتاج موجودًا، وخط معالجة الألوان حقيقيًا، ويجب أن تخرج اللقطة من الطرف الآخر قابلة للتدريج اللوني بدقة 10 بتات أو أفضل — مع قبول مقاطع HDR بدقة 1080p ومدة خمس ثوانٍ، دون صوت مُولَّد، وفاتورة لكل مقطع تتضاعف مع النطاق الديناميكي. أما FastFrames فهو ما تلجأ إليه عندما تكون الحلقة هي المنتج: معاينة مباشرة، ونموذج عالم قابل للتحكم، وأفاتار يستجيب داخل جلسة — مع قبول دقة 480p، والصمت، وغياب المدخلات المرجعية، وترخيص عليك قراءته قبل الإطلاق.

لا يمثل أي منهما مسارًا على OrcaRouter، ولا يدّعي هذا المقال خلاف ذلك. وما يصل إليه مفتاح واحد هو طبقة الفيديو المستضافة التي تعمل بالفعل اليوم — MiniMax H3 بسعر 0.08 دولار لكل ثانية بدقة 768p و0.13 دولار بدقة 2K، وعائلة Kling 3.0 — إلى جانب أكثر من 200 نموذج لغوي، وبأسعار قائمة المزوّدين الممرَّرة بهامش ربح 0%، بحيث يصل تخفيض سعر البائع إلى هنا في اليوم نفسه الذي يُعلن فيه، مع تحويل تلقائي عند الفشل إذا تدهورت نقطة نهاية أثناء وجودها في قائمة الانتظار. وبالنسبة لفريق يقيّم أيًا من النموذجين أعلاه، فهذه هي الطريقة الرخيصة لقياس كيف يبدو ملف تعريف واقعي لزمن الاستجابة والتكلفة قبل الالتزام بميزانية GPU أو عقد Scale لفرضية.

ما سيحسم هذه المقارنة ليس عرضًا تجريبيًا أفضل من أي من الطرفين، بل قياس مستقل واحد لـ Ray 3.2 على ساحة تحويل الصور إلى فيديو، حتى يحصل النموذج المُنهي على رقم على الأقل، وإعادة إنتاج واحدة لـ 84.4 الخاصة بـ FastFrames من شخص لا يعمل في Apple أو Cornell. وإلى أن يوجد كلا الأمرين، فإن الأساس الصادق للاختيار هو المُخرَج القابل للتسليم — وعلى هذا المحور، هذان النموذجان ليسا متقاربين بما يكفي لالتباس أحدهما بالآخر.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.