بطاقة رئيسية لمقارنة بين FastFrames Video Generation وMiniMax H3، مع ثلاث شارات على اليسار تحمل: «36 مللي ثانية لكل إطار»، و«832x480، بدون صوت»، و«81 إطارًا»، وثلاث شارات على اليمين تحمل: «1,181 Elo من صورة إلى فيديو»، و«صوت ستيريو أصلي»، و«$0.08 في الثانية»، مع شعار OrcaRouter في أسفل اليمين.
Engineering & Research

توليد الفيديو من FastFrames مقابل MiniMax H3: ثلاث لوحات في مواجهة ساعة توقيت

الكاتب

Gideon Frost

تاريخ النشر

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

هناك نسخة من هذه المقارنة تضع نموذجَي فيديو جنبًا إلى جنب وتختار الأسرع، ولن تستغرق سوى نحو أربعمئة كلمة. وستكون خاطئة أيضًا، لأن MiniMax H3 نموذج يمكنك استدعاؤه بالثانية، بينما FastFrames Video Generation عبارة عن مجموعة أوزان تُنزّلها وتشغّلها على عتاد تملكه. أُطلق H3 في 31 يوليو 2026 بوصفه نظامًا متعدد الوسائط كليًا يقرأ مراجع النص والصورة والفيديو والصوت في سياق واحد، ويولّد صوتًا ستيريويًا أصليًا، ويحتل المركز الثاني على لوحة الصورة إلى الفيديو في Artificial Analysis بـ 1,181 نقطة Elo من أصل 7,284 تصويتًا وفق ما رُصد في 8 أكتوبر 2026. أما FastFrames فقد وصل في 16 نوفمبر في صورة نقطتَي حفظ، 1.3B و14B، مقطّرتين من Wan2.1 لإنتاج إطار بدقة 480p في 36 ملّي ثانية — وهو لا يظهر على أي لوحة مستقلة على الإطلاق. ما يفصل بينهما ليس الجودة، بل أن أحدهما منتج له سجل علني على لوحة نتائج والآخر ورقة بحثية مع ساعة توقيت.

ثلاثة مجالس، ونموذج واحد، وما يطلبه كل مجلس في الواقع

من المفيد ذكر مواقف H3 بدقة، لأن الرقم الذي يقتبسه الناس عادةً هو الرقم الخاطئ.

• تحويل الصورة إلى فيديو — في المركز الثاني برصيد 1,181 نقطة Elo بعد 7,284 صوتًا، خلف MiniMax H3 Max برصيد 1,195 وأمام Vidu Q4 Preview برصيد 1,179. ست عشرة نقطة تفصل بين المراكز الثلاثة الأولى، وهو ما يقع ضمن فترات الثقة؛ وهذا تعادل متنكّر في هيئة منصة تتويج.

• تحويل النص إلى فيديو — المركز الرابع عند 1,137 نقطة Elo عبر 8,315 صوتًا. إنها لوحة الصدارة الأضعف لدى النموذج، واللوحة التي كان سيتنافس فيها نموذج بحثي صامت بدقة 480p لو كانت لديه مشاركة.

{{1}}تحرير الفيديو{{/1}} — المركز الرابع عند 1,119 Elo عبر 7,023 صوتًا، على لوحة تصنّف النماذج وفق تحرير مقطع بناءً على تعليمات نصية مع الحفاظ على الصوت.

ثلاثة ظهورات تعني أنه تم تقديم ثلاث قدرات مختلفة وقياسها: التوليد من صورة ثابتة، والتوليد من النص، وتحويل مقاطع فيديو موجودة بالفعل. الثالثة هي الأكثر أهمية في هذه المقارنة، لأنها تتطلب قبول الفيديو كمدخل، بينما لا يقبل FastFrames سوى النص.

تظهر الأسعار على بطاقة النموذج الخاصة بنا عند 0.08 دولار في الثانية بدقة 768p و0.13 دولار في الثانية بدقة 2K، أي 4.80 دولار و7.80 دولار في الدقيقة — وهما الرقمان نفسهما اللذان يظهران في عمود السعر على الساحة، والنموذج نفسه بفئتين من الدقة بدلًا من نسخة متميزة ونسخة رخيصة. يكلف مقطع مدته 5 ثوانٍ بدقة 768p مبلغ 0.40 دولار.

ما الذي لا تشمله 36 مللي ثانية

سرعة FastFrames حقيقية، وهي ليست سرعة للأغراض العامة، والبنية المعمارية تشرح السبب على نحو لا تفعله قائمة المواصفات.

كلتا نقطتي التفتيش هما نموذجان لانتشار الفيديو بالانحدار التلقائي، مقطّران من Wan2.1 عبر وصفة تُسمى Causal Forcing++. ترك المؤلفون محوّل الانتشار دون تغيير يُذكر تقريبًا، واستبدلوا الشيئين المحيطين به اللذين لم يكونا الهدف أصلًا. يصبح مفكك ترميز VAE — نحو 147 مللي ثانية لكل إطار في خط أساس Causal Forcing++ — مفكك ترميز بكسليًا ذا 63.87 مليون معلمة يُخرج الإطارات مباشرة ويقترب من 1 مللي ثانية. ويصبح تحديث ذاكرة KV شبكة تنقيح صغيرة تكلّف 2 مللي ثانية على نموذج 1.3B و6 على نموذج 14B. ويُجمّد المحوّل خلال المرحلة النهائية.

على النموذج الصغير، الذي يستغرق 271.8 مللي ثانية للإطار، ينخفض إلى 35.8. وعلى وحدة B200 واحدة، يشغّل FastFrames-S نحو 28 طلبًا في الثانية وينتج مقطعًا مدته 5.06 ثانية في 2.9 ثانية. ولا يحقق طراز 14B زمن 45 مللي ثانية إلا عبر ثماني وحدات B200؛ وعلى وحدة GPU واحدة يتدهور إلى 158 مللي ثانية للإطار، وهو أبطأ من مشاهدة النتيجة. وعند دقة 720p يبلغ 127 مللي ثانية على النموذج الصغير، وتقدّر الورقة تكلفة H100 بنسبة 25 إلى 50 بالمئة.

ما لا يتضمنه هذا الرقم هو كل ما تُنفق H3 وقتها عليه. لا تنتج FastFrames أي صوت. وهي تعتمد على النص فقط — فلا إطار بداية، ولا إطار نهاية، ولا صورة مرجعية، ولا مقطعًا لتمديده أو إعادة تنسيقه. وتولّد 81 إطارًا بدقة 832×480 وبمعدل 16 إطارًا في الثانية، وتُسلسل الكتل بدلًا من توفير تحكم بالإطارات المفتاحية أو الكاميرا. ثلاث من وسائط الإدخال الأربع التي تقبلها H3 لا وجود لها في مسار الاستدلال لدى FastFrames.

A two-column scoreboard comparing FastFrames and MiniMax H3 across six dimensions: independent score none against 1,181 Elo, resolution 832x480 against 2K, clip length 81 frames against 4 to 15 seconds, audio none against native stereo, inputs text only against text, image, video and audio, and price GPU time you supply against $0.08 per second.

لماذا لا تزال السرعة ذات قيمة رغم ذلك؟

سيكون من السهل تجاهل FastFrames بعد القسم السابق، لكن ذلك سيكون قراءة خاطئة. هذا الرقم ليس رقمًا تسويقيًا؛ بل يغيّر نوع المنتج الممكن.

عند 36 مللي ثانية للإطار على وحدة B200 واحدة، تنتهي عملية توليد قبل أن تتمكن من مشاهدتها. هذه هي العتبة التي تتوقف عندها حلقة المعاينة عن كونها مهمة دفعية وتصبح تفاعلية: تكتب، فترى، فتعدّل، وتواكب الآلة التعديل. نموذج 14B بزمن 45 مللي ثانية عبر عقدة يصل إلى ذلك بمعنى الإنتاجية الدفعية، لكن زمن الاستجابة لتدفق واحد الذي يشعر به الشخص فعليًا هو خاصية النموذج الصغير. لا شيء في الواجهة المنشورة لـ H3 يعالج حالة الاستخدام تلك، لأن H3 يُقاس بالثواني من اللقطات المكتملة بدلًا من الإطارات المنتجة في الثانية من الزمن الفعلي — وهما ليسا القياس نفسه، ولا تتيح لك بطاقة الأسعار استنتاج أحدهما من الآخر.

ثمة نتيجة تبعية من الدرجة الثانية توضحها الورقة البحثية صراحةً. يُدرَّب مفكك ترميز البكسل لكل نموذج أساس على حدة، لكن المبدأ — جمّد المحوّل، وتعلّم البنية التوصيلية — نُقل بالفعل إلى أنظمة طرف ثالث في تجارب الورقة نفسها، مما خفّض زمن الإطار في LingBot-World من 1,085 إلى 52 ملّي ثانية في نسخة 1.3B، ومن 3,862 إلى 233 في نسخة 14B. هذه نتيجة تتعلق بتقنية، لا بمنتج، وهي الجزء الأوسع انتشارًا في هذا الإصدار.

الحالة الصادقة للأدلة على كل جانب

هنا تتوقف المواجهة عن كونها محلّ جدال في أيّ من الاتجاهين، ويستحقّ الأمر أن نكون صريحين بشأن كلا الشقّين.

كل ما تدّعيه FastFrames عن الجودة يأتي من مؤلفيها أنفسهم. إجماليات VBench في الجدول 1 هي 84.23 لـ FastFrames-S و84.44 لـ FastFrames-L، مقابل 84.11 للنموذج الأساسي عند 272 ميلي ثانية و84.65 لـ Wan2.2 14.3B عند 117,734 ميلي ثانية. لم يكرّرها أحد مستقل. يكافئ VBench السلاسة الزمنية التي صُمّمت النماذج الانحدارية الذاتية لإنتاجها، والمدى الكامل في جدول Apple نفسه نحو نقطتين ونصف، بينما مدى زمن الاستجابة عبر النماذج نفسها أربع مراتب عشرية. اقرأ الجدول بوصفه ادعاءً بالتكافؤ، لا قياسًا له.

تحمل لوحات H3 أعداد العينات وفواصل الثقة، وهي شكل أقوى من الأدلة وأضيق نطاقًا في آن واحد. تخبرك لوحة التفضيلات بالمخرجات التي اختارها الناس عند عرض مقطعين، لكنها لا تخبرك بتكلفة إنتاج أيٍّ من المقطعين، ولا بما إذا كان الصوت متزامنًا، ولا بما إذا كان النموذج سينجو من دفعة من 40 طلبًا عند دقة 2K. إن الفارق البالغ ستة عشر نقطة في أعلى لوحة تحويل الصورة إلى فيديو تذكير جيد بأن هذه الأرقام ترتّب التصورات لا القدرات، وبأن أي صفحة تعلن فائزًا استنادًا إلى فارق ستة عشر نقطة على فواصل ±10 إنما تقرأ ضجيجًا.

لذا فإن المقارنة تعود إلى هذا: أحد النموذجين صوّت عليه آلاف الأشخاص ويُحدَّد سعره بالثانية، بينما يمتلك الآخر ساعة توقيت وملف ترخيص وورقة. وهذان نوعان مختلفان من الأدلة، ولا يغني أحدهما عن الآخر.

مساران للمشتريات لا يشبه أحدهما الآخر

شراء وقت على H3 وتشغيل FastFrames لا يتضمنان تقريبًا أي خطوات مشتركة، وهذا هو السبب العملي الذي يجعل من النادر أن ينتهي بهما الأمر في القرار نفسه.

• H3 — تسعير لكل ثانية على نقطة نهاية مستضافة، بواقع 0.08 دولار عند 768p و0.13 دولار عند 2K، عبر واجهة API الخاصة بالمورّد وعبر عدة منصات طرف ثالث. لا حاجة إلى أجهزة، ولا إلى مراجعة تراخيص، ولا إلى CUDA. نوجّهه باسم minimax/minimax-h3 عبر واجهة API العامة للنماذج، وتُحتسب تكلفته بسعر القائمة لدى المورّد وتُمرَّر دون أي إضافة، ويمكن استدعاؤه عبر نقطة النهاية نفسها المتوافقة مع OpenAI التي تُستخدم لنماذج اللغة في الكتالوج.

• FastFrames — Linux x86-64، ووحدة معالجة رسوميات NVIDIA، وCUDA 12.8، ثم uv sync واستدعاء scripts/generate.py مع مجلد نقاط تحقق وبذرة. تحمل الأوزان شروط AMLR الخاصة بـApple؛ ومكوّنات العرض التجريبي LingBot-World v2 في المستودع نفسه مرخّصة بموجب CC BY-NC-SA 4.0، وهو ترخيص غير تجاري؛ أما الباقي فيندرج تحت رخصة Apple للشيفرة النموذجية. كما نشرت Apple كل نقطة تحقق لمراحل التدريب الخاصة بالنموذج الكبير، وهو أمر غير معتاد ويجعل الإصدار قابلاً لإعادة الإنتاج على نحو لا تتسم به معظم إصدارات الأوزان المفتوحة.

• التكلفة الخفية على الجانبين — يعمل عدّاد H3 لكل ثانية سواء كانت اللقطة جيدة أم لا، وتُحتسب اللقطة المرفوضة بنفس تكلفة اللقطة المقبولة. ويعمل عدّاد GPU لدى FastFrames بالطريقة نفسها، لكن بمعدل هامشي لا يكاد يُذكر إذا كانت الأجهزة قد استُهلكت تكلفتها بالفعل، وتكلفة ثابتة كبيرة إذا لم تكن كذلك.

من النتائج العملية المترتبة على التسعير التمريري من جانبنا: عندما تغيّر MiniMax سعرًا لكل ثانية، يظهر هذا التغيير على المسار في اليوم نفسه بدلًا من تجديد العقد. ولا يملك FastFrames سعرًا يمكن تغييره.

ما الغرض من كل واحد منها، مذكورًا في جملة يمكنك التصرف بناءً عليها.

اختر MiniMax H3 عندما يكون المُدخل أي شيء غير نصّ توجيهي، أو عندما يحتاج الناتج المطلوب إلى صوت، أو عندما يكون مقطع مدته خمس عشرة ثانية مع تمديد متعدد الأدوار أقرب إلى لقطتك من 81 إطارًا بدقة 480p. فهو الوحيد من بين الاثنين القادر على تحرير اللقطات، والوحيد الذي يولّد الصوت، والوحيد الذي خضع ادعاء جودته للاختبار على يد أشخاص لا يعملون في الشركة التي صنعته. كما أن سعره لفئة 2K أرخص من معظم المنافسين في تلك الفئة.

اختر FastFrames عندما تكون الحلقة هي المنتج ولا يكون الإطار هو المُسلَّم — معاينة مباشرة، أو نموذج عالم قابل للتحكم، أو أفاتار يجب أن يرد داخل جلسة، أو برنامج بحثي يريد تغيير كيفية فك ترميز حزمة فيديو سببية بدلًا مما تولّده. اقبل 480p، والصمت، وغياب المدخلات المرجعية، وترخيصًا عليك قراءته قبل شحن أي شيء تجاري.

لا تُقدَّم FastFrames عبر OrcaRouter، ولا تدّعي هذه الصفحة ذلك — فلا توجد نقطة نهاية مستضافة لأوزان Apple. أما H3 فمسألة مختلفة: نوجّهها باسم minimax/minimax-h3، إلى جانب عائلة Kling 3.0 وأكثر من 200 نموذج لغوي، عبر مفتاح واحد بسعر قائمة المزوّد بهامش ربح 0% وتحويل تلقائي عند الفشل بين نقاط النهاية. وهذه هي الطريقة الرخيصة لمعرفة ما إذا كان نموذج فيديو يُحتسب بالثانية يناسب خط أنابيبك قبل أن تنفق ميزانية GPU لربع سنة على البديل.

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.

النتيجة الوحيدة التي ستجعل هذه منافسة حقيقية

هناك أمران من شأنهما تغيير القراءة، ولا يمثّل أي منهما عرضًا تجريبيًا أفضل.

الأول هو ظهور FastFrames على لوحة في Arena. يتطلب ذلك أن يستضيفه أحدهم، ولا يفعل ذلك أحد الآن — فقد نشرت Apple الأوزان دون نقطة نهاية، لذا لا توجد طريقة ليقدّم اختبار تفضيل هذا النموذج إلى المصوّتين. وإلى أن يحدث ذلك، يقوم ادعاء جودة النموذج بالكامل على أرقام VBench الخاصة بمؤلفيه، وهو موقف أضعف من الموقف الذي يشغله أي نموذج على لوحات H3 الثلاث.

الثاني هو أن MiniMax تنشر رقمًا لزمن الاستجابة. وبطاقة تسعير H3 مقوّمة بثوانٍ من المخرجات، وليس في هذا الهيكل أي مكان توجد فيه تكلفة لكل إطار يمكن للقارئ مقارنتها بـ 36 مللي ثانية. وإذا نشرت MiniMax أو جهة اختبار مستقلة عدد الإطارات في الثانية عند دقة ووحدة معالجة رسومات معيّنتين، فسيصبح أخيرًا بالإمكان قياس النموذجين على محور مشترك. لكنها لم تفعل ذلك، وليس من مصلحتها التجارية بصفتها المورّد أن تبدأ.

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.