
Apples FastFrames erzeugt Videos schneller, als man sie ansehen kann
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
Sechsunddreißig Millisekunden pro Frame. Das ist die Zahl, die oben auf FastFrames Video Generation steht, der Veröffentlichung, die Apple am 16. November 2026 gemeinsam mit Cornell publizierte — die Gewichte auf Hugging Face als FastFrames-S mit 1,3 Milliarden Parametern und FastFrames-L mit 14 Milliarden, einen Tag später ein Paper mit dem Titel „FastFrames: Video Generation at Interactive Latency“. Rechnen Sie nach, bevor Sie irgendetwas anderes lesen: Ein Clip besteht aus 81 Frames bei 832×480 und 16 Frames pro Sekunde, das sind 5,06 Sekunden Video. Bei 36 Millisekunden pro Frame auf einer einzelnen B200 erzeugt das kleine Modell diesen Clip in 2,9 Sekunden. Nicht schneller als die Alternativen — schneller als die Wiedergabe. Die interessante Frage ist nicht, ob die Zahl stimmt. Sie lautet, was Apple dafür aufgegeben hat und ob man mit diesem Tausch leben kann.
Was tatsächlich ausgeliefert wurde, und wann
Zwei Checkpoints, beide für Text-zu-Video, beide ohne Zugangsbeschränkung und seit dieser Woche herunterladbar. Die Hugging Face-Repositories wurden am 16. November 2026 erstellt und wurden noch am Morgen des 18. November bearbeitet; das arXiv-Preprint (2611.23226) ist auf den 17. November datiert. Es handelt sich also um eine zwei Tage alte Veröffentlichung, nicht um ein Modell mit Erfolgsbilanz, und nichts davon wurde unabhängig evaluiert. Alles Folgende ist entweder eine eigene Messung der Autoren oder eine Eigenschaft der veröffentlichten Gewichte.
• Größen — FastFrames-S mit 1,3 Mrd. Parametern, FastFrames-L mit 14 Mrd. (14,3 Mrd. einschließlich der zusätzlichen Köpfe).
• Basis-Modelle – jeweils destilliert aus Wan2.1-T2V-1.3B bzw. Wan2.1-T2V-14B, unter Verwendung eines Rezepts, das die Autoren Causal Forcing++ nennen.
• Ausgabe — 832×480 bei 16 fps, 81 Frames pro Generierung, autoregressiv, sodass sich Clips aneinanderreihen lassen.
• Gewichte — offen auf Hugging Face, gekennzeichnet mit Apples AMLR-Lizenz; der Demo-Code von LingBot-World v2 steht unter CC BY-NC-SA 4.0, die nicht kommerziell ist, und der Rest des Repositorys steht unter Apples Sample Code Licence.
• Preisgestaltung — keine. Es gibt keinen gehosteten FastFrames-Endpunkt von Apple; du betreibst es auf deinen eigenen GPUs.
Der letzte Satz ist der, den man verinnerlichen sollte. FastFrames ist ein Forschungsrelease mit herunterladbaren Gewichten, was etwas anderes ist als ein Produkt. Es gibt keine sekundengenaue Abrechnung, keine Warteschlange, kein SLA und keine Möglichkeit, es ohne eine NVIDIA GPU und CUDA 12.8 aufzurufen.

Wo die Millisekunden geblieben sind
Die architektonische Idee ist enger gefasst als „ein schnelleres Modell“ und zugleich interessanter. FastFrames ist ein autoregressives Videodiffusionsmodell, das heißt, es erzeugt einen Block von Frames bedingt auf das, was zuvor kam. In der Baseline, auf der es aufsetzt – Causal Forcing++ –, kostet die Erzeugung eines 81-Frame-Blocks 271,8 Millisekunden pro Frame, und ein großer Teil davon ist überhaupt nicht der Transformer – es ist der variationale Autoencoder, der Latents zurück in Pixel dekodiert, plus der Schritt, der den KV-Cache aktualisiert, damit der nächste Block weiß, was in diesem passiert ist.
Apples Team ersetzte beide Enden dieser Schleife durch kleine gelernte Netzwerke und ließ den Diffusions-Transformer unangetastet.
• Der VAE-Decoder ist weg. Ein Pixel-Decoder mit 63,87 Millionen Parametern – drei kausale ConvNeXt-Blöcke und eine abschließende lineare Schicht, die pro Token 4×16×16 RGB-Werte ausgibt – erzeugt Frames direkt. Die Dekodierung sinkt von etwa 147 Millisekunden auf ungefähr 1 Millisekunde.
• Das KV-Cache-Update ist jetzt ein kleines Netzwerk. Ein gemeinsamer Stem, vier Selbstaufmerksamkeitsblöcke mit 8 Köpfen und ein Residual-Reparaturkopf pro DiT-Schicht, was im kleinen Modell 2 Millisekunden und im großen 6 Millisekunden kostet.
• Der Transformer selbst hat sich kaum verändert und wird in der letzten Phase eingefroren. Beim 1,3B-Modell geht die DiT-Zeit von 41,6 auf 16,4 Millisekunden zurück; beim 14B-Modell von 89,2 auf 75,6.
Addiert man diese auf dem 1,3B-Modell, werden aus 271,8 Millisekunden 35,8. Das ist der ganze Trick, und es ist ein guter: Die Autoren haben einen Diffusion-Transformer nicht schneller gemacht, sie haben die Teile drumherum entfernt, die nie das Wesentliche waren. Der Pixel-Decoder wurde auf 32 B200s etwa eine Woche lang über 150.000 Rollouts trainiert, mit einer adversarialen Phase auf 8 B200s unter Verwendung eines eingefrorenen DINOv3 ViT-S/16-Diskriminators, damit er keine weichen Frames erzeugt.
Die Qualitätsaussage und wer sie geprüft hat
Hier ist der Teil, der eine Kennzeichnung braucht. Die VBench-Zahlen unten stammen von den Autoren selbst, wurden mit denselben Prompts und Seeds bei 480p ausgeführt und werden in Tabelle 1 des Papers angegeben. Niemand Unabhängiges hat sie reproduziert, und VBench ist ein Benchmark, der genau die Art zeitlicher Glattheit belohnt, in der autoregressive Modelle gut sind. Behandle sie als eine Behauptung über Parität, nicht als deren Messung.
• FastFrames-S — 84,23 VBench gesamt, 85,30 Qualität, 79,92 semantisch, bei 36 ms pro Frame.
• FastFrames-L — 84,44 Gesamt, 85,48 Qualität, 80,29 Semantik, bei 45 ms pro Frame auf acht B200s.
• Causal Forcing++, die Baseline, aus der es destilliert wurde – insgesamt 84,11 bei 272 ms pro Frame, also rund 7,6× langsamer für 0,1 bis 0,3 Punkte weniger.
• Krea-Realtime — 84,42 insgesamt bei 1.675 ms pro Frame; das Paper behauptet vergleichbaren Realismus, Prompt-Treue, Komposition und Textdarstellung bei mehr als zehnfacher Geschwindigkeit.
• Self-Forcing — 84,10 bei 717 ms; CausVid 83,18 bei 662 ms; LongLive2.0 83,65 bei 505 ms.
• Wan2.1 1.3B, das Basismodell — 83,80 bei 30.444 ms pro Frame.
• Wan2.2 14.3B — 84,65 bei 117.734 ms pro Frame. Das ist die Zahl, über die man einmal nachdenken sollte: der beste Gesamtwert in der Tabelle, bei rund dem 2.600-Fachen der Kosten pro Frame von FastFrames-L.
• MiniMax-H3 33.1B — 84,43 bei 38.454 ms; HunyuanVideo1.5 8.3B — 83,18 bei 1.555.508 ms.
Das Muster ist ein flaches Qualitätsplateau von 83 bis 85,5 bei jedem Modell auf der Liste sowie eine Latenzstreuung über vier Größenordnungen. Was auch immer der VBench-Gesamtwert misst – er unterscheidet diese Systeme seit einer Weile nicht mehr. Was sie heute trennt, ist, wie schnell sie laufen und welche Auflösung und welches Audio sie erzeugen können – und FastFrames gewinnt die erste Spalte mit großem Abstand, verliert die zweite jedoch klar.
Was 36 Millisekunden pro Frame tatsächlich bringen
Übersetze das in die Einheiten, die für jemanden aus dem Produktbereich relevant sind. Die Autoren berichten sowohl Durchsatz als auch Latenz, und die beiden erzählen unterschiedliche Geschichten, je nachdem, wie viele GPUs man besitzt.
• FastFrames-S, eine B200 — 36 ms pro Frame, etwa 28 Anfragen pro Sekunde. Ein 5-Sekunden-Clip in 2,9 Sekunden, oder 1,7× schneller, als man ihn ansehen kann.
• FastFrames-L, acht B200s – 45 ms pro Frame, etwa 22 Anfragen pro Sekunde. Ein 5-Sekunden-Clip in 3,6 Sekunden.
• FastFrames-L, eine GPU — 158 ms pro Frame, etwa 6,3 Anfragen pro Sekunde. Derselbe Clip in 12,8 Sekunden, was langsamer als die Wiedergabe ist. Das große Modell wird erst interaktiv, wenn man es über einen Node verteilt.
• Bei 720p — 127 ms pro Frame für das kleine Modell und 116 ms für das große auf acht GPUs, was genau der Punkt ist, an dem „interaktiv“ für eine Single-Stream-Sitzung nicht mehr gilt.
Auf H100 statt B200 – die Arbeit beziffert den Mehraufwand auf 25 bis 50 Prozent, sodass das kleine Modell bei etwa 45 bis 54 ms pro Frame landet.
Die Behauptung, die Bestand hat, ist die über das kleine Modell auf aktueller Hardware. FastFrames-S auf einer B200 ist tatsächlich schneller als Echtzeit, was einen Live-Vorschau-Loop, einen Streaming-Avatar oder ein steuerbares Weltmodell ohne Renderfarm machbar macht. Das 14B-Modell ist nur im Sinne eines gebatchten Durchsatzes interaktiv.
Selbst ausführen
Das Repository enthält einen funktionierenden Inferenzpfad, nicht nur Gewichte. Sie benötigen Linux x86-64, eine NVIDIA-GPU und CUDA 12.8; dann uv sync, und uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Es gibt ein Latenz-Benchmark-Skript, das eine GPU-Anzahl entgegennimmt, einen VBench-Evaluierungsworkflow und eine Demo-App unter apps/lingbot, die auf Port 8000 bereitgestellt wird. Apple hat außerdem jeden Checkpoint jeder Trainingsphase für das große Modell veröffentlicht – den kausalen Teacher, die konsistenzdestillierte Phase, die DMD-destillierte Phase und den finalen Generator mit seinem Pixeldecoder und KV-Refinement-Netzwerk – was ungewöhnlich ist und die Veröffentlichung auf eine Weise reproduzierbar macht, wie es die meisten „open weights“-Veröffentlichungen nicht sind.

Wenn Sie nicht über die GPUs verfügen, lautet die ehrliche Aussage, dass OrcaRouter FastFrames nicht anbietet – und niemand sonst auch nicht; es gibt keinen gehosteten Endpoint, an den man weiterleiten könnte. Was ein einziger OrcaRouter-Schlüssel abdeckt, sind die gehosteten Videomodelle, die bereits heute funktionieren, darunter Kling 3.0 und Kling 3 Turbo, Kling Video O1 und MiniMax H3, zu Provider-Listenpreisen, die mit 0 % Aufschlag weitergegeben werden, sodass eine Preisänderung des Anbieters Sie noch am selben Tag erreicht und nicht erst im nächsten Abrechnungszyklus. Das sinnvolle Vorgehen für ein Team, das neugierig auf FastFrames ist, besteht darin, die Produktidee mit einem gehosteten Modell zu prototypisieren, dessen Latenz Sie messen können, und erst dann GPU-Zeit zu kaufen, wenn Sie wissen, dass sich die Schleife lohnt.
Was es nicht kann
Drei Grenzen – und keine davon wird nächste Woche gepatcht.
• Auflösung — 480p, Punkt. Apple nennt Latenzwerte für 720p, aber die veröffentlichte Konfiguration ist 832×480. Jeder Konkurrent in dieser Preisklasse bietet mindestens 1080p.
• Audio — keines. FastFrames ist stumm. Veo, Kling, Grok Imagine und HiDream erzeugen alle synchronisiertes Audio im selben Aufruf.
• Dauer und Steuerung — 81 Frames pro Generierung mit autoregressiver Verkettung, nur Text-Prompts. Keine Bildkonditionierung, keine Referenz-Assets, keine Keyframes, keine Kamerasteuerung, keine Extension-API.
• Lizenz — die Modellgewichte unterliegen Apples AMLR-Bedingungen, und die Komponenten von LingBot-World v2 stehen unter CC BY-NC-SA 4.0. Lies das, bevor du auf der Demo-App ein kommerzielles Produkt aufbaust; „offene Gewichte“ und „frei kommerzialisierbar“ sind keine Synonyme, und dieses Release geht mit diesem Unterschied bewusst sorgfältig um.
Worauf man achten sollte
FastFrames lässt sich am besten als Demonstration dafür verstehen, dass die Kosten der autoregressiven Videogenerierung nie überwiegend vom Modell stammten. Es waren das Decoding und die Cache-Aktualisierung, und Apple hat beides für ungefähr zwei Millisekunden und ein Megabyte an Parametern gestrichen. Dieses Ergebnis lässt sich übertragen: Der Pixeldecoder wird pro Basismodell trainiert, aber das Prinzip – den Transformer einfrieren, die „Plumbing“ lernen – gilt für jeden kausalen Video-Diffusions-Stack, und das Paper zeigt bereits, dass es auf zwei Drittanbietersysteme portiert wurde: LingBot-World ging auf der 1,3B-Variante von 1.085 auf 52 Millisekunden pro Frame und auf der 14B-Variante von 3.862 auf 233.
Was das für einen Käufer bedeutet: Wenn Ihr Produkt ein Videomodell in einer Echtzeitschleife benötigt, ist die Hardwareanforderung gerade um eine Größenordnung gesunken, und die Qualitätseinbußen scheinen gering zu sein. Wenn Ihr Produkt einen fertigen Clip in 1080p mit Ton benötigt, ist nichts in diesem Release auf Sie ausgerichtet, und die gehosteten Modelle bleiben die Antwort. Die Lücke zwischen diesen beiden Anwendungsfällen ist der Bereich, in dem die nächsten zwölf Monate an Video-Modell-Veröffentlichungen ausgetragen werden.

