Hero-Titelkarte für einen Vergleich von FastFrames Video Generation und Kling 4.0, mit Badges mit der Aufschrift „36 ms pro Frame“, „480p, stumm“, „keine Referenzeingaben“, „30 Sekunden in einem Durchlauf“, „1080p, neun Dialogsprachen“ und „$0.235 pro Sekunde“, und dem OrcaRouter-Logo unten rechts.
Guides & Insights

FastFrames Video Generation vs. Kling 4.0: Was tausend Millisekunden pro Frame bringen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Setzt man die beiden Latenzwerte nebeneinander, wirkt die Lücke absurd. FastFrames Video Generation erzeugt ein Frame in 36 Millisekunden auf einer einzelnen B200. Kling 4.0 veröffentlicht überhaupt keine Latenz pro Frame, weil es so verkauft wird, wie ein Studio Stockmaterial einkauft: pro Sekunde 1080p-Ausgabe mit Ton, für 0,235 US-Dollar. Apples Veröffentlichung kam am 16. November 2026, das Paper folgte am 17.; Kling 4.0 ist seit dem 15. Oktober auf dem Markt. Der Abstand zwischen ihnen beträgt ungefähr tausend Millisekunden pro Frame, und die nützliche Frage ist nicht, wer schneller ist. Sie lautet, wofür Kling diese Millisekunden ausgibt und ob man davon irgendetwas braucht.

Zwei Tarifkarten, von denen eine nicht existiert

Der Preis ist die erste Stelle, an der die Diskrepanz sichtbar wird, weil nur eines davon einen Preis hat.

• Kling 4.0 — 0,235 $ pro Sekunde 1080p-Ausgabe. Ein 30-Sekunden-Clip in einem Durchgang kostet etwa 7,05 $. Wenn Sie ein Referenzvideo anhängen, verdoppelt sich der Sekundenpreis ungefähr.

• Kling 3.0 4K, zum Vergleich – 3,0 Einheiten oder 0,42 $ pro Sekunde, aufgeteilt in die Varianten „mit nativer Audioausgabe“ und „ohne native Audioausgabe“. Artificial Analysis verzeichnet Kling 3.0 1080p Pro mit etwa 20,16 $ pro Minute.

• FastFrames — keine Rate. Gewichte unter Apples AMLR-Lizenz, GitHub-Code, eine von Ihnen bereitgestellte B200. Das 1,3B-Modell braucht eine GPU, das 14B-Modell acht, um interaktiv zu bleiben.

• Die Kosten für einen Clip – Kling 4.0 berechnet 7,05 US-Dollar für dreißig fertige Sekunden; FastFrames berechnet die Zeit, die acht B200s für 81 Frames bei jeweils 45 ms benötigen – 3,6 Sekunden Wanduhrzeit und praktisch nichts an Stromkosten, vorausgesetzt, die Hardware gehört Ihnen bereits.

Dieser letzte Vergleich ist die Falle. FastFrames ist nur dann billiger, wenn die GPUs versunkene Kosten sind, und für das Geld liefert es 480p-Stille.

A two-column scoreboard comparing FastFrames and Kling 4.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p with 4K coming, clip length 81 frames against 3 to 30 seconds, audio none against stereo in nine languages, references none against 15 assets and 10 keyframes, and price GPU time only against $0.235 per second.

Was Kling 4.0 mit seinen Millisekunden macht

Eine Menge, und das meiste davon hat nichts mit der Renderqualität zu tun. Das offizielle Verfügbarkeitsdatum von Kling 4.0 ist der 15. Oktober 2026, und das Changelog bis zum 28. Oktober führt 720p und 1080p als ausgeliefert, 10-Bit-4K als „demnächst verfügbar“ – die 4K-Spalte auf der Preisliste ist ein Strich, kein Preis – und 21:9-Ultrawide als ausgeliefert.

• Clip-Länge — 3 bis 30 Sekunden in einem einzigen Durchgang, mit angekündigter Zwei-Minuten-Verlängerung, aber nicht in der API.

• Referenzoberfläche – insgesamt bis zu 15 Referenz-Assets, pro Kategorie begrenzt auf 10 Bilder, 5 Videos und 7 Subjekte, darunter bis zu 3 videobasierte Subjekte, plus bis zu 10 Keyframe-Bilder, die entlang der Timeline platziert werden.

• Bearbeitung — bis zu 5 Eingabeclips mit einer Gesamtdauer von 30 Sekunden, mit gezielten Änderungen an Ausdruck, Kameraposition, Hintergrund oder einer Dialogzeile, während der Rest des Bildes unverändert bleibt.

• Audio – Zweikanal-Stereo, Lippensynchronisation und Dialoge in neun Sprachen, darunter benannte Dialekte: Pekinger, taiwanesisches, nordöstliches und sichuanesisches Mandarin sowie amerikanisches, britisches und indisches Englisch.

• Prompts — bis zu 8.000 Token, was lang genug ist, um eine Szene genau festzulegen, statt sie nur zu beschreiben.

• Provenienz — kein veröffentlichter Standard, was eine echte Lücke gegenüber Google SynthID und C2PA darstellt.

Gemessen an der Qualität hat Kling 4.0 Stand der im Blog festgehaltenen Prüfung vom 23. Oktober keinen Eintrag bei Artificial Analysis, sodass jeder Vergleich mit FastFrames’ VBench-Gesamtwerten von 84,23 und 84,44 zwei Herstellerangaben wären, die aneinander vorbeischreien. Sagen lässt sich, dass Kling 4.0 eine Iteration der vierten Generation einer Modellfamilie ist, die seit einem Jahr in den Ranglisten steht, während FastFrames drei Tage alt ist.

Was FastFrames mit seinen 36 Millisekunden macht

Es überspringt fast alles, wofür Kling 4.0 Zeit aufwendet, und entfernt dann die Teile der Pipeline, die niemand eingeplant hatte. FastFrames basiert auf Wan2.1 – FastFrames-S auf Wan2.1-T2V-1.3B, FastFrames-L auf Wan2.1-T2V-14B – und entsteht durch eine Causal-Forcing++-Distillation; sein gesamter Beitrag liegt in dem, was den Transformer umgibt. Der VAE-Decoder, der etwa 147 Millisekunden pro Frame kostet, wird durch einen Pixel-Decoder mit 63,87 Millionen Parametern ersetzt, der eine Woche lang auf 32 B200s über 150.000 Rollouts trainiert wurde, mit einer adversarialen Phase gegen ein eingefrorenes DINOv3 ViT-S/16. Das KV-Cache-Update wird zu einem kleinen Verfeinerungsnetzwerk, das 2 bis 6 Millisekunden dauert. Das Decoding landet bei nahezu 1 Millisekunde; das 1,3B-DiT geht von 41,6 auf 16,4 ms, das 14B von 89,2 auf 75,6.

• Ausgabe — 832×480 bei 16 fps, 81 Frames, etwa 5 Sekunden, autoregressiv und verkettbar.

• Prompt-Oberfläche — Text, ein Seed und ein Checkpoint. Sonst nichts.

• Durchsatz — 28 Anfragen pro Sekunde auf einem B200 für das kleine Modell, 22 über acht hinweg für das große. Auf einer einzelnen GPU fällt das große Modell auf 158 ms pro Frame, was langsamer als die Wiedergabe ist.

• Portabilität – die Autoren demonstrieren dieselbe Technik auf Systemen von Drittanbietern und bringen LingBot-Worlds 1,3B von 1.085 auf 52 ms pro Frame und RealWonders 1,3B von 1.141 auf 51.

• Lizenz — Apple AMLR für die Gewichte; die mitgelieferte Demo LingBot-World v2 steht unter CC BY-NC-SA 4.0, nicht kommerziell.

Der 8.000-Token-Prompt, den Kling 4.0 akzeptiert, ist in einer Zeile der Unterschied in der Philosophie. Die Oberfläche von FastFrames besteht aus einem String und einem Seed, weil das, worauf sie optimiert ist, die Schleife ist, nicht die einzelne Aufnahme.

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints described as autoregressive two-step video diffusion models, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

Welche dein Projekt tatsächlich braucht

Drei Sätze, und die Antwort folgt.

Wenn das Ergebnis ein fertiger 30-Sekunden-Beitrag ist – ein Produktfilm, eine Dialogsze-ne, irgendetwas, das ein Kunde mit Ton ansieht –, dann ist Kling 4.0 das richtige Werkzeug, für $7.05 pro Clip, und FastFrames kommt nicht in Frage. Wenn das Ergebnis ein Live-Erlebnis ist – eine Vorschau, die sich beim Tippen aktualisiert, eine Figur, die innerhalb eines Frames reagiert –, dann bietet keine gehostete API das an, und FastFrames auf einem B200 ist der glaubwürdigste offene Weg, sofern die Lizenzprüfung positiv ausfällt und 480p akzeptabel ist. Wenn das Ergebnis „wir sind uns noch nicht sicher“ lautet, kostet das Experiment auf der gehosteten Seite weniger, wo ein einziger Schlüssel Ihnen Kling 3.0, Kling 3 Turbo, Kling Video O1 und MiniMax H3 auf OrcaRouter zu Listenpreisen der Anbieter mit 0 % Aufschlag verschafft, sodass eine Tarifänderung eines Anbieters noch am selben Tag auf Ihrer Rechnung sichtbar wird und nicht erst im nächsten Abrechnungszyklus.

Der letzte Punkt verdient Präzision, denn bei einem Vergleich wie diesem besteht die Versuchung darin, mehr anzudeuten. OrcaRouter stellt FastFrames nicht bereit – Apple hat Gewichte veröffentlicht, keinen Endpunkt – und es stellt Kling 4.0 nicht bereit, das für einige Konten noch im Early Access auf der eigenen API des Anbieters ist. Was es bewirkt, ist, die Kling-Generationen und MiniMax' H3 mit einem einzigen Schlüssel aufrufbar zu machen, was ausreicht, um zu messen, welche Latenz Ihre Nutzer tatsächlich akzeptieren, bevor Sie entscheiden, ob Sie die Hardware kaufen, die 36 Millisekunden möglich macht.

Das, was den Ausschlag gibt – und es ist nicht die Geschwindigkeit.

Sechsunddreißig Millisekunden gegenüber rund tausend entsprechen einem Faktor von dreißig, und das erkauft genau eine Fähigkeit: das Rendern innerhalb der menschlichen Reaktionsschleife. Kling 4.0 verwendet seine tausend Millisekunden für 1080p, dreißig Sekunden, fünfzehn Referenzassets, neun Dialogsprachen und einen gezielten Bearbeitungsdurchlauf – alles Fähigkeiten, die davon ausgehen, dass ein Mensch das Ergebnis später ansieht. Wenn ein Mensch später zusieht, sind diese tausend Millisekunden keine Kosten, sondern der Grund, warum die Ausgabe es wert ist, angesehen zu werden. Wenn niemand später zusieht, weil das Frame jetzt ankommen muss, sind Klings Vorteile zu keinem Preis verfügbar, und der eine Vorteil von FastFrames ist der einzige, den es gibt.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame.