Hero-Karte, die FastFrames Video Generation und Luma Ray 3.2 vergleicht: linke Karte mit „36 ms pro Frame“, „832x480, ohne Ton“ und „81 Frames“, rechte Karte mit „bis zu 1080p“, „10/12/16-Bit EXR“ und „5 oder 10 Sekunden“, mit dem OrcaRouter-Logo unten rechts.
Guides & Insights

FastFrames-Videogenerierung vs. Luma Ray 3.2: Ein Frame-Stream gegen eine gegradete Datei

Autor

jinhao.song

Veröffentlicht am

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

Luma Ray 3.2 und FastFrames Video Generation sind beide Diffusions-Videomodelle, beide 2026 veröffentlicht, beide nicht vor der zweiten Jahreshälfte dieses Jahres verfügbar – und sie sind in keiner Weise, die ein Produzent erkennen würde, Ersatz füreinander. Ray 3.2, seit dem 9. Juni erhältlich, endet in einer Datei: bis zu 1080p, fünf oder zehn Sekunden, optional 10-, 12- oder 16-Bit-HDR im ACES2065-1-EXR-Standard, dem Format, in dem ein Colorist gradet. FastFrames, am 16. November von Apple gemeinsam mit Cornell veröffentlicht, endet in einem Stream: 832×480, 81 Frames, ein Frame alle 36 Millisekunden auf einer einzelnen B200, stumm, nur Text-Prompt, Gewichte auf Hugging Face. Das eine ist so gebaut, dass seine Ausgabe eine Finishing-Pipeline übersteht. Das andere ist so gebaut, dass seine Ausgabe ankommt, bevor man das letzte zu Ende angesehen hat. Alles Folgende folgt aus dieser Trennung, einschließlich der unbequemen Tatsache, dass keines der beiden Modelle eine unabhängige Bewertung besitzt, mit der sich die Frage entscheiden ließe.

Das Ausgabeformat ist das Argument, nicht das Spezifikationsblatt.

Beginne mit dem, was dir jedes Modell liefert, denn genau darin liegt der eigentliche Vergleich.

• Ray 3.2 liefert standardmäßig MP4 und auf Anfrage 10-, 12- oder 16-Bit-HDR-Frames in ACES2065-1 EXR – aber nur bei 720p und 1080p und nur für fünf Sekunden lange Clips. Nahtloses Looping und der EXR-Pfad sind beides Funktionen für fünf Sekunden.

FastFrames liefert ein MP4 mit 81 Frames bei 832×480 und 16 Bildern pro Sekunde, also 5,06 Sekunden stummes Material. Es gibt keinen EXR-Pfad, keine Auswahl der Bittiefe und keinen Exportdialog. Der Pixeldecoder gibt pro Token 8-Bit-RGB aus, und damit hat es sich.

• Die Auflösung ist eine 1080p-Obergrenze gegenüber einem festen 480p-Bezugspunkt – doch der Vergleich ist in beide Richtungen unfair, weil es den 1080p-HDR-Modus von Ray 3.2 für Zehn-Sekunden-Clips nicht gibt und FastFrames' 480p keine Einstellung ist, die man hochsetzen kann.

• Bedienoberfläche: Ray 3.2 nimmt Text, ein Startbild, ein Endbild oder ein vorhandenes Video zur Bearbeitung entgegen, außerdem bis zu 16 Keyframes pro Clip und Gesichts-Performance-Tracking über bis zu acht Gesichter hinweg. FastFrames nimmt einen Text-Prompt und einen Seed entgegen.

Lies diese Liste noch einmal und beachte, was sie über den Käufer aussagt. Der Funktionsumfang von Ray 3.2 ist der Funktionsumfang eines Shots, der bereits in einem Edit existiert und fertiggestellt, überarbeitet oder erweitert werden muss. Der Funktionsumfang von FastFrames ist der Funktionsumfang eines Systems, das noch nicht entschieden hat, was der Shot sein soll.

Ray 3.2, zu lesen als Postproduktions-Tool

Der EXR-Pfad ist der eigentliche Grund, warum dieses Modell in seiner aktuellen Form existiert, und er bringt Einschränkungen mit sich, die die meisten Darstellungen auslassen.

Es generiert in 540p, 720p und 1080p, in Fünf- oder Zehn-Sekunden-Clips, über sechs Seitenverhältnisse hinweg, die Hochformat, Quadrat und Breitbild abdecken – aber die Zehn-Sekunden-Generierung ist ausschließlich Text-zu-Video, daher sind die Frame-konditionierten und videokonditionierten Pfade auf fünf Sekunden begrenzt. HDR ist eine optionale Einstellung für 720p und 1080p mit fünf Sekunden: Sie aktivieren HDR, um den EXR-Export zu erhalten, statt ihn automatisch zu bekommen. Audio ist die andere Einschränkung, und sie wirkt sich anders aus, als man erwartet. Ray 3.2 erzeugt kein synchronisiertes Audio für Text-zu-Video oder Bild-zu-Video; Audio bleibt nur erhalten, wenn Sie vorhandenes Material bearbeiten oder neu kadrieren, das bereits eine Tonspur enthält. Für ein Modell, das auf Finishing ausgerichtet ist, ist das stimmig – der Ton kommt aus dem Schnitt, nicht aus dem Generator –, aber wer ein Modell für Video mit Ton in einem einzigen Aufruf sucht, sollte hier aufhören zu lesen.

Auch die kommerzielle Struktur ist wichtig. Ray 3.2 ist das erste Modell der Ray-Familie mit einer vollständigen Entwickler-API, unterteilt in einen nutzungsbasierten Build-Tarif und einen Scale-Tarif mit reserviertem Durchsatz und SLA. Frühere Ray-Modelle waren nur im Abonnement erhältlich, weshalb die Preishistorie der Familie kein Leitfaden für dieses Modell ist. Die Kosten pro Clip variieren gemeinsam mit Auflösung, Dynamikbereich und Dauer; Drittanbieter-Listings geben einen fünf Sekunden langen 720p-Clip mit etwa 0,30 USD und einen 1080p-Clip mit etwa 1,20 USD an, und HDR- oder EXR-Export multipliziert die Clip-Kosten, statt sie additiv zu erhöhen. Betrachten Sie diese Zahlen als Aggregator-Arithmetik auf Basis von Lumas Preisliste und nicht als von Luma selbst veröffentlichte Zahl.

Eine Namensfalle, die den einen Satz wert ist, den sie kostet: Lumas Versionsnummern steigen nicht so an, wie sie gelesen werden. Ray3.14 erschien am 26. Januar 2026 und Ray 3.2 am 9. Juni 2026, die niedrigere Nummer ist also das neuere Modell, und Luma hat das Branding von Dream Machine eingestellt, auf das die meisten älteren Anleitungen noch immer ausgerichtet sind.

FastFrames, gelesen als eine Render-Schleife

FastFrames ist kein kleineres Ray 3.2. Es ist ein als Gewichte veröffentlichtes Destillationsergebnis, und die Architektur erklärt sowohl die Geschwindigkeit als auch die fehlenden Funktionen.

Beide Checkpoints sind autoregressive Videodiffusionsmodelle auf Basis von Wan2.1 – FastFrames-S aus Wan2.1-T2V-1.3B und FastFrames-L aus Wan2.1-T2V-14B –, die ein Rezept durchlaufen haben, das die Autoren Causal Forcing++ nennen. Der Beitrag des Papiers ist kein schnellerer Transformer. Er besteht in der Entfernung zweier teurer Komponenten um den Transformer herum: des VAE-Decoders, der im Baseline etwa 147 Millisekunden pro Frame kostete und durch einen Pixel-Decoder mit 63,87 Millionen Parametern ersetzt wird, der bei knapp 1 Millisekunde landet, sowie des KV-Cache-Updates, das zu einem kleinen Verfeinerungsnetzwerk wird, das beim kleinen Modell 2 Millisekunden und beim großen 6 kostet. Der Transformer selbst ist in der letzten Stufe eingefroren.

Rechnet man es beim 1,3B-Modell zusammen, werden aus 271,8 Millisekunden pro Frame 35,8. Auf einer B200 sind das etwa 28 Anfragen pro Sekunde, also ein 5-Sekunden-Clip in 2,9 Sekunden. Das 14B-Modell braucht acht B200, um 45 Millisekunden und 22 Anfragen pro Sekunde zu halten; auf einer einzelnen GPU fällt es auf 158 Millisekunden, was langsamer als die Wiedergabe ist. Bei 720p braucht das kleine Modell 127 Millisekunden pro Frame und das große 116 auf acht GPUs, und das Paper veranschlagt den H100-Zuschlag obendrauf auf 25 bis 50 Prozent.

Autoregressive Generierung ist der Grund, warum 81 Frames nicht so einschränkend sind, wie es klingt, und auch der Grund, warum das Modell nicht das tun kann, was Ray 3.2 tut. Da jeder Block auf dem vorherigen konditioniert ist, verketten sich Clips – aber Verkettung ist keine Keyframe-Steuerung, und es gibt keinen Weg, ein Startframe, ein Endframe, ein Referenzbild oder einen vorhandenen Clip einzuspeisen. Das Modell hat keinerlei Bildkonditionierung.

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.

Die Messlücke ist real, und sie geht in beide Richtungen.

Keines der beiden Modelle lässt sich einordnen, und die Gründe sind unterschiedlich genug, dass es sich lohnt, sie getrennt zu betrachten.

Ray 3.2 hat keinen Eintrag in der Artificial Analysis video arena – weder bei Text-to-Video noch bei Image-to-Video; geprüft am 18. September 2026 für diesen Blog. Was Luma stattdessen veröffentlicht, ist ein interner Ray3-Evaluierungsbericht, der Parität mit Veo 3 und einen Vorsprung gegenüber mehreren Konkurrenten behauptet, ohne beigefügte numerische Werte, sowie die Behauptung, dass seine API zu weniger als der Hälfte des Preises und mit weniger als der Hälfte der Latenz vergleichbarer Modelle läuft, ebenfalls nicht quantifiziert. Das sind Positionierungsdokumente. Sie sind nicht mit einem Arena-Elo mit Stichprobenumfang und Konfidenzintervall vergleichbar, und keine Seite sollte sie so darstellen, als wären sie es.

FastFrames hat das entgegengesetzte Problem: Es hat Zahlen, und alle stammen von seinen eigenen Autoren. Die VBench-Gesamtwerte in Tabelle 1 des Papers betragen 84,23 für FastFrames-S und 84,44 für FastFrames-L, gegenüber 84,11 für Causal Forcing++, die Baseline, aus der es destilliert wurde, bei 272 Millisekunden pro Frame. Wan2.1 1.3B, das Basismodell, erreicht 83,80 bei 30.444 Millisekunden. Wan2.2 14.3B erreicht 84,65 bei 117.734. Keine unabhängige Instanz hat irgendetwas davon reproduziert, und VBench ist ein Benchmark, der genau die zeitliche Glattheit belohnt, in der autoregressive Modelle gut sind. Die eigene Tabelle des Papers ist eine Behauptung von Gleichstand über ein Plateau von 83 bis 85,5, keine Messung der Qualität.

Was die beiden Lücken gemeinsam haben, ist das, was man mitnehmen sollte: Die Spannweite der VBench-Gesamtwerte über alle Modelle auf Apples Liste beträgt etwa zweieinhalb Punkte, während die Latenzspanne über dieselbe Liste vier Größenordnungen umfasst. Was auch immer dieser Benchmark misst, er unterscheidet schon seit einiger Zeit nicht mehr zwischen diesen Systemen. Beide dieser Modelle werden über Achsen verkauft, die VBench nicht sieht.

Kostet jeweils einen Shot

Setzt man ein konkretes Briefing gegen beide Tarifkarten, ist die Rechnung überhaupt nicht mehr vergleichbar.

• Ein fünf Sekunden langer 1080p-HDR-Clip — Ray 3.2, zu Listenpreisen etwa 1,20 US-Dollar vor dem HDR-Multiplikator, geliefert als EXR, das direkt in ein Grading geht. FastFrames kann diese Einstellung zu keinem Preis produzieren.

• Ein fünfsekündiger stummer 480p-Clip – FastFrames, ein B200 für 2,9 Sekunden Wall-Clock-Zeit mit dem kleinen Modell oder acht B200 für 3,6 Sekunden mit dem großen. Ray 3.2 generiert überhaupt nicht mit 480p; seine Untergrenze ist 540p.

Zehn Sekunden von allem – {{1}}Ray 3.2{{/1}} nur aus Text, bei 1080p oder darunter. FastFrames erreicht zehn Sekunden, indem zwei 81-Frame-Blöcke aneinandergereiht werden, und hofft, dass die Naht hält.

• Neunzig Takes derselben Einstellung – hier kehren sich die wirtschaftlichen Verhältnisse um. Ray 3.2 rechnet pro Clip ab, also kosten hundert Versuche hundert Clips. FastFrames rechnet in GPU-Sekunden ab, also kosten hundert Versuche hundert Mal 2,9 Sekunden einer Maschine, die Sie bereits mieten.

• Die Hardware, die Sie nicht haben — FastFrames erfordert Linux x86-64, eine NVIDIA-GPU und CUDA 12.8, und das Repository enthält einen funktionierenden Inferenzpfad, ein Latenz-Benchmark-Skript, einen VBench-Evaluierungs-Workflow und eine Demo-App. Nichts davon ist ein gehosteter Dienst.

Diese Linie bei neunzig Takes ist der eigentliche Unterschied. Die Abrechnung pro Clip bepreist ein abzulieferndes Ergebnis; die Abrechnung pro GPU-Sekunde bepreist Exploration. Wenn Ihr Prozess darin besteht, „zu generieren, bis es richtig ist“, ist das zweite Modell um eine Größenordnung billiger und in jeder anderen Dimension schlechter. Wenn Ihr Prozess darin besteht, „eine Sache zu generieren, die eine Bewertung überstehen muss“, ist das erste Modell das einzige der beiden, das die Aufgabe erledigen kann.

Die Lizenz entscheidet über mehr als das Datenblatt.

Die Gewichte von FastFrames unterliegen Apples AMLR-Bedingungen, und die LingBot-World-v2-Demokomponenten im selben Repository stehen unter CC BY-NC-SA 4.0 – nicht kommerziell. Der Rest fällt unter Apples Sample Code Licence. „Offene Gewichte“ und „frei kommerzialisierbar“ sind keine Synonyme, und dieses Release geht bewusst sorgfältig mit diesem Unterschied um – auf eine Weise, die Ray 3.2, das unter einem kommerziellen API-Vertrag mit einer Build-Stufe und einer Scale-Stufe mit SLA verkauft wird, schlicht nicht tut.

Die Beschaffungsfrage verläuft also genau entgegengesetzt zur technischen. Ray 3.2 verlangt von Ihnen, eine Anbieterbeziehung zu akzeptieren: Preisliste, Nutzungsbedingungen, Durchsatzzusage, wenn Sie Scale kaufen, ein Endpunkt, der sich unter Ihnen ändern kann. FastFrames verlangt von Ihnen, drei Lizenzen zu lesen und die Verantwortung für die GPUs zu übernehmen. Für ein Studio, das bereits einen rechtlichen Prüfprozess für API-Anbieter hat, ist Ersteres einfacher. Für eine Forschungsgruppe, die bereits B200s und einen Compliance-Beauftragten hat, der Lizenzen zum Vergnügen liest, ist Letzteres einfacher.

Wohin jedes einzelne gehört und die Frage, die das ändern würde

Setze Ray 3.2 ans Ende der Pipeline und FastFrames an ihren Anfang, und die beiden hören auf zu konkurrieren. Ray 3.2 ist das, wonach du greifst, wenn der Schnitt steht, die Farbpipeline real ist und die Aufnahme am anderen Ende mit 10 Bit oder besser gradierbar herauskommen muss — wobei du 1080p, fünfsekündige HDR-Clips, kein generiertes Audio und eine Rechnung pro Clip akzeptierst, die sich mit dem Dynamikumfang vervielfacht. FastFrames ist das, wonach du greifst, wenn der Loop das Produkt ist: eine Live-Vorschau, ein steuerbares Weltmodell, ein Avatar, der innerhalb einer Session reagiert — wobei du 480p, Stille, keine Referenzeingaben und eine Lizenz akzeptierst, die du lesen musst, bevor du auslieferst.

Keines von beiden ist eine Route auf OrcaRouter, und dieser Beitrag behauptet auch nichts anderes. Was ein Schlüssel tatsächlich erreicht, ist die gehostete Video-Ebene, die bereits heute funktioniert – MiniMax H3 für 0,08 $ pro Sekunde bei 768p und 0,13 $ bei 2K, und die Kling 3.0-Familie – zusammen mit über 200 Sprachmodellen, zu den Listenpreisen der Anbieter, durchgereicht mit 0 % Aufschlag, sodass eine Preissenkung eines Anbieters hier am selben Tag ankommt, an dem sie angekündigt wird, mit automatischem Failover, falls ein Endpunkt mitten in der Warteschlange an Leistung verliert. Für ein Team, das eines der oben genannten Modelle evaluiert, ist das der günstige Weg, zu messen, wie ein reales Latenz- und Kostenprofil aussieht, bevor man GPU-Budget oder einen Scale-Vertrag an eine Hypothese bindet.

Was diesen Vergleich entscheiden würde, ist keine bessere Demo von einer der beiden Seiten. Es ist eine unabhängige Messung von Ray 3.2 auf der Image-to-Video-Arena, damit das Modell, das am Ende vorn liegt, überhaupt eine Zahl vorzuweisen hat, und eine Reproduktion der 84,4 von FastFrames durch jemanden, der nicht bei Apple oder Cornell arbeitet. Bis beides vorliegt, ist die ehrliche Grundlage für die Wahl das Ergebnis – und auf dieser Achse liegen diese beiden Modelle nicht nah genug beieinander, um verwechselt zu werden.

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.