Hero-Karte für einen Vergleich von FastFrames Video Generation und MiniMax H3, mit drei Badges auf der linken Seite mit der Aufschrift „36 ms pro Frame“, „832x480, stumm“ und „81 Frames“ sowie drei auf der rechten Seite mit „1.181 Elo bei Bild-zu-Video“, „nativer Stereo-Ton“ und „0,08 $ pro Sekunde“, mit dem OrcaRouter-Logo unten rechts.
Engineering & Research

FastFrames-Videogenerierung vs. MiniMax H3: Drei Boards gegen eine Stoppuhr

Autor

Gideon Frost

Veröffentlicht am

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

Es gibt eine Version dieses Vergleichs, die zwei Videomodelle nebeneinanderstellt und das schnellere auswählt, und sie würde etwa vierhundert Wörter brauchen. Sie wäre außerdem falsch, denn MiniMax H3 ist ein Modell, das man sekundenweise aufrufen kann, und FastFrames Video Generation ist eine Reihe von Gewichten, die man herunterlädt und auf eigener Hardware ausführt. H3 startete am 31. Juli 2026 als omni-modales System, das Text-, Bild-, Video- und Audioreferenzen als einen Kontext liest, nativen Stereoton erzeugt und mit 1.181 Elo über 7.284 Stimmen den zweiten Platz auf dem Image-to-Video-Board von Artificial Analysis hält (Stand: 8. Oktober 2026). FastFrames erschien am 16. November als zwei Checkpoints, 1,3B und 14B, destilliert aus Wan2.1, um einen 480p-Frame in 36 Millisekunden zu erzeugen – und es taucht auf keinem unabhängigen Board auf. Was sie trennt, ist nicht die Qualität. Es ist die Tatsache, dass eines davon ein Produkt mit einem öffentlichen Scoreboard-Eintrag ist und das andere ein Paper mit einer Stoppuhr.

Drei Gremien, ein Modell – und was jedes Gremium tatsächlich fragt

Die Positionen von H3 sollten präzise genannt werden, denn die Zahl, die die Leute zitieren, ist normalerweise die falsche.

• Bild-zu-Video — Zweiter mit 1.181 Elo bei 7.284 Stimmen, hinter MiniMax H3 Max mit 1.195 und vor Vidu Q4 Preview mit 1.179. Die besten drei trennen sechzehn Punkte, was innerhalb der Intervalle liegt; das ist ein Gleichstand im Podiumsgewand.

• Text-zu-Video — {{1}}Vierter{{/1}} mit 1.137 Elo bei 8.315 Stimmen. Das schwächere Board des Modells und dasjenige, auf dem ein stummes 480p-Forschungsmodell antreten würde, wenn es einen Eintrag hätte.

• Videobearbeitung — Vierter Platz mit 1.119 Elo bei 7.023 Stimmen auf einer Rangliste, die Modelle danach bewertet, einen Clip anhand einer Textanweisung zu bearbeiten, wobei der Ton erhalten bleibt.

Drei Auftritte bedeuten, dass drei verschiedene Fähigkeiten eingereicht und gemessen wurden: das Generieren aus einem Standbild, das Generieren aus Text und das Umwandeln von bereits vorhandenem Filmmaterial. Die dritte ist für diesen Vergleich die wichtigste, denn sie erfordert, Video als Eingabe zu akzeptieren, und FastFrames akzeptiert ausschließlich Text.

Die Preisgestaltung steht auf unserer eigenen Modellkarte: 0,08 US-Dollar pro Sekunde bei 768p und 0,13 US-Dollar pro Sekunde bei 2K, also 4,80 US-Dollar bzw. 7,80 US-Dollar pro Minute – dieselben beiden Werte, die in der Preisspalte der Arena erscheinen, und dasselbe Modell in zwei Auflösungsstufen statt einer Premium- und einer Billigversion. Ein 5-Sekunden-Clip bei 768p kostet 0,40 US-Dollar.

Was 36 Millisekunden nicht beinhaltet

Die Geschwindigkeit von FastFrames ist echt – und sie ist keine Allzweckgeschwindigkeit; die Architektur erklärt warum auf eine Weise, die eine Spezifikationsliste nicht kann.

Beide Checkpoints sind autoregressive Videodiffusionsmodelle, die aus Wan2.1 mithilfe eines Rezepts namens Causal Forcing++ destilliert wurden. Die Autoren ließen den Diffusionstransformer weitgehend unangetastet und ersetzten die beiden Dinge darum herum, die nie der Kernpunkt waren. Der VAE-Decoder – im Causal Forcing++-Baseline etwa 147 Millisekunden pro Frame – wird zu einem Pixeldecoder mit 63,87 Millionen Parametern, der Frames direkt ausgibt und bei nahezu 1 Millisekunde landet. Das KV-Cache-Update wird zu einem kleinen Verfeinerungsnetzwerk, das beim 1,3B-Modell 2 Millisekunden und beim 14B-Modell 6 Millisekunden kostet. Der Transformer wird während der letzten Phase eingefroren.

Beim kleinen Modell sinkt das von 271,8 Millisekunden pro Frame auf 35,8. Auf einer B200 schafft FastFrames-S etwa 28 Anfragen pro Sekunde und erzeugt einen 5,06-Sekunden-Clip in 2,9 Sekunden. Die 14B-Version hält 45 Millisekunden nur über acht B200s; auf einer einzelnen GPU verschlechtert sie sich auf 158 Millisekunden pro Frame, was langsamer ist, als sich das Ergebnis anzusehen. Bei 720p sind es beim kleinen Modell 127 Millisekunden, und das Paper beziffert den H100-Nachteil auf 25 bis 50 Prozent.

Was in dieser Zahl nicht enthalten ist, ist alles, womit H3 seine Zeit verbringt. FastFrames erzeugt kein Audio. Es konditioniert ausschließlich auf Text – kein Startbild, kein Endbild, kein Referenzbild, kein Clip zum Erweitern oder Umstilisieren. Es erzeugt 81 Frames bei 832×480 und 16 Frames pro Sekunde und verkettet Blöcke, anstatt Keyframe- oder Kamerasteuerung zu bieten. Drei der vier Eingabemodalitäten, die H3 akzeptiert, existieren im Inferenzpfad von FastFrames nicht.

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.

Warum die Geschwindigkeit trotzdem noch etwas wert ist

Es wäre leicht, {{1}}FastFrames{{/1}} nach dem vorigen Abschnitt abzuschreiben, und das wäre die falsche Lesart. Die Zahl ist keine Marketingzahl; sie verändert, welche Art von Produkt möglich ist.

Bei 36 Millisekunden pro Frame auf einem B200 ist eine Generation fertig, bevor man sie sich ansehen kann. Das ist die Schwelle, an der eine Vorschauschleife aufhört, ein Batch-Job zu sein, und interaktiv wird: Man tippt, sieht, justiert, und die Maschine hält mit der Anpassung Schritt. Ein 14B-Modell erreicht das bei 45 Millisekunden über einen Knoten im Sinne des gebatchten Durchsatzes, doch die Single-Stream-Latenz, die ein Mensch tatsächlich spürt, ist die Eigenschaft des kleinen Modells. Nichts an der veröffentlichten Oberfläche von H3 adressiert diesen Anwendungsfall, weil H3 in Sekunden fertigen Filmmaterials abgerechnet wird statt in Frames, die pro Sekunde realer Zeit erzeugt werden – das sind nicht dieselbe Messung, und anhand der Preisliste lässt sich eine nicht aus der anderen ableiten.

Es gibt eine Folgewirkung zweiter Ordnung, die das Paper ausdrücklich benennt. Der Pixeldecoder wird pro Basismodell trainiert, doch das Prinzip – den Transformer einfrieren, die „Verkabelung“ lernen – wurde in den Experimenten des Papers selbst bereits auf Drittsysteme übertragen: LingBot-World von 1.085 auf 52 Millisekunden pro Frame bei der 1,3B-Variante und von 3.862 auf 233 bei der 14B-Variante. Das ist ein Ergebnis über eine Technik, kein Produkt, und es ist der Teil dieser Veröffentlichung mit der größten Reichweite.

Der ehrliche Stand der Beweislage auf jeder Seite

Hier ist der Punkt, an dem der Vergleich in keine der beiden Richtungen mehr strittig ist, und es lohnt sich, bei beiden Hälften deutlich zu sein.

Alle Qualitätsbehauptungen von FastFrames stammen von seinen eigenen Autoren. Die VBench-Gesamtwerte in Tabelle 1 betragen 84,23 für FastFrames-S und 84,44 für FastFrames-L, gegenüber 84,11 für die Baseline bei 272 Millisekunden und 84,65 für Wan2.2 14.3B bei 117.734 Millisekunden. Niemand Unabhängiges hat sie reproduziert. VBench belohnt die zeitliche Glätte, zu deren Erzeugung autoregressive Modelle konstruiert sind, und die gesamte Spannweite in Apples eigener Tabelle beträgt etwa zweieinhalb Punkte, während die Latenzspanne bei denselben Modellen vier Größenordnungen umfasst. Lesen Sie die Tabelle als Behauptung von Parität, nicht als Messung davon.

Die Positionen von H3 in den Bestenlisten enthalten Stichprobenumfänge und Konfidenzintervalle, was eine stärkere und zugleich engere Form von Evidenz ist. Ein Präferenz-Leaderboard sagt Ihnen, welche Ausgabe die Leute gewählt haben, als ihnen zwei Clips gezeigt wurden; es sagt Ihnen nicht, was die Produktion des einen oder anderen Clips gekostet hat, ob der Ton synchron war oder ob das Modell einen Burst von 40 Anfragen bei 2K überstehen würde. Die Sechzehn-Punkte-Spanne an der Spitze der Bild-zu-Video-Bestenliste ist eine gute Erinnerung daran, dass diese Zahlen Wahrnehmungen und nicht Fähigkeiten bewerten und dass jede Seite, die aus einem Sechzehn-Punkte-Abstand bei ±10-Intervallen einen Sieger erklärt, Rauschen interpretiert.

Also läuft der Vergleich auf Folgendes hinaus: Das eine Modell wurde von Tausenden Menschen bewertet und pro Sekunde bepreist, das andere hat eine Stoppuhr, eine Lizenzdatei und ein Papier. Das sind unterschiedliche Arten von Belegen, und keines ersetzt das andere.

Zwei Beschaffungswege, die einander nicht ähneln

Zeit auf H3 einzukaufen und FastFrames auszuführen umfasst nahezu keine gemeinsamen Schritte, was der praktische Grund dafür ist, dass beides selten in ein und derselben Entscheidung mündet.

• H3 — ein Sekundentarif auf einem gehosteten Endpoint, zu 0,08 US-Dollar bei 768p und 0,13 US-Dollar bei 2K, über die eigene API des Anbieters und über mehrere Drittanbieter-Plattformen. Keine Hardware, keine Lizenzprüfung, kein CUDA. Wir routen es als minimax/minimax-h3 über die öffentliche Modell-API, abgerechnet zum Listenpreis des Anbieters, der ohne Aufschlag weitergegeben wird, aufrufbar über denselben OpenAI-kompatiblen Endpoint wie die Sprachmodelle im Katalog.

• FastFrames — Linux x86-64, eine NVIDIA-GPU, CUDA 12.8, dann uv sync und ein Aufruf von scripts/generate.py mit einem Checkpoint-Verzeichnis und einem Seed. Die Gewichte unterliegen Apples AMLR-Bedingungen; die LingBot-World v2-Demokomponenten im selben Repository stehen unter CC BY-NC-SA 4.0, was nicht kommerziell ist; der Rest fällt unter Apples Sample Code Licence. Apple hat außerdem jeden Checkpoint jeder Trainingsphase für das große Modell veröffentlicht, was ungewöhnlich ist und die Veröffentlichung auf eine Weise reproduzierbar macht, wie es die meisten Open-Weight-Veröffentlichungen nicht sind.

• Die versteckten Kosten auf beiden Seiten – der sekundengenaue Zähler von H3 läuft unabhängig davon, ob die Aufnahme gut war, und eine verworfene Aufnahme wird genauso abgerechnet wie eine akzeptierte. Der GPU-Zähler von FastFrames funktioniert genauso, jedoch zu einem Grenzsatz, der ein Rundungsfehler ist, wenn die Hardware bereits amortisiert ist, und ein großer Fixkostenblock, wenn nicht.

Eine praktische Folge der durchgereichten Preisgestaltung auf unserer Seite: Wenn MiniMax einen Sekundensatz ändert, ist diese Änderung noch am selben Tag auf der Route sichtbar und nicht erst bei der Vertragsverlängerung. FastFrames hat keinen Satz, der sich ändern könnte.

Wofür jedes einzelne gedacht ist, formuliert als ein Satz, nach dem man handeln kann.

Nimm MiniMax H3, wenn die Eingabe etwas anderes als ein Text-Prompt ist, wenn das Ergebnis Ton benötigt oder wenn ein fünfzehnsekündiger Clip mit Multi-Turn-Erweiterung deiner Aufnahme näher kommt als 81 Frames bei 480p. Es ist das einzige der beiden, das Filmmaterial bearbeiten kann, das einzige, das Audio erzeugt, und das einzige, dessen Qualitätsversprechen von Leuten getestet wurde, die nicht für das Unternehmen arbeiten, das es hergestellt hat. Sein 2K-Preis ist außerdem günstiger als bei den meisten Wettbewerbern in dieser Kategorie.

Setze FastFrames ein, wenn die Loop das Produkt ist und das Frame nicht das Lieferobjekt — eine Live-Vorschau, ein steuerbares Weltmodell, ein Avatar, der innerhalb einer Session antworten muss, oder ein Forschungsprogramm, das ändern will, wie ein kausaler Video-Stack dekodiert, statt was er generiert. Akzeptiere 480p, Stille, keine Referenzeingaben und eine Lizenz, die du lesen musst, bevor du irgendetwas Kommerzielles auslieferst.

FastFrames wird nicht von OrcaRouter bereitgestellt, und diese Seite erhebt nicht den Anspruch, dass dies der Fall sei – es gibt keinen gehosteten Endpoint für Apples Gewichte. H3 ist ein anderes Thema: Wir routen es als minimax/minimax-h3, zusammen mit der Kling-3.0-Familie und über 200 Sprachmodellen, über einen einzigen Key zum Listenpreis des Anbieters mit 0 % Aufschlag und automatischem Failover zwischen den Endpoints. Das ist der günstige Weg, herauszufinden, ob ein sekundenbasiert abgerechnetes Videomodell zu Ihrer Pipeline passt, bevor Sie ein Quartals-GPU-Budget für die Alternative ausgeben.

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.

Das eine Ergebnis, das daraus einen echten Wettbewerb machen würde

Zwei Dinge würden die Lesart ändern, und keines von beiden ist eine bessere Demo.

Das erste ist FastFrames, das auf einem Arena-Board erscheint. Dafür muss jemand es hosten, und derzeit tut das niemand – Apple hat Gewichte veröffentlicht, aber keinen Endpoint, sodass es keine Möglichkeit gibt, es in einem Präferenztest den Wählern bereitzustellen. Bis das geschieht, stützt sich die Qualitätsbehauptung des Modells ausschließlich auf die VBench-Zahlen seiner Autoren, was eine schwächere Position ist, als sie jedes Modell auf den drei Boards von H3 einnimmt.

Der zweite Punkt ist, dass MiniMax eine Latenzzahl veröffentlicht. Die Preisliste von H3 ist in Ausgabesekunden angegeben, und nirgends in dieser Struktur gibt es Kosten pro Frame, die ein Leser mit 36 Millisekunden vergleichen könnte. Wenn MiniMax oder ein unabhängiger Tester Bilder pro Sekunde bei einer gegebenen Auflösung und GPU veröffentlichen würde, wären die beiden Modelle endlich auf einer gemeinsamen Achse messbar. Das haben sie nicht getan, und es liegt nicht im kommerziellen Interesse des Anbieters, damit anzufangen.

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.