
FastFrames de Apple genera video más rápido de lo que puedes verlo
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNUEVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUEVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNUEVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNUEVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencia
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencia
Treinta y seis milisegundos por fotograma. Ese es el número que aparece en la cabecera de FastFrames Video Generation, la versión que Apple publicó con Cornell el 16 de noviembre de 2026 —los pesos en Hugging Face como FastFrames-S con 1,3 mil millones de parámetros y FastFrames-L con 14 mil millones, un artículo titulado «FastFrames: Video Generation at Interactive Latency» al día siguiente. Haz las cuentas antes de leer cualquier otra cosa: un clip son 81 fotogramas a 832×480 y 16 fotogramas por segundo, lo que son 5,06 segundos de vídeo. A 36 milisegundos por fotograma en una sola B200, el modelo pequeño produce ese clip en 2,9 segundos. No más rápido que las alternativas: más rápido que la reproducción. La pregunta interesante no es si el número es real. Es qué sacrificó Apple para conseguirlo, y si ese intercambio es uno con el que puedes vivir.
Qué se envió realmente y cuándo
Dos checkpoints, ambos de texto a vídeo, ambos sin restricciones y descargables a partir de esta semana. Los repositorios de Hugging Face se crearon el 16 de noviembre de 2026 y todavía se estaban modificando en la mañana del 18 de noviembre; el preprint de arXiv (2611.23226) está fechado el 17 de noviembre. Así que se trata de un lanzamiento de hace dos días, no de un modelo con historial, y nada de esto ha sido evaluado de forma independiente. Todo lo que sigue es o bien una medición de los propios autores o un atributo de los pesos publicados.
• Tamaños — FastFrames-S con 1,3B parámetros, FastFrames-L con 14B (14,3B contando las cabezas añadidas).
• Modelos base — destilados de Wan2.1-T2V-1.3B y Wan2.1-T2V-14B respectivamente, usando una receta que los autores llaman Causal Forcing++.
• Salida — 832×480 a 16 fps, 81 fotogramas por generación, autorregresivo para que los clips se puedan encadenar.
• Pesos — abiertos en Hugging Face, etiquetados con la licencia AMLR de Apple; el código de demostración de LingBot-World v2 es CC BY-NC-SA 4.0, que es no comercial, y el resto del repositorio está bajo la Licencia de Código de Muestra de Apple.
• Precios — ninguno. No hay ningún endpoint de FastFrames alojado por Apple; lo ejecutas en tus propias GPU.
Esa última línea es la que hay que interiorizar. FastFrames es un lanzamiento de investigación con pesos descargables, que es un objeto distinto de un producto. No hay tarifa por segundo, ni cola, ni SLA, y no hay forma de invocarlo sin una GPU NVIDIA y CUDA 12.8.

Dónde fueron a parar los milisegundos
La idea arquitectónica es más concreta que «un modelo más rápido» y más interesante. FastFrames es un modelo de difusión de vídeo autorregresivo, lo que significa que genera un bloque de fotogramas condicionado a lo que vino antes. En la línea base sobre la que está construido, Causal Forcing++, generar un bloque de 81 fotogramas cuesta 271,8 milisegundos por fotograma, y una gran parte de eso no es en absoluto el transformer: es el autoencoder variacional decodificando latentes de vuelta a píxeles, más el paso que actualiza la caché KV para que el siguiente bloque sepa lo que ocurrió en este.
El equipo de Apple reemplazó ambos extremos de ese bucle con pequeñas redes aprendidas y dejó intacto el transformer de difusión.
El decodificador VAE ha desaparecido. Un decodificador de píxeles de 63,87 millones de parámetros —tres bloques ConvNeXt causales y una capa lineal final que emite valores RGB de 4×16×16 por token— produce fotogramas directamente. La decodificación baja de unos 147 milisegundos a aproximadamente 1 milisegundo.
La actualización de la caché KV ahora es una pequeña red. Un tronco compartido, cuatro bloques de autoatención de 8 cabezas y una cabeza de reparación residual por capa DiT, con un coste de 2 milisegundos en el modelo pequeño y 6 en el grande.
• El propio transformer apenas cambió y permanece congelado durante la etapa final. En el modelo de 1,3B, el tiempo de DiT pasa de 41,6 a 16,4 milisegundos; en el de 14B, de 89,2 a 75,6.
Si sumas eso en el modelo de 1,3B, 271,8 milisegundos se convierten en 35,8. Ese es todo el truco, y es un buen truco: los autores no hicieron más rápido un transformer de difusión, sino que eliminaron las partes que lo rodeaban y que nunca fueron lo importante. El decodificador de píxeles se entrenó con 32 B200 durante aproximadamente una semana y 150.000 rollouts, con una etapa adversarial en 8 B200 usando un discriminador DINOv3 ViT-S/16 congelado para evitar que produjera fotogramas poco nítidos.
La afirmación de calidad, y quién la verificó
Esta es la parte que necesita una etiqueta. Las cifras de VBench que aparecen a continuación son de los propios autores, obtenidas con los mismos prompts y semillas a 480p, y reportadas en la Tabla 1 del artículo. Nadie independiente las ha reproducido, y VBench es un benchmark que recompensa el tipo de suavidad temporal en el que los modelos autorregresivos son buenos. Trátalas como una afirmación de paridad, no como una medición de esta.
• FastFrames-S — 84,23 total de VBench, 85,30 en calidad, 79,92 en semántica, a 36 ms por fotograma.
• FastFrames-L — 84.44 en total, 85.48 en calidad, 80.29 en semántica, a 45 ms por fotograma en ocho B200.
• Causal Forcing++, la línea base de la que se destiló — 84,11 en total a 272 ms por fotograma, por lo que es aproximadamente 7,6× más lento a cambio de 0,1 a 0,3 puntos menos.
• Krea-Realtime — 84,42 en total a 1.675 ms por fotograma; el artículo afirma un realismo, una fidelidad al prompt, una composición y un renderizado de texto comparables a más de diez veces la velocidad.
• Self-Forcing — 84,10 a 717 ms; CausVid 83,18 a 662 ms; LongLive2.0 83,65 a 505 ms.
• Wan2.1 1.3B, el modelo base — 83.80 a 30,444 ms por fotograma.
• Wan2.2 14.3B: 84,65 a 117.734 ms por fotograma. Ese es el dato en el que vale la pena detenerse: el mejor total de la tabla, a unas 2.600 veces el coste por fotograma de FastFrames-L.
• MiniMax-H3 33,1B — 84,43 en 38.454 ms; HunyuanVideo1.5 8,3B — 83,18 en 1.555.508 ms.
El patrón es una meseta de calidad plana de 83 a 85,5 en todos los modelos de la lista, y una dispersión de latencia de cuatro órdenes de magnitud. Mida lo que mida el total de VBench, dejó de discriminar entre estos sistemas hace un tiempo. Lo que ahora los separa es la velocidad a la que se ejecutan y la resolución y el audio que pueden producir; y FastFrames gana la primera columna por amplio margen, mientras pierde la segunda de forma rotunda.
Lo que realmente se consigue con 36 milisegundos por fotograma
Convierte a las unidades que le importan a una persona de producto. Los autores reportan tanto el rendimiento como la latencia, y ambos cuentan historias distintas según cuántas GPU tengas.
FastFrames-S, una B200: 36 ms por fotograma, unas 28 solicitudes por segundo. Un clip de 5 segundos en 2,9 segundos, o 1,7 veces más rápido de lo que se tarda en verlo.
• FastFrames-L, ocho B200s — 45 ms por fotograma, aproximadamente 22 solicitudes por segundo. Un clip de 5 segundos en 3,6 segundos.
• {{1}}FastFrames-L{{/1}}, una GPU — 158 ms por fotograma, aproximadamente 6,3 solicitudes por segundo. El mismo clip en 12,8 segundos, lo que es más lento que la reproducción. El modelo grande solo se vuelve interactivo cuando se distribuye en un nodo.
• A 720p: 127 ms por fotograma para el modelo pequeño y 116 ms para el grande en ocho GPU, que es el punto en el que «interactivo» deja de ser cierto para una sesión de un solo flujo.
• En H100 en lugar de B200 — el artículo sitúa la penalización entre el 25 y el 50 por ciento, así que el modelo pequeño se queda en torno a 45 a 54 ms por fotograma.
La afirmación que se mantiene es la que se refiere al modelo pequeño en el hardware actual. FastFrames-S en una B200 es genuinamente más rápido que el tiempo real, y eso es lo que hace factible un bucle de vista previa en vivo, un avatar en streaming o un modelo de mundo controlable sin una granja de render. El 14B es interactivo solo en el sentido de rendimiento por lotes.
Ejecutarlo tú mismo
El repositorio incluye una ruta de inferencia funcional, no solo pesos. Necesitas Linux x86-64, una GPU NVIDIA y CUDA 12.8; luego uv sync, y uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Hay un script de benchmark de latencia que recibe como entrada un número de GPU, un flujo de trabajo de evaluación de VBench y una aplicación de demostración en apps/lingbot que atiende en el puerto 8000. Apple también publicó todos los checkpoints de las etapas de entrenamiento del modelo grande —el profesor causal, la etapa destilada por consistencia, la etapa destilada por DMD y el generador final con su decodificador de píxeles y su red de refinamiento KV—, lo cual es inusual y hace que el lanzamiento sea reproducible de una forma en la que la mayoría de los lanzamientos de "open weights" no lo son.

Si no tienes las GPU, la afirmación honesta es que OrcaRouter no ofrece FastFrames, y ningún otro lo hace: no hay ningún endpoint alojado al que enrutar. Lo que sí cubre una clave de OrcaRouter son los modelos de video alojados que ya funcionan hoy, incluidos Kling 3.0 y Kling 3 Turbo, Kling Video O1 y MiniMax H3, a precios de lista del proveedor repercutidos con 0 % de margen, de modo que un cambio de precio del proveedor te llega el mismo día en lugar de en el siguiente ciclo de facturación. El patrón sensato para un equipo interesado en FastFrames es prototipar la idea de producto con un modelo alojado cuya latencia se pueda medir, y comprar tiempo de GPU solo cuando se sepa que el ciclo vale la pena.
Lo que no puede hacer
Tres límites, y ninguno de ellos se va a parchear la próxima semana.
• Resolución: 480p, y punto. Apple reporta cifras de latencia de 720p, pero la configuración lanzada es de 832×480. Todos los competidores de este rango de precio ofrecen al menos 1080p.
• Audio: ninguno. FastFrames es silencioso. Veo, Kling, Grok Imagine e HiDream generan todos audio sincronizado en la misma llamada.
• Duración y control — 81 fotogramas por generación con encadenamiento autorregresivo, solo prompts de texto. Sin condicionamiento por imagen, sin recursos de referencia, sin fotogramas clave, sin control de cámara, sin API de extensión.
Licencia — los pesos del modelo están sujetos a los términos AMLR de Apple, y los componentes de LingBot-World v2 son CC BY-NC-SA 4.0. Léalo antes de crear un producto comercial sobre la aplicación de demostración; «pesos abiertos» y «libre para comercializar» no son sinónimos, y este lanzamiento es deliberadamente cuidadoso con la diferencia.
Lo que hay que observar
FastFrames se entiende mejor como una demostración de que el coste de la generación de vídeo autorregresiva nunca fue principalmente el modelo. Era la decodificación y la actualización de la caché, y Apple eliminó ambas a un coste de aproximadamente dos milisegundos y un megabyte de parámetros. Ese resultado es transferible: el decodificador de píxeles se entrena para cada modelo base, pero el principio —congelar el transformer, aprender la fontanería— se aplica a cualquier pila de difusión de vídeo causal, y el artículo ya muestra que se ha portado a dos sistemas de terceros, llevando LingBot-World de 1.085 a 52 milisegundos por fotograma en la variante de 1,3B y de 3.862 a 233 en la de 14B.
Qué significa esto para un comprador: si tu producto necesita un modelo de vídeo en un bucle en tiempo real, el requisito de hardware acaba de reducirse en un orden de magnitud y el coste en calidad parece ser pequeño. Si tu producto necesita un clip terminado en 1080p con audio, nada en este lanzamiento está dirigido a ti, y los modelos alojados siguen siendo la respuesta. La brecha entre esos dos casos de uso es donde se librará la batalla de los lanzamientos de modelos de vídeo durante los próximos doce meses.

