Tarjeta principal que compara FastFrames Video Generation y Luma Ray 3.2, con la tarjeta izquierda mostrando «36 ms por fotograma», «832x480, sin sonido» y «81 fotogramas», y la tarjeta derecha mostrando «hasta 1080p», «EXR de 10/12/16 bits» y «5 o 10 segundos», con el logotipo de OrcaRouter en la esquina inferior derecha.
Guides & Insights

Generación de video FastFrames vs. Luma Ray 3.2: un flujo de fotogramas frente a un archivo etalonado

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Luma Ray 3.2 y FastFrames Video Generation son ambos modelos de vídeo de difusión, ambos lanzados en 2026, ambos con disponibilidad no antes de la segunda mitad de este año, y no son sustitutos el uno del otro en ningún sentido que un productor reconocería. Ray 3.2, disponible desde el 9 de junio, termina en un archivo: hasta 1080p, cinco o diez segundos, opcionalmente HDR de 10, 12 o 16 bits en el estándar ACES2065-1 EXR, que es el formato en el que un colorista hace la corrección de color. FastFrames, publicado por Apple con Cornell el 16 de noviembre, termina en un flujo: 832×480, 81 fotogramas, un fotograma cada 36 milisegundos en una única B200, sin audio, solo con indicaciones de texto, pesos en Hugging Face. Uno está construido para que su resultado sobreviva a un pipeline de postproducción. El otro está construido para que su resultado llegue antes de que hayas terminado de ver el anterior. Todo lo que sigue se deriva de esa división, incluido el incómodo hecho de que ninguno de los dos modelos cuenta con una puntuación independiente con la que resolver la cuestión.

El formato de salida es el argumento, no la ficha técnica.

Empieza con lo que cada modelo te entrega, porque aquí es donde realmente vive la comparación.

• Ray 3.2 entrega MP4 de forma predeterminada y, si se solicita, entrega fotogramas HDR de 10, 12 o 16 bits en ACES2065-1 EXR, pero solo a 720p y 1080p, y solo para clips de cinco segundos. El bucle sin cortes y la ruta EXR son ambas funcionalidades de cinco segundos.

• FastFrames entrega un MP4 de 81 fotogramas a 832×480 y 16 fotogramas por segundo, lo que supone 5,06 segundos de metraje sin sonido. No hay ruta EXR, ni opción de profundidad de bits, ni cuadro de diálogo de exportación. El decodificador de píxeles emite RGB de 8 bits por token y eso es todo.

• La resolución tiene un techo de 1080p frente a un punto fijo de 480p, pero la comparación es injusta en ambos sentidos, porque el modo HDR de 1080p de Ray 3.2 no existe para clips de diez segundos, y el 480p de FastFrames no es un ajuste que se pueda elevar.

• Interfaz de control: Ray 3.2 acepta texto, un fotograma inicial, un fotograma final o un vídeo existente para modificar, además de hasta 16 fotogramas clave por clip y seguimiento de la interpretación facial en hasta ocho rostros. FastFrames acepta un prompt de texto y una semilla.

Vuelve a leer esa lista y fíjate en lo que implica sobre el comprador. El conjunto de funciones de Ray 3.2 es el conjunto de funciones de un plano que ya existe en un montaje y que necesita terminarse, revisarse o ampliarse. El conjunto de funciones de FastFrames es el conjunto de funciones de un sistema que aún no ha decidido qué es el plano.

Ray 3.2, leído como una herramienta de postproducción

La ruta EXR es la razón principal por la que este modelo existe en su forma actual, y conlleva restricciones que la mayoría de los artículos omiten.

Genera a 540p, 720p y 1080p, en clips de cinco o diez segundos, con seis relaciones de aspecto que cubren vertical, cuadrado y panorámico; pero la generación de diez segundos es solo de texto a vídeo, así que las rutas condicionadas por fotograma y por vídeo están limitadas a cinco segundos. HDR es un ajuste opcional de cinco segundos para 720p y 1080p: se activa HDR para obtener la exportación EXR en lugar de recibirla automáticamente. El audio es la otra restricción, y recorta de una forma que la gente no espera. Ray 3.2 no genera audio sincronizado para texto a vídeo ni imagen a vídeo; el audio solo se conserva cuando se modifica o se reencuadra metraje existente que ya lleva una pista. Para un modelo posicionado en la fase de acabado, eso es coherente —el sonido viene del montaje, no del generador—, pero cualquiera que busque un modelo de vídeo con sonido en una sola llamada debería dejar de leer aquí.

La estructura comercial también importa. Ray 3.2 es el primer modelo de la familia Ray con una API de desarrollador completa, dividida en un nivel Build de pago por uso y un nivel Scale de rendimiento reservado con SLA. Los modelos Ray anteriores eran solo por suscripción, lo que significa que el historial de precios de la familia no sirve como guía para el de este. El coste por clip varía según la resolución, el rango dinámico y la duración en conjunto; los listados de terceros sitúan un clip de cinco segundos en 720p cerca de 0,30 USD y un clip en 1080p cerca de 1,20 USD, y la exportación HDR o EXR multiplica el coste del clip en lugar de sumarse a él. Considera esas cifras como aritmética de agregadores sobre el tarifario de Luma, no como la cifra publicada por Luma.

Una trampa de nomenclatura que merece la frase que cuesta: los números de versión de Luma no ascienden tal como se leen. Ray3.14 se lanzó el 26 de enero de 2026 y Ray 3.2 el 9 de junio de 2026, así que el número más bajo es el modelo más nuevo, y Luma ha retirado la marca Dream Machine en torno a la cual todavía se construyen la mayoría de las guías más antiguas.

FastFrames, léase como un bucle de renderizado

FastFrames no es un Ray 3.2 más pequeño. Es un resultado de destilación publicado como pesos, y la arquitectura explica tanto la velocidad como las funciones que faltan.

Ambos checkpoints son modelos de difusión de video autorregresivos construidos sobre Wan2.1 —FastFrames-S a partir de Wan2.1-T2V-1.3B y FastFrames-L a partir de Wan2.1-T2V-14B—, sometidos a una receta que los autores llaman Causal Forcing++. La contribución del artículo no es un transformer más rápido. Es la eliminación de dos componentes costosos alrededor del transformer: el decodificador VAE, que costaba aproximadamente 147 milisegundos por fotograma en la línea base y se reemplaza por un decodificador de píxeles de 63,87 millones de parámetros que queda cerca de 1 milisegundo, y la actualización de la caché KV, que se convierte en una pequeña red de refinamiento que cuesta 2 milisegundos en el modelo pequeño y 6 en el grande. El propio transformer se congela en la etapa final.

Si haces la cuenta con el modelo de 1.3B, 271,8 milisegundos por fotograma se convierten en 35,8. En una sola B200, eso supone unas 28 solicitudes por segundo, o un clip de 5 segundos en 2,9 segundos. El de 14B necesita ocho B200 para mantener 45 milisegundos y 22 solicitudes por segundo; en una sola GPU baja a 158 milisegundos, lo que es más lento que la reproducción. A 720p, el modelo pequeño necesita 127 milisegundos por fotograma y el grande, 116 en ocho GPU, y el artículo sitúa la penalización de la H100 entre un 25 y un 50 por ciento adicional.

La generación autorregresiva es la razón por la que 81 fotogramas no son tan limitantes como parece y también la razón por la que el modelo no puede hacer lo que hace Ray 3.2. Como cada bloque está condicionado por el anterior, los clips se encadenan, pero el encadenamiento no es control por fotogramas clave, y no hay forma de introducir un fotograma inicial, un fotograma final, una imagen de referencia o un clip existente. El modelo no tiene ningún tipo de condicionamiento por imagen.

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.

La brecha de medición es real y va en ambos sentidos.

Ninguno de los dos modelos puede clasificarse, y las razones son lo bastante distintas como para merecer tratarse por separado.

Ray 3.2 no aparece en la arena de vídeo de Artificial Analysis, ni en texto a vídeo ni en imagen a vídeo, según la consulta realizada el 18 de septiembre de 2026 para este blog. Lo que Luma publica en su lugar es un informe interno de evaluación de Ray3 que afirma estar a la par de Veo 3 y aventajar a varios rivales, sin puntuaciones numéricas adjuntas, y la afirmación de que su API funciona a menos de la mitad del precio y la latencia de modelos comparables, también sin cuantificar. Son documentos de posicionamiento. No son comparables con un Elo de arena que incluya un recuento de muestras y un intervalo de confianza, y ninguna página debería presentarlos como si lo fueran.

FastFrames tiene el problema opuesto: tiene cifras, y todas provienen de sus propios autores. Los totales de VBench en la tabla 1 del artículo son 84,23 para FastFrames-S y 84,44 para FastFrames-L, frente a 84,11 para Causal Forcing++, la línea base de la que se destiló, a 272 milisegundos por fotograma. Wan2.1 1.3B, el modelo base, obtiene 83,80 a 30.444 milisegundos. Wan2.2 14.3B obtiene 84,65 a 117.734. Ningún tercero independiente ha reproducido nada de esto, y VBench es un benchmark que recompensa exactamente la suavidad temporal en la que son buenos los modelos autorregresivos. La propia tabla del artículo es una afirmación de paridad dentro de una meseta de 83 a 85,5, no una medición de calidad.

Lo que ambas brechas tienen en común es lo que hay que sacar en claro: la dispersión de los totales de VBench entre todos los modelos de la lista de Apple es de unos dos puntos y medio, mientras que la dispersión de la latencia en esa misma lista es de cuatro órdenes de magnitud. Mida lo que mida ese benchmark, hace tiempo que dejó de distinguir entre estos sistemas. Ambos modelos se venden en ejes que VBench no ve.

Costando un disparo en cada uno

Pon un brief concreto frente a ambos tarifarios y la aritmética deja de ser comparable por completo.

• Un clip HDR de 1080p de cinco segundos — Ray 3.2, aproximadamente $1,20 según las tarifas de lista antes del multiplicador de HDR, entregado como EXR que va directamente a un etalonaje. FastFrames no puede producir esta toma a ningún precio.

• Un clip silencioso de cinco segundos a 480p: FastFrames, una B200 durante 2,9 segundos de tiempo real en el modelo pequeño, u ocho B200 durante 3,6 segundos en el grande. Ray 3.2 no genera a 480p en absoluto; su mínimo es 540p.

• Diez segundos de cualquier cosa: Ray 3.2 solo a partir de texto, a 1080p o menos. FastFrames llega a los diez segundos encadenando dos bloques de 81 fotogramas y confiando en que la unión se mantenga.

• Noventa tomas de la misma escena — aquí es donde la economía se invierte. Ray 3.2 cobra por clip, así que cien intentos cuestan cien clips. FastFrames cobra por segundos de GPU, así que cien intentos cuestan cien veces 2,9 segundos de una máquina que ya alquilas.

• El hardware que no tiene — FastFrames requiere Linux x86-64, una GPU NVIDIA y CUDA 12.8, y el repositorio incluye una ruta de inferencia funcional, un script de benchmark de latencia, un flujo de trabajo de evaluación VBench y una aplicación de demostración. Nada de eso es un servicio alojado.

Esa línea de las noventa tomas es la verdadera distinción. La facturación por clip le pone precio a un entregable; la facturación por segundo de GPU le pone precio a la exploración. Si tu proceso es "generar hasta que esté bien", el segundo modelo es un orden de magnitud más barato y peor en todos los demás ejes. Si tu proceso es "generar una sola cosa que tiene que sobrevivir a una calificación", el primer modelo es el único de los dos que puede hacer el trabajo.

La licencia decide más que la ficha técnica.

Los pesos de FastFrames están sujetos a los términos AMLR de Apple, y los componentes de demostración de LingBot-World v2 en el mismo repositorio son CC BY-NC-SA 4.0, es decir, no comerciales. El resto está bajo la Licencia de Código de Muestra de Apple. "Pesos abiertos" y "libre para comercializar" no son sinónimos, y esta versión es deliberadamente cuidadosa con esa diferencia de un modo en que Ray 3.2, vendido bajo un contrato de API comercial con un nivel Build y un nivel Scale con SLA, simplemente no lo es.

Así que la cuestión de la compra va en sentido contrario a la técnica. Ray 3.2 te pide que aceptes una relación con un proveedor: tarifas por servicio, términos de servicio, compromiso de rendimiento si compras Scale, un endpoint que puede cambiar bajo tus pies. FastFrames te pide que leas tres licencias y asumas la responsabilidad de las GPU. Para un estudio que ya cuenta con un proceso de revisión legal para proveedores de API, la primera es más fácil. Para un grupo de investigación que ya tiene B200s y un responsable de cumplimiento al que le encanta leer licencias, la segunda lo es.

Dónde corresponde cada uno y la pregunta que cambiaría esto

Coloca Ray 3.2 al final del pipeline y FastFrames al principio, y ambos dejan de competir. Ray 3.2 es lo que eliges cuando el montaje existe, el pipeline de color es real y la toma tiene que salir del otro lado siendo graduable a 10 bits o mejor — aceptando clips HDR de 1080p y cinco segundos, sin audio generado, y una factura por clip que se multiplica con el rango dinámico. FastFrames es lo que eliges cuando el bucle es el producto: una vista previa en vivo, un modelo del mundo controlable, un avatar que responde dentro de una sesión — aceptando 480p, silencio, sin entradas de referencia, y una licencia que tienes que leer antes de lanzarlo.

Ninguno de estos es una ruta en OrcaRouter, y este artículo no afirma lo contrario. Lo que sí se alcanza con una sola clave es la capa de video alojada que ya funciona hoy —MiniMax H3 a $0.08 por segundo en 768p y $0.13 en 2K, y la familia Kling 3.0 — junto con más de 200 modelos de lenguaje, a los precios de lista del proveedor trasladados con un 0 % de margen de beneficio, de modo que un recorte de tarifas del proveedor llega aquí el mismo día en que se anuncia, con conmutación por error automática si un endpoint se degrada a mitad de la cola. Para un equipo que evalúe cualquiera de los dos modelos anteriores, esa es la forma económica de medir cómo es un perfil real de latencia y costo antes de comprometer presupuesto de GPU o un contrato de Scale a una hipótesis.

Lo que zanjaría esta comparación no es una demo mejor de ninguna de las dos partes. Es una medición independiente de Ray 3.2 en la arena de imagen a vídeo, para que el modelo final tenga al menos un número, y una reproducción del 84.4 de FastFrames por alguien que no trabaje en Apple ni en Cornell. Hasta que existan ambas cosas, la base honesta para elegir es el entregable, y en ese eje estos dos modelos no están lo bastante cerca como para confundirlos.

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.