Tarjeta destacada para una comparación de FastFrames Video Generation y MiniMax H3, con tres insignias a la izquierda que dicen '36 ms por fotograma', '832x480, silencioso' y '81 fotogramas', y tres a la derecha que dicen '1.181 Elo de imagen a vídeo', 'audio estéreo nativo' y '$0,08 por segundo', con el logotipo de OrcaRouter en la esquina inferior derecha.
Engineering & Research

FastFrames Video Generation vs MiniMax H3: tres placas contra un cronómetro

Autor

Gideon Frost

Fecha de publicación

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

Hay una versión de esta comparación que pone dos modelos de vídeo uno al lado del otro y elige el más rápido, y tardaría unas cuatrocientas palabras. También sería incorrecta, porque MiniMax H3 es un modelo que puedes invocar por segundo y FastFrames Video Generation es un conjunto de pesos que descargas y ejecutas en hardware que posees. H3 se lanzó el 31 de julio de 2026 como un sistema ómnimodal que lee referencias de texto, imagen, vídeo y audio como un único contexto, genera sonido estéreo nativo y ocupa el segundo puesto en la tabla de imagen a vídeo de Artificial Analysis, con 1.181 Elo y 7.284 votos, según datos consultados el 8 de octubre de 2026. FastFrames llegó el 16 de noviembre en forma de dos checkpoints, 1.3B y 14B, destilados a partir de Wan2.1 para producir un fotograma de 480p en 36 milisegundos —y no aparece en ninguna tabla independiente en absoluto. Lo que los separa no es la calidad. Es que uno de ellos es un producto con un registro público en una tabla de clasificación y el otro es un artículo con un cronómetro.

Tres consejos, un modelo y lo que cada consejo realmente está preguntando

Vale la pena enunciar con precisión las posiciones de H3, porque la cifra que la gente cita suele ser la incorrecta.

• Imagen a vídeo — segundo con 1.181 Elo sobre 7.284 votos, por detrás de MiniMax H3 Max con 1.195 y por delante de Vidu Q4 Preview con 1.179. Dieciséis puntos separan a los tres primeros, lo que está dentro de los intervalos; eso es un empate disfrazado de podio.

• Texto a vídeo — cuarto con 1.137 Elo y 8.315 votos. La tabla más débil del modelo, y en la que competiría un modelo de investigación de 480p y sin audio si tuviera una entrada.

• Edición de vídeo — cuarto puesto con 1.119 Elo y 7.023 votos, en una clasificación que evalúa modelos en la edición de un clip a partir de una instrucción de texto conservando el audio.

Tres apariciones significan que se enviaron y midieron tres capacidades diferentes: generar a partir de una imagen fija, generar a partir de texto y transformar metraje que ya existe. La tercera es la que más importa para esta comparación, porque requiere aceptar video como entrada, y FastFrames no acepta nada más que texto.

El precio figura en nuestra propia ficha de modelo: $0.08 por segundo en 768p y $0.13 por segundo en 2K, lo que equivale a $4.80 y $7.80 por minuto — el mismo par de cifras que aparece en la columna de precios de la arena, y el mismo modelo en dos niveles de resolución en lugar de una versión premium y una barata. Un clip de 5 segundos en 768p cuesta $0.40.

Qué no incluyen 36 milisegundos

La velocidad de FastFrames es real y no es una velocidad de propósito general, y la arquitectura explica por qué de una manera que una lista de especificaciones no lo hace.

Ambos checkpoints son modelos de difusión de video autorregresivos destilados de Wan2.1 mediante una receta llamada Causal Forcing++. Los autores dejaron el transformer de difusión casi intacto y reemplazaron las dos piezas que lo rodeaban y que nunca fueron lo esencial. El decodificador VAE —unos 147 milisegundos por fotograma en la línea base de Causal Forcing++— pasa a ser un decodificador de píxeles de 63,87 millones de parámetros que emite fotogramas directamente y se queda cerca de 1 milisegundo. La actualización de la caché KV pasa a ser una pequeña red de refinamiento que cuesta 2 milisegundos en el modelo de 1,3B y 6 en el de 14B. El transformer se congela durante la etapa final.

En el modelo pequeño, eso reduce de 271,8 milisegundos por fotograma a 35,8. En una sola B200, FastFrames-S ejecuta unas 28 solicitudes por segundo y produce un clip de 5,06 segundos en 2,9 segundos. El 14B mantiene 45 milisegundos por fotograma solo con ocho B200; en una sola GPU degrada a 158 milisegundos por fotograma, lo que es más lento que ver el resultado. A 720p, son 127 milisegundos en el modelo pequeño, y el artículo sitúa la penalización de la H100 entre el 25 y el 50 por ciento.

Lo que la cifra no contempla es todo aquello en lo que H3 emplea su tiempo. FastFrames no produce audio. Se condiciona únicamente con texto —sin fotograma inicial, sin fotograma final, sin imagen de referencia y sin clip que extender o reestilizar—. Genera 81 fotogramas a 832×480 y 16 fotogramas por segundo, y encadena bloques en lugar de ofrecer control de fotogramas clave o de cámara. Tres de las cuatro modalidades de entrada que acepta H3 no existen en la ruta de inferencia de FastFrames.

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.

Por qué la velocidad sigue valiendo algo aun así

Sería fácil descartar FastFrames después de la sección anterior, y esa sería una lectura equivocada. La cifra no es un dato de marketing; cambia qué tipo de producto es posible.

A 36 milisegundos por fotograma en una B200, una generación termina antes de que puedas verla. Ese es el umbral en el que un bucle de vista previa deja de ser un trabajo por lotes y se vuelve interactivo: escribes, ves, ajustas y la máquina sigue el ritmo del ajuste. Un modelo de 14B a 45 milisegundos en un nodo llega a ese punto en el sentido del rendimiento por lotes, pero la latencia de un solo flujo que una persona realmente percibe es propiedad del modelo pequeño. Nada en la superficie publicada de H3 aborda ese caso de uso, porque H3 se mide en segundos de metraje terminado en lugar de en fotogramas producidos por segundo de reloj —las dos no son la misma medición y la tarifa no permite derivar una de la otra.

Hay una consecuencia de segundo orden que el artículo hace explícita. El decodificador de píxeles se entrena por modelo base, pero el principio —congelar el transformer, aprender la plomería— ya se ha portado a sistemas de terceros en los propios experimentos del artículo, llevando a LingBot-World de 1.085 a 52 milisegundos por fotograma en la variante 1.3B y de 3.862 a 233 en la 14B. Eso es un resultado sobre una técnica, no un producto, y es la parte de este lanzamiento con el alcance más amplio.

El estado honesto de la evidencia en cada lado

Aquí es donde la comparación deja de ser discutible en ningún sentido, y vale la pena ser contundente sobre ambas mitades.

Todo lo que FastFrames afirma sobre la calidad proviene de sus propios autores. Los totales de VBench en la Tabla 1 son 84,23 para FastFrames-S y 84,44 para FastFrames-L, frente a 84,11 del modelo de referencia con 272 milisegundos y 84,65 para Wan2.2 14.3B con 117.734 milisegundos. Ningún tercero independiente los ha reproducido. VBench premia la suavidad temporal que los modelos autorregresivos están diseñados para producir, y toda la dispersión en la propia tabla de Apple es de unos dos puntos y medio, mientras que la dispersión de latencia entre esos mismos modelos abarca cuatro órdenes de magnitud. Lea la tabla como una afirmación de paridad, no como una medición de esta.

Las posiciones de H3 en la tabla conllevan recuentos de muestras e intervalos de confianza, lo que constituye una forma de evidencia más sólida y también más limitada. Una tabla de preferencias te dice qué resultado eligió la gente cuando se le mostraron dos clips; no te dice cuánto costó producir cada clip, si el sonido estaba sincronizado ni si el modelo sobreviviría a una ráfaga de 40 solicitudes a 2K. La dispersión de dieciséis puntos en la parte superior de la tabla de imagen a vídeo es un buen recordatorio de que estos números clasifican percepciones, no capacidades, y de que cualquier página que declare un ganador a partir de una diferencia de dieciséis puntos con intervalos de ±10 está leyendo ruido.

Así que la comparación se reduce a esto: un modelo ha sido votado por miles de personas y tiene un precio por segundo, y el otro tiene un cronómetro, un archivo de licencia y un artículo. Son tipos de evidencia diferentes y ninguno sustituye al otro.

Dos vías de adquisición que no se parecen entre sí

Comprar tiempo en H3 y ejecutar FastFrames apenas implican pasos compartidos, que es la razón práctica por la que rara vez terminan en la misma decisión.

• H3 — una tarifa por segundo en un endpoint alojado, de $0,08 a 768p y $0,13 a 2K, en la propia API del proveedor y a través de varias plataformas de terceros. Sin hardware, sin revisión de licencias, sin CUDA. Lo enrutamos como minimax/minimax-h3 en la API pública de modelos, facturado a la tarifa de lista del proveedor transferida sin añadir nada, e invocable en el mismo endpoint compatible con OpenAI que los modelos de lenguaje del catálogo.

• FastFrames — Linux x86-64, una GPU NVIDIA, CUDA 12.8, luego uv sync y una invocación de scripts/generate.py con un directorio de checkpoint y una semilla. Los pesos conllevan los términos AMLR de Apple; los componentes de demostración de LingBot-World v2 en el mismo repositorio son CC BY-NC-SA 4.0, lo cual es no comercial; el resto está bajo la Apple's Sample Code Licence. Apple también publicó todos los checkpoints de las etapas de entrenamiento del modelo grande, lo cual es inusual y hace que el lanzamiento sea reproducible de una forma en que la mayoría de los lanzamientos de pesos abiertos no lo son.

• El coste oculto en ambos lados — el medidor por segundo de H3 corre tanto si la toma fue buena como si no, y una toma rechazada se factura igual que una aceptada. El medidor de GPU de FastFrames funciona de la misma manera, pero a una tasa marginal que es un error de redondeo si el hardware ya está amortizado y un gran coste fijo si no lo está.

Una consecuencia práctica de los precios de traspaso por nuestra parte: cuando MiniMax cambia una tarifa por segundo, ese cambio se ve en la ruta el mismo día en lugar de en la renovación del contrato. FastFrames no tiene ninguna tarifa que cambiar.

Para qué sirve cada uno, expresado como una frase que puedas poner en práctica.

Elige MiniMax H3 cuando la entrada sea cualquier cosa que no sea un prompt de texto, cuando el entregable necesite sonido o cuando un clip de quince segundos con extensión multiturno se acerque más a tu plano que 81 fotogramas de 480p. Es el único de los dos que puede editar metraje, el único que genera audio y el único cuya afirmación de calidad ha sido probada por personas que no trabajan para la empresa que lo creó. Además, su tarifa de 2K es más barata que la de la mayoría del sector en ese nivel.

Elige FastFrames cuando el bucle sea el producto y el fotograma no sea el entregable — una vista previa en directo, un modelo del mundo controlable, un avatar que tenga que responder dentro de una sesión, o un programa de investigación que quiera cambiar cómo decodifica una pila de vídeo causal en lugar de lo que genera. Acepta 480p, silencio, sin entradas de referencia y una licencia que tienes que leer antes de comercializar cualquier cosa.

FastFrames no se sirve a través de OrcaRouter, y esta página no afirma que así sea — no existe ningún endpoint alojado para los pesos de Apple. H3 es otro tema: lo enrutamos como minimax/minimax-h3, junto con la familia Kling 3.0 y más de 200 modelos de lenguaje, con una sola clave, al precio de lista del proveedor, con 0% de recargo y conmutación por error automática entre endpoints. Esa es la forma económica de averiguar si un modelo de vídeo por segundo encaja en tu pipeline antes de gastar el presupuesto de GPU de un trimestre en la alternativa.

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.

El único resultado que convertiría esto en una verdadera contienda

Dos cosas cambiarían la lectura, y ninguna es una mejor demo.

Lo primero es la aparición de FastFrames en un tablero de arena. Eso requiere que alguien lo aloje, y ahora mismo nadie lo hace: Apple publicó los pesos y ningún endpoint, así que no hay forma de que una prueba de preferencias lo sirva a los votantes. Hasta que eso ocurra, la afirmación de calidad del modelo se basa por completo en las cifras de VBench de sus autores, lo cual es una posición más débil que la que ocupa cualquier modelo en los tres tableros de H3.

El segundo es que MiniMax publique una cifra de latencia. La tarifa de H3 está denominada en segundos de salida, y en ninguna parte de esa estructura hay un costo por fotograma que un lector pueda comparar con 36 milisegundos. Si MiniMax o un evaluador independiente publicaran fotogramas por segundo a una resolución y una GPU determinadas, los dos modelos por fin serían medibles en un eje común. No lo han hecho, y no va en el interés comercial del proveedor empezar a hacerlo.

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.