Tarjeta principal que compara FastFrames Video Generation y Seedance 2.5, con la tarjeta izquierda mostrando «81 fotogramas, 5,06 s», «832x480, sin audio» y «36 ms por fotograma», y la tarjeta derecha mostrando «30 segundos en una sola ejecución», «30 referencias de imagen y 10 de vídeo» y «facturado por tokens», con el logotipo de OrcaRouter en la esquina inferior derecha.
Engineering & Research

FastFrames Video Generation vs. Seedance 2.5: treinta segundos frente a ochenta y un fotogramas

Autor

jinhao.song

Fecha de publicación

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

Un encargo de treinta segundos y un presupuesto de ochenta y un fotogramas son dos respuestas diferentes a la misma pregunta, y la pregunta no es «a qué velocidad». Seedance 2.5, la propuesta de formato largo de ByteDance del 31 de julio de 2026, genera treinta segundos en una sola ejecución y los prolonga más allá de eso a lo largo de varios turnos, leyendo hasta 30 referencias de imagen, 10 referencias de vídeo y 10 clips de audio como contexto. FastFrames Video Generation, el lanzamiento de Apple del 16 de noviembre junto con Cornell, genera 81 fotogramas a 832×480 y 16 fotogramas por segundo —5,06 segundos— en unos 2,9 segundos de reloj real en una sola B200, sin ningún tipo de entrada de referencia. Si alguna vez ha visto a un director intentar sostener una interpretación a través de un corte, ya sabe cuál de esas dos cifras es el problema de ingeniería más difícil y cuál es el problema de planificación más difícil. Esta página trata del segundo, porque es el que decide los presupuestos.

Dos filosofías de medición, y ninguna es una lista de precios

Empieza por cómo factura cada modelo, porque las unidades no son convertibles y toda comparación que pretenda lo contrario no es más que aritmética sobre un error de categoría.

Seedance 2.5 — se factura en tokens de vídeo por ByteDance según la tarifa oficial, publicada a través de Volcano Engine Ark en China y BytePlus ModelArk a nivel internacional. El coste de un clip depende de la resolución, la duración y el uso real de tokens, por lo que una cifra por segundo solo es válida para una resolución y una duración determinadas. Las tomas fallidas se facturan igual que las exitosas.

• Hosts de terceros para Seedance 2.5: cada uno añade su propio margen y publica su propia tarifa por segundo o por clip, por lo que una docena de páginas da una docena de cifras y ninguna es la del proveedor.

• FastFrames — sin medición. Tú compras la GPU. Una B200 para el modelo de 1.3B, ocho para el de 14B y mantener la interactividad. Una generación que falla cuesta los mismos segundos que una que tiene éxito, y ambas se miden en electricidad en lugar de dólares por salida.

• El único dato independiente: Artificial Analysis registra Dreamina Seedance 2.5 a 34,12 USD por minuto en la tabla de texto a vídeo y a 40,82 USD en edición, con datos del 8 de octubre de 2026. Esa columna es el coste de un minuto de salida en 1080p con la configuración predeterminada del modelo, y Seedance 2.5 usa por defecto la configuración más larga y pesada para la que está tarifada su tabla de precios. Úsalo para órdenes de magnitud, no para una línea de presupuesto.

Lo que significa que la afirmación honesta es que uno de estos modelos tiene un precio que no se puede predecir desde fuera y el otro no tiene precio en absoluto. La imprevisibilidad de FastFrames está de tu lado del balance —sabes cuántas horas de GPU has consumido— y la de Seedance 2.5 está del lado del proveedor, porque el número de tokens depende de cómo elija el modelo gastar tokens en tu prompt. Entre esos dos, el segundo es el más peligroso a la hora de planificar.

Qué compra realmente el presupuesto de referencia

Los números de referencia publicados parecen un concurso de especificaciones y, en realidad, son una declaración de capacidad.

• Imágenes: Seedance 2.5 admite hasta 30, frente a las cero de FastFrames. En FastFrames no existe ningún mecanismo de condicionamiento por imagen.

• Vídeo — hasta 10 clips como referencias. Este es el que cambia para qué sirve el modelo: un conjunto de referencias que incluye movimiento, ritmo y comportamiento de cámara extraídos de metraje existente es un objeto distinto de un conjunto de referencias que solo aporta apariencia.

• Audio: hasta 10 clips. Seedance 2.5 genera con sonido; FastFrames es silencioso y no existe una ruta de audio en la configuración publicada.

• Longitud del prompt: no hay un límite publicado que importe a este nivel de especificidad para Seedance; FastFrames acepta un prompt de texto y una semilla, y su ventana de 81 fotogramas significa que describes un plano continuo en lugar de una escena.

Treinta segundos con una referencia de vídeo son un plano que puedes dirigir. Ochenta y un fotogramas a partir de un prompt son un plano que puedes muestrear. Ambos son métodos de producción legítimos; no son el mismo trabajo, y el presupuesto de referencia es lo que los convierte en trabajos diferentes en lugar de niveles de calidad distintos.

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

Por qué una ventana de cinco segundos no es la limitación que parece

Cinco segundos suenan a descalificación frente a treinta, y la arquitectura es la razón por la que es menos malo de lo que parece al leerlo — y también la razón por la que no puede arreglarse pidiendo más fotogramas.

FastFrames es autorregresivo: cada bloque de 81 fotogramas está condicionado por el anterior, y esa es la razón por la que los clips se encadenan. La contribución de los autores no es un transformer más rápido, sino la eliminación de los dos componentes que lo rodean y que nunca fueron lo esencial. Un decodificador de píxeles de 63,87 millones de parámetros sustituye al decodificador VAE y hace pasar la decodificación de unos 147 milisegundos por fotograma a aproximadamente 1. Una pequeña red de refinamiento sustituye la actualización de la caché KV, que supone 2 milisegundos en el modelo de 1,3B y 6 en el de 14B. El propio transformer permanece congelado en la etapa final. En el modelo pequeño, 271,8 milisegundos por fotograma pasan a 35,8.

El encadenamiento, sin embargo, no es extensión. No hay fotograma clave, ni fotograma inicial, ni fotograma final, ni imagen de referencia, ni clip que continuar; así que una secuencia de un minuto construida con FastFrames son once bloques encadenados sin ningún mecanismo para mantener la cara de un personaje, un vestuario o una dirección de luz a través de las uniones. Treinta segundos en una sola ejecución le dan a Seedance 2.5 una única ventana de contexto en la que la consistencia es un problema del modelo y no del editor. Esa diferencia vale más de lo que sugiere la cifra de duración multiplicada por seis, y no es algo que las mejoras de hardware vayan a cerrar.

Adónde te lleva la velocidad y adónde no

Convierte 36 milisegundos a las unidades que le importan a alguien de producto, y el panorama resulta más acotado y más interesante que el titular.

• FastFrames-S en una B200: 36 milisegundos por fotograma, unas 28 solicitudes por segundo, un clip de 5 segundos en 2,9 segundos. Más rápido que la reproducción por un factor de aproximadamente 1,7.

FastFrames-L en ocho B200 — 45 milisegundos por fotograma, unas 22 solicitudes por segundo, 3,6 segundos para el mismo clip.

• FastFrames-L en una GPU: 158 milisegundos por fotograma, es decir, 12,8 segundos para un clip de 5 segundos. Más lento que verlo. El modelo grande solo es interactivo a través de un nodo.

• A 720p: 127 milisegundos en el modelo pequeño y 116 en el grande con ocho GPU. Ahí es donde termina la interactividad de flujo único.

• En H100 en lugar de B200 — una penalización del 25 al 50 por ciento según la estimación del propio artículo, lo que deja al modelo pequeño en torno a 45 a 54 milisegundos por fotograma.

Seedance 2.5 no publica nada comparable, porque se vende en segundos de salida en lugar de en fotogramas por segundo de tiempo real, y ningún tercero ha publicado una latencia por fotograma para él que esta página pueda verificar. Esa asimetría no es una crítica; es un recordatorio de que los dos modelos están instrumentados para responder a preguntas diferentes.

Lo que dice el registro independiente, en el único lado donde existe

Seedance 2.5 tiene un puesto en la junta directiva y FastFrames no, y ambos hechos deben decirse con claridad.

En el tablero de edición de video de Artificial Analysis, leído el 8 de octubre de 2026, Seedance 2.5 ocupa el segundo lugar con 1,161 de Elo sobre 5,162 votos —editando un clip a partir de una instrucción de texto con el audio conservado—. Eso está aguas abajo de la capacidad de referencia de video, y es el tipo de número que significa algo concreto: varios miles de personas eligieron su resultado por encima del resultado de otro modelo en una tarea que se pidió a ambos realizar. No es un veredicto sobre la calidad en general, y no te dice cuánto costó el clip.

FastFrames no tiene entrada en la tabla de clasificación porque no tiene host. Apple publicó los pesos y ningún endpoint, así que ninguna prueba de preferencia puede servírselo a los votantes, y la afirmación sobre la calidad del modelo se basa enteramente en la Tabla 1 de sus propios autores: totales de VBench de 84,23 para FastFrames-S y 84,44 para FastFrames-L frente a 84,11 para la línea base Causal Forcing++ a 272 milisegundos por fotograma, con Wan2.2 14.3B en 84,65. Sin reproducir, y sobre un benchmark que premia exactamente la suavidad temporal que los modelos autorregresivos están hechos para producir. La dispersión en toda la tabla de Apple es de unos dos puntos y medio, mientras que la dispersión de latencia entre los mismos modelos es de cuatro órdenes de magnitud —lo que constituye el argumento más sólido del artículo, y es un argumento sobre lo que miden los benchmarks más que sobre la calidad de FastFrames.

Costeo de un brief real

Pon un trabajo real frente a ambos y las unidades chocan de un modo más útil que cualquier tabla.

• "A thirty-second product film with a locked voice-over" — Seedance 2.5 can do it in one run with multi-turn extension, taking the voice as an audio reference and the product stills as image references. FastFrames cannot hold the audio, cannot take the stills, and would need several chained blocks whose seams you would then have to hide. The job goes to one model on capability grounds before price enters the conversation.

• «Cien variaciones de un bucle de cinco segundos para una pantalla interactiva»: FastFrames en una B200 produce cada una en menos de tres segundos de reloj, con un coste marginal que supone un error de redondeo una vez amortizada la tarjeta. Seedance 2.5 facturaría cien generaciones, varias de las cuales serían rechazadas, conforme a una lista de tarifas que no publica una cifra limpia por segundo con la que planificar.

• «Una toma principal que tiene que parecerse al metraje que ya hemos montado» — Seedance 2.5, porque la referencia de vídeo es la única forma de dirigir a cualquiera de los dos modelos hacia metraje existente. FastFrames no tiene forma de pasar de un clip de entrada a un clip de salida.

• «Demostrar el concepto de interacción antes de comprar hardware»: ninguno de los dos, directamente. El coste por segundo de Seedance 2.5 solo se puede conocer a posteriori, y FastFrames necesita el hardware primero. La opción barata es hacer un prototipo con un modelo que tenga una tarifa por segundo publicada y una cifra de latencia real, y luego decidir.

OrcaRouter no sirve FastFrames — no hay ningún endpoint alojado para los pesos de Apple en ningún sitio, lo que es una afirmación sobre el lanzamiento más que sobre el enrutamiento. Lo que una clave sí alcanza hoy es la capa de vídeo alojada con tarifas publicadas: MiniMax H3 a 0,08 USD por segundo en 768p y 0,13 USD en 2K, y la familia Kling 3.0, junto a más de 200 modelos de lenguaje en un único endpoint compatible con OpenAI a precio de lista del proveedor con 0 % de recargo. Seedance 2.5 tampoco es una ruta aquí — ByteDance lo vende a través de sus propias plataformas y la tarjeta de tokens es suya — y esta página no pretende lo contrario. El uso práctico de ese catálogo en esta comparación es la medición: obtener una línea base real de latencia y coste a partir de un modelo cuyo medidor puedas leer, antes de comprometerte con una flota de GPU o con una factura de tokens que no puedas prever.

La cuestión abierta, y se trata de metros más que de modelos.

Si ByteDance publicara una tabla de ejemplo de tarifas por token con más configuraciones, la asimetría entre el cobro por consumo y la previsibilidad sería mucho más fácil de planificar, y un lector podría por fin comparar Seedance 2.5 con un modelo por segundo sin hacer por él las cuentas del proveedor. Si Apple alojara FastFrames a cualquier precio, el modelo obtendría una entrada en la arena y una cifra de latencia medida por otra persona —las dos cosas que permitirían juzgar sus 36 milisegundos en lugar de admirarlos.

Ninguna de las dos ha ocurrido. Hasta que una lo haga, la manera de elegir es fijarse en cuál es la pregunta que realmente estás haciendo. Treinta segundos en una ejecución responden a «¿puede este modelo mantener una escena coherente?». Treinta y seis milisegundos por fotograma responden a «¿puede este modelo seguir el ritmo de una persona?». Ambas son difíciles, ambas merecen que se pague por ellas, y ninguna tarifa única pone precio a las dos.

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.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.