Tarjeta destacada que compara FastFrames Video Generation y Vidu Q4 Preview, con la tarjeta izquierda que muestra «832x480, sin sonido», «36 ms por fotograma» y «solo prompt de texto», y la tarjeta derecha que muestra «hasta 4K», «15 referencias de imagen, 3 referencias de audio» y «de 3 a 16 segundos», con el logotipo de OrcaRouter en la esquina inferior derecha.
Guides & Insights

Generación de video de FastFrames vs Vista previa de Vidu Q4: una vista previa en 4K contra un bucle en 480p

Autor

jinhao.song

Fecha de publicación

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

Vidu Q4 Preview es el raro de esta serie, porque la palabra de su nombre hace un trabajo real: es una compilación de vista previa, publicada el 7 de octubre de 2026 por Shengshu Technology, y el propio material de Shengshu la presenta como la versión que recoge los comentarios que dan forma al modelo final. FastFrames Video Generation tampoco es un producto, pero por la razón opuesta: es investigación terminada publicada como pesos el 16 de noviembre, sin endpoint, sin precio y sin hoja de ruta hacia ninguno de los dos. Si los pones lado a lado, obtienes dos modelos que están ambos no disponibles en el sentido que le importa a un responsable de compras, en lados opuestos de la misma brecha: Vidu Q4 Preview tiene una API en producción y una tarifa y será sustituido; FastFrames no tiene ninguna API y no lo será. Lo que sigue trata de cuál de esas dos ausencias te cuesta más.

La tarjeta de tarifas es lo primero verdaderamente comparable

Vidu Q4 Preview es uno de los pocos modelos de este sector que publica una tarifa por segundo según el nivel de resolución, lo que hace que su cálculo sea legible de un modo en que el de la mayoría de sus competidores no lo es.

• 540p — 9 créditos por segundo, aproximadamente $0.045 según la tarifa estándar de créditos publicada por Shengshu de $0.005.

• 720p — 19 créditos por segundo, aproximadamente $0.095.

• 1080p — 24 créditos por segundo, aproximadamente $0.12.

• 2K — 38 créditos por segundo, aproximadamente $0.19.

• 4K — 78 créditos por segundo, aproximadamente $0.39, o alrededor de $0.72 por un clip de dieciséis segundos a la tarifa de lista antes de descuentos.

• FastFrames — nada. Sin tarifa, sin host, sin cola. El costo es un B200 durante 2,9 segundos de tiempo real en el modelo pequeño, u ocho B200 durante 3,6 segundos en el grande, por cada clip de 5 segundos.

Vale la pena señalar dos cosas sobre la curva de Vidu porque son fáciles de malinterpretar. La cifra de $0.014 por segundo que acompañó al anuncio de lanzamiento corresponde al nivel de 540p con una tarifa de créditos con descuento, no a una tarifa general. Y la plataforma está ofreciendo descuentos por paquete por tiempo limitado de hasta el 30 % en paquetes de créditos, lo que desplaza todos los niveles hacia abajo a la vez en lugar de cambiar la forma de la curva. Haga sus planes con base en la curva de tarifas de lista; considere el descuento como un ajuste temporal que puede que ya no esté cuando se lance su proyecto.

La comparación que se desprende no es «uno es más barato». Vidu Q4 Preview tiene un piso —un nivel de bloqueo en 540p con un precio pensado exactamente para lo que se usa: probar una composición antes de pagar por un render a resolución completa—, y FastFrames no tiene niveles en absoluto, porque no tiene superficie de facturación. Si tu trabajo implica iterar un plano a baja resolución antes de comprometerte, el nivel de 540p de Vidu es una función real del producto y el 480p fijo de FastFrames no es lo mismo, aunque los números sean cercanos.

Dos modelos diseñados para extremos opuestos de un mismo encargo.

Las listas de capacidades apenas se solapan, y ese es el dato más útil de esta comparación.

• Resolución — Vidu Q4 Preview genera de forma nativa en 540p, 720p, 1080p, 2K y 4K, con color de 10 bits en los dos niveles superiores. FastFrames es de 832×480, sin ajustes ni vía de escalado.

• Duración — Vidu Q4 Preview se ejecuta de 3 a 16 segundos en Imagen a Vídeo y de 1 a 16 segundos en Referencia a Vídeo. FastFrames consta de 81 fotogramas a 16 fps, 5,06 segundos, y solo se amplía mediante encadenamiento.

• Entradas: Vidu Q4 Preview documenta dos endpoints, /ent/v2/img2video y /ent/v2/reference2video, que aceptan hasta 15 imágenes entre personajes, escenas y estilo, además de hasta 3 referencias de audio mp3 de 3 a 12 segundos para clonación de voz. FastFrames toma un prompt de texto y una semilla. No es un presupuesto de referencias más pequeño: no hay presupuesto de referencias.

• Cobertura de modos — Vidu Q4 Preview no documenta ninguna ruta de texto a vídeo ni ninguna ruta de edición de vídeo. FastFrames solo admite texto a vídeo. Entre ambas, todo modo que le falta a una falta en las dos.

• Audio — Vidu Q4 Preview genera audio y vídeo juntos, con un parámetro de audio en el endpoint de imagen a vídeo que produce diálogos y efectos de sonido, además de consistencia de voz de referencia. FastFrames no tiene audio.

• Latencia — FastFrames publica 36 milisegundos por fotograma en una B200, 45 en ocho para el 14B, y 158 milisegundos en una sola GPU para el modelo grande. Vidu Q4 Preview no publica ninguna cifra de latencia por fotograma que esta página pueda verificar.

Lean esas seis líneas en conjunto y los dos modelos son casi complementarios. Vidu Q4 Preview es el que mantiene un elenco, genera sonido y ofrece 4K; FastFrames es el que produce fotogramas más rápido de lo que puedes verlos, a partir de texto, a 480p y en silencio. Ninguno sustituye al otro en ninguna de las seis.

A two-column scoreboard comparing FastFrames and Vidu Q4 Preview across six dimensions: resolution 832x480 against up to 4K, clip length 81 frames against 3 to 16 seconds, image references none against up to 15, audio references none against up to 3, audio none against generated dialogue and sound, and price GPU time you supply against 9 to 78 credits per second.

La postura del consejo, y por qué es una advertencia y no un veredicto

Vidu Q4 Preview tiene una puntuación independiente y merece leerse con atención en lugar de citarse.

En el tablero de imagen a video de Artificial Analysis, consultado el 8 de octubre de 2026, ocupa el tercer puesto con 1.179 de Elo y 5.543 votos. El primero es MiniMax H3 Max con 1.195, y el segundo es MiniMax H3 con 1.181. Dieciséis puntos separan al primero del tercero, con intervalos de aproximadamente ±10 y ±11. Eso es un empate estadístico disfrazado de podio, y cualquier página que abra declarando un ganador en ese tablero está leyendo ruido. Lo que sí establecen los votos es que el resultado de Vidu Q4 Preview es competitivo con lo más alto del campo en una tarea que miles de personas ya han juzgado.

FastFrames no tiene tal registro y no puede adquirir uno mientras no esté alojado. Su afirmación de calidad son los propios números VBench de sus autores —84,23 para el checkpoint de 1,3B y 84,44 para el de 14B, frente a 84,11 para la línea base Causal Forcing++ a 272 milisegundos por fotograma y 84,65 para Wan2.2 14,3B a 117.734 milisegundos. Nadie independiente los ha reproducido, y VBench premia la suavidad temporal en la que los modelos autorregresivos son buenos. Toda la dispersión de calidad de la tabla es de unos dos puntos y medio; su dispersión de latencia es de cuatro órdenes de magnitud. Ese es un argumento justo de que el benchmark ha dejado de discriminar, y una manera injusta de afirmar que un modelo es tan bueno como sus vecinos.

Una advertencia más sobre la cifra de Vidu en concreto: los votos son de octubre de 2026 y se emitieron respecto a un conjunto de modelos que desde entonces ha cambiado. Un modelo que entre en la arena más tarde, o una versión preliminar que sea sustituida por una versión final, reordena la clasificación sin que ninguno de los modelos listados mejore ni empeore. Lea siempre la fecha junto con la cifra.

Lo que te cuesta la «vista previa» y lo que te cuesta la «versión de investigación»

Ambas etiquetas son honestas y ambas tienen consecuencias comerciales que vale la pena detallar.

Una compilación de vista previa implica un riesgo de licenciamiento y continuidad. Los precios y la disponibilidad de funciones de Vidu Q4 Preview son, según el propio planteamiento de Shengshu, aspectos que se definen en la versión completa; esto significa que la tarifa sobre la que presupuestas hoy puede no ser la que te facturen en seis meses, y una función sobre la que construyas puede cambiar de forma. La ventaja compensatoria es que la vista previa existe: hay una API, hay documentación, hay dos endpoints con nombre, hay una vía de soporte y hay una dirección de avance declarada.

Un lanzamiento de investigación es un riesgo distinto. Los pesos de FastFrames están sujetos a los términos AMLR de Apple, los componentes de demostración de LingBot-World v2 en el mismo repositorio son CC BY-NC-SA 4.0 —no comerciales— y el resto está bajo la Sample Code Licence de Apple. No hay endpoint, ni SLA, ni soporte, ni política de descontinuación, porque no hay servicio. Lo que obtienes a cambio es permanencia y capacidad de inspección: los pesos no se retirarán, el artículo no se reescribirá, y Apple publicó todos los checkpoints de las etapas de entrenamiento del modelo grande —el profesor causal, la etapa destilada por consistencia, la etapa destilada con DMD y el generador final con su decodificador de píxeles y su red de refinamiento KV—, lo que hace que el lanzamiento sea reproducible como casi ninguna otra cosa en este campo.

El requisito de hardware es la línea divisoria para la mayoría de los equipos. FastFrames necesita Linux x86-64, una GPU NVIDIA y CUDA 12.8, luego uv sync y un script de generación. Vidu Q4 Preview necesita una cuenta y una clave de API. Esa frase decide la comparación para más organizaciones que cualquier diferencia en Elo.

¿Cuál, por brief?

Elige Vidu Q4 Preview cuando el trabajo sea la consistencia del reparto y la voz, cuando la generación nativa en 4K con color de 10 bits sea un requisito de entrega, cuando la entrada sea un conjunto de referencias o una imagen fija en lugar de un prompt, o cuando un pase de bloqueo económico en 540p antes de comprometerse con la resolución completa sea la forma en que funciona realmente tu proceso. Acepta que es una vista previa, que el precio puede terminar siendo distinto y que no documenta ninguna ruta de texto a vídeo ni de edición.

Elige FastFrames cuando el bucle sea el entregable —una vista previa en vivo, un avatar en streaming, un modelo de mundo controlable— y cuando un silencio a 480p a partir de un prompt de texto sea la forma adecuada para el producto en lugar de un compromiso. Acepta la revisión de la licencia, la flota de GPU, la ausencia de entradas de referencia y el hecho de que nada en esta versión está orientado a un entregable a 1080p con sonido.

OrcaRouter no enruta Vidu Q4 Preview —no hay ningún identificador de Vidu en el catálogo— y no aloja FastFrames, que no tiene endpoint para que nadie lo enrute. Lo que una sola clave sí ofrece es la capa de vídeo alojada con tarifas publicadas por segundo: MiniMax H3 a 0,08 USD por segundo en 768p y 0,13 USD en 2K, y la familia Kling 3.0, junto con más de 200 modelos de lenguaje en un único endpoint compatible con OpenAI, a los precios de lista del proveedor trasladados sin margen y con conmutación por error automática entre endpoints. Para un equipo que sopesa una compilación de vista previa frente a un lanzamiento de investigación, ninguno de los cuales es una apuesta segura para producción hoy, ese catálogo es donde obtener una base estable por segundo antes de cualquiera de las dos decisiones.

¿Qué lo zanjaría?

Dos eventos y ningún otro. Un lanzamiento completo de Vidu Q4 que mantenga su posición en la tabla con la misma curva por segundo convertiría la vista previa en un compromiso de producción y eliminaría el riesgo de continuidad; un lanzamiento que añada un endpoint de texto a vídeo lo pondría en las mismas tablas que todo lo demás y haría que la comparación fuera directa. Por otro lado, que Apple aloje FastFrames a cualquier precio —o que lo aloje cualquier otro— le daría al modelo una entrada en la arena y una medición independiente de la latencia, que es lo único que permitiría a un lector juzgar 36 milisegundos frente a cualquier otra cosa en lugar de admirarlo de forma aislada.

Ninguna de las dos cosas ha ocurrido a la fecha de este escrito. Lo que deja la decisión donde suele estar: en el entregable, en la licencia y en si prefiere alquilar una vista previa o poseer un documento.

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.