Carte de titre principale pour une comparaison entre FastFrames Video Generation et Grok Imagine Video, avec des badges indiquant « 36 ms par image », « muet, 480p », « auto-hébergé », « jusqu’à 1080p », « audio et synchronisation labiale » et « 4,20 $ par minute », et le logo OrcaRouter en bas à droite.
Guides & Insights

FastFrames Video Generation vs Grok Imagine Video : tous deux autorégressifs, un seul est disponible

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Le plus proche équivalent technique que FastFrames Video Generation ait aujourd'hui en production est Grok Imagine Video, et la ressemblance n'est pas superficielle. Les deux génèrent de la vidéo de manière autorégressive — chaque bloc étant conditionné par les images qui le précèdent — et tous deux utilisent cette structure pour prolonger un clip plutôt que pour générer une fenêtre fixe. La version d'Apple, publiée le 16 novembre 2026 avec l'article le 17, l'utilise pour atteindre 36 millisecondes par image sur un seul GPU. Celle de xAI l'utilise pour permettre de faire durer un plan jusqu'à quinze secondes avec du son. La différence, c'est que l'une est un artefact de recherche téléchargeable et que l'autre est présente sur une API publique depuis janvier 2026, et c'est cette différence — pas le tableau de benchmarks — qui décide de la confrontation pour quiconque a une échéance.

Combien coûte chacun, dans les unités que vous utiliseriez réellement pour établir votre budget

FastFrames n’a pas de prix, car il n’y a rien à acheter. Les poids sont sur Hugging Face sous la licence AMLR d’Apple, et le seul coût est matériel : un B200 pour le modèle 1,3B ou huit pour le 14B afin de rester interactif, plus CUDA 12.8 et Linux. Grok Imagine Video est vendu à la seconde et rapporté par Artificial Analysis sous forme de tarif à la minute, ce qui rend l’arithmétique inhabituellement simple.

• Grok Imagine Video, version initiale — 4,20 $ par minute de vidéo générée, soit 0,07 $ par seconde. Un clip de 15 secondes coûte environ 1,05 $.

• Grok Imagine Video 1.5 — 8,40 $ par minute, 0,14 $ par seconde, environ 2,10 $ pour les mêmes quinze secondes.

• Grok Imagine Video 1.5 Lite dans le classement texte-vers-vidéo — également à 8,40 $ la minute, une anomalie tarifaire qu’il vaut la peine de signaler plutôt que de chercher à justifier.

• FastFrames-S — aucun tarif. Un B200 à environ 2 à 4 $ par heure-GPU, générant 28 clips de cinq secondes par seconde de temps réel dans la limite théorique, de sorte que le coût marginal s’approche de celui de l’électricité.

• FastFrames-L — idem, sur huit GPU, et c’est là que l’argument du « bon marché » devient plus difficile à défendre.

L'argument économique ne bascule en faveur de FastFrames qu'à volume, et seulement si vous possédez déjà les GPU. Pour une équipe qui loue, le seuil de rentabilité est si lointain que la latence doit être la raison de le choisir, et non le prix.

A two-column scoreboard comparing FastFrames and Grok Imagine Video across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against up to 1080p, audio none against joint audio and video, max length 81 frames about 5 seconds against 15 seconds, price GPU time only against $4.20 to $8.40 per minute, and access open weights against a hosted API.

Là où Grok Imagine Video est tout simplement en avance

Trois fonctionnalités déjà livrées que FastFrames ne possède sous aucune forme.

• Résolution — Grok Imagine Video produit des vidéos en 480p, 720p ou 1080p selon l’appel ; FastFrames est fixé à 832×480.

• Audio — xAI génère l’image et le son ensemble, avec une parole synchronisée sur les lèvres et jusqu’à trois références vocales prédéfinies ; FastFrames produit une vidéo silencieuse et ne dispose d’aucune voie audio.

• Surface de contrôle — jusqu’à 14 images de référence, jusqu’à quatre images clés en cours de vidéo ainsi que les première et dernière images, et des extensions enchaînées à partir de la dernière image jusqu’à quinze secondes ; FastFrames prend une invite textuelle, et c’est toute l’interface.

Sur le plan de la qualité mesurée, la famille Grok se situe au milieu du classement plutôt qu’en tête, dans les relevés d’Artificial Analysis d’octobre 2026 : la version initiale était treizième du classement image-vers-vidéo avec un Elo de 1 072 ±7 sur 14 371 échantillons, Grok Imagine Video 1.5 neuvième avec 1 098 ±8 sur 5 267, et le niveau 1.5 Lite seizième en texte-vers-vidéo avec 993 ±10 sur 5 715. La mise à jour 1.5 a donc apporté environ 26 points Elo — une réelle amélioration à la limite des intervalles de confiance, pas un saut qualitatif — pour le double du prix à la seconde. Ce sont des chiffres tiers d’octobre ; FastFrames n’a aucune entrée de classement à laquelle se comparer, et les totaux VBench d’Apple de 84,23 et 84,44 pour les petits et grands modèles ne sont pas comparables à un Elo.

Là où FastFrames est en avance, et ce n’est que sur un seul axe

La vitesse, de manière écrasante, et l’objectif que cette vitesse sert. Grok Imagine Video est un système requête-réponse : vous envoyez une invite, vous attendez, vous obtenez un clip. FastFrames-S sur un seul B200 renvoie des images en 36 millisecondes chacune — 28 par seconde en débit global —, ce qui est plus rapide qu’un flux à 16 ips ne se lit. Le modèle 14B nécessite huit B200 pour atteindre 45 ms par image ; sur un seul GPU, il tombe à 158 ms et cesse d’être interactif.

Ce n'est pas tant un chiffre qui fait paraître Grok lent qu'un chiffre qui décrit un autre produit. xAI vend des clips courts finalisés avec du son. Apple a publié un composant pour une boucle en direct — et l'a démontré en rendant interactifs les systèmes d'autres équipes, faisant passer la variante 1.3B de LingBot-World de 1 085 à 52 ms par image et sa version 14B de 3 862 à 233, RealWonder 1.3B passant de 1 141 à 51. Aucun de ces systèmes ne fournit non plus d'audio en 1080p. L'interprétation réaliste est que FastFrames est une technique en attente d'un produit, et la technique est bonne : remplacer le décodage VAE par un décodeur de pixels de 63,87 millions de paramètres fait passer cette étape d'environ 147 ms à environ 1, et un petit réseau d'affinage KV remplace la mise à jour du cache pour 2 à 6 ms.

Le piège des licences dont personne ne parle dans le tableau de benchmark

FastFrames est ouvert dans un sens étroit et prudent. Les poids du modèle sont soumis aux conditions AMLR d’Apple. Le code et les poids de LingBot-World v2 fournis parallèlement à titre de démo sont sous CC BY-NC-SA 4.0 — non commercial, partage à l’identique. Le reste du dépôt est sous Apple's Sample Code Licence. Si vous envisagiez d’intégrer l’application de démonstration dans un produit commercial, la licence vous arrête avant même le plafond de 480p. Grok Imagine Video n’a aucune ambiguïté de ce type : c’est une API, vous payez à la seconde, et les conditions constituent un contrat de service plutôt qu’une concession de droits sur les poids.

Ce compromis mérite d’être nommé clairement, car « open weights » sert de raccourci pour « libre d’utilisation », et cette version ne l’est pas.

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

Comment choisir entre eux

Demandez ce qui se passe une fois le clip créé. Si un humain le regarde une fois puis passe à autre chose — une publication sur les réseaux sociaux, un storyboard, une variante publicitaire —, Grok Imagine Video à 0,07 à 0,14 $ par seconde avec audio et en 1080p est la réponse la moins chère et la meilleure, et FastFrames ne peut pas rivaliser sur la qualité de sortie, car il ne produit pas une sortie finie. Si le clip est une entrée pour autre chose — un aperçu qui se met à jour au fur et à mesure qu’un utilisateur tape, un personnage qui répond en l’espace d’une image, un modèle du monde en cours d’exploration —, alors une tarification par clip et une file d’attente de requêtes sont totalement inadaptées, et FastFrames-S sur un seul GPU est la seule chose dans cette comparaison qui convienne.

Pour le cas intermédiaire, où vous voulez tester si la forme interactive vaut la peine d'être construite avant d'acheter du matériel, la voie la moins chère consiste à prototyper sur un modèle hébergé que vous pouvez appeler dès aujourd'hui. OrcaRouter couvre les modèles vidéo hébergés sur une seule clé, au tarif catalogue des fournisseurs, avec 0 % de marge — dont Kling 3.0, Kling 3 Turbo, Kling Video O1 et MiniMax H3 — et la répercussion à prix coûtant signifie qu'un changement de prix fournisseur se répercute sur votre facture le jour même, et non au renouvellement. Grok Imagine Video et FastFrames sont tous deux absents de ce catalogue : nous ne servons ni l'un ni l'autre, et rien ici ne suggère le contraire. Ce qu'une clé vous donne, c'est une méthode stable pour mesurer la latence que vos utilisateurs toléreront, le chiffre qui vous dit si la sortie d'Apple concerne réellement votre feuille de route.

Le résumé honnête

Grok Imagine Video est le meilleur générateur vidéo à tous égards, sauf sur le critère qu’Apple a optimisé, et Apple a poussé l’optimisation de ce critère plus loin que quiconque. Dans deux ans, la question intéressante ne sera pas de savoir lequel de ces deux est le plus rapide, car le côté hébergé aura suffisamment rattrapé son retard pour que cette distinction cesse d’avoir de l’importance pour la plupart des produits. Ce sera de savoir si une offre hébergée permet de guider une génération pendant qu’elle est encore en cours de rendu. C’est la capacité que démontre FastFrames, et aucune API de cette comparaison ne la propose.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame.