Carte de titre principale pour une comparaison entre FastFrames Video Generation et HiDream O1 Video 1.0, montrant deux cartes face à face intitulées « FastFrames — 36 ms par image, 480p, muet, poids ouverts » et « HiDream O1 Video 1.0 — Elo 1 175, 1080p avec audio, 5,80 $ par minute », avec le logo OrcaRouter en bas à droite.
Guides & Insights

FastFrames Video Generation vs HiDream O1 Video 1.0 : latence, rencontre la narration

Auteur

jinhao.song

Date de publication

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

Deux sorties, à dix semaines d'intervalle, fondées sur des convictions opposées quant à la finalité d'un modèle vidéo. HiDream O1 Video 1.0 est parti de l'hypothèse qu'un clip est un court métrage : il planifie un arc narratif, génère des clips de cinq à vingt secondes en 1080p avec un son synchronisé, et traite la physique comme une contrainte plutôt qu'une esthétique. FastFrames Video Generation est parti de l'hypothèse qu'une image est un événement qui doit arriver avant que la suivante ne soit nécessaire, et il a optimisé l'écart entre les images pour le réduire à 36 millisecondes — en 480p, sans son, sur des poids publiés par Apple le 16 novembre 2026, en même temps qu'un article daté du 17. Aucune des deux n'est une version inférieure à l'autre. Ce sont des réponses à des questions différentes, et en choisir une indique à tout le monde quelle question vous vous posiez.

L’un se mesure avec un classement, l’autre avec un chronomètre.

L’asymétrie des preuves est l’élément le plus important de cette page. HiDream O1 Video 1.0 a été classé par un tiers ; FastFrames ne l’a pas été, et ne pourrait pas l’être dans sa forme actuelle, car un modèle texte-vidéo en 480p sans audio ne s’intègre pas à un classement image-vidéo qui présuppose le son.

• HiDream O1 Video 1.0 — sixième du classement image-vers-vidéo d’Artificial Analysis avec le filtre audio activé, Elo 1 175 ±10 sur 3 231 échantillons, à 5,80 $ par minute, dans le relevé du 10 octobre 2026. Artificial Analysis indique sa sortie au 28 août 2026, l’entrée au classement au 10 septembre et l’annonce de HiDream.ai elle-même au 17 septembre.

• FastFrames-S et FastFrames-L — aucune entrée dans le classement, aucune évaluation indépendante. Les totaux VBench de 84,23 et 84,44 sont ceux des auteurs eux-mêmes, tirés du tableau 1 de l’article, sur les mêmes prompts et graines que toutes les baselines de ce tableau.

• L’affirmation qui les relie — aucune mesure. Les totaux VBench et l’Elo ne sont pas convertibles, et personne n’a exécuté les deux sur les mêmes prompts.

Ainsi, la façon honnête de comparer la qualité consiste à refuser de le faire. Ce qui peut être comparé, c’est la capacité, la latence, le prix et l’accès, et sur trois de ces quatre critères, l’écart n’est pas mince.

A two-column scoreboard comparing FastFrames and HiDream O1 Video 1.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p, duration about 5-second blocks against 5 to 20 seconds planned, audio none against synchronised, conditioning text only against text plus one reference image, and price GPU time only against $5.80 per minute.

Ce que HiDream O1 Video 1.0 vous offre pour 5,80 $ la minute

C'est de loin le système le plus ambitieux. Les documents de lancement de HiDream décrivent trois étapes — une passe de planification, une génération conjointe audio-vidéo, puis une étape d'alignement — avec un post-entraînement par apprentissage par renforcement de diffusion face à un modèle de récompense multimodal. En pratique, cela se traduit par un modèle vidéo qui décide de la durée d'un clip plutôt qu'on ne la lui impose : la durée est planifiée au niveau narratif dans une fenêtre de 5 à 20 secondes, et l'audio est généré avec l'image plutôt que rajouté après coup.

• Résolution et durée — 1080p, 5 à 20 secondes, durée planifiée plutôt que sélectionnée.

• Audio — généré conjointement avec la vidéo et synchronisé avec elle, et non lors d'une passe séparée.

• Conditionnement — texte, image et vidéo ensemble, avec exactement une image de référence requise sur l’API hébergée.

• Physique — traité comme une contrainte de génération, ce qui constitue l’affirmation qui sous-tend son Elo supérieur à la médiane.

• Accès — un point de terminaison MaaS hébergé avec une tâche asynchrone et un cycle d’interrogation, à 5,80 $ par minute de sortie, soit environ 0,097 $ par seconde.

• Poids ouverts — aucun.

L'API est plus étroite que le matériel de lancement, et c'est le détail qui prend les équipes au dépourvu. Le point de terminaison public accepte exactement une image de référence, fournie sous forme d'URL publique ou de Base64 sans le préfixe data-URL, entre 40 Ko et 20 Mo. Le prompt est facultatif et vaut une chaîne vide par défaut. Il n'y a pas de champ vidéo de référence, pas de sélecteur de résolution — le ratio d'aspect est hérité de la référence — ni de contrôle audio. Le seul réglage est un booléen force_10s. Et il y a un piège côté client qu'il vaut la peine de connaître avant d'écrire la boucle d'interrogation : lorsque result.statusatteint 1, cela signifie que toutes les sous-tâches sont terminées, et non qu'elles ont réussi. Les résultats réels se trouvent dans sub_task_results[].task_status, où 1 indique un succès, 3 un échec de génération et 4 un refus pour raisons de sécurité. Une boucle d'interrogation naïve marquera les générations échouées comme terminées.

Ce que FastFrames vous offre pour le prix d’un GPU

Moins de produit, plus de machine. FastFrames est un modèle de diffusion vidéo autorégressif distillée de Wan2.1 — le checkpoint 1,3B de Wan2.1-T2V-1,3B, le 14B de Wan2.1-T2V-14B — à l'aide d'une recette appelée Causal Forcing++. Sa contribution n'est pas le transformer mais ce qui l'entoure : le décodeur VAE est remplacé par un décodeur de pixels de 63,87 millions de paramètres qui émet 4×16×16 valeurs RGB par token à travers trois blocs ConvNeXt causals et une tête linéaire, réduisant le décodage d'environ 147 millisecondes à environ 1, et la mise à jour du cache KV devient un petit réseau de raffinement — tronc partagé, quatre blocs d'attention à 8 têtes, une tête de réparation résiduelle par couche DiT — coûtant 2 à 6 millisecondes. Le DiT lui-même est gelé à l'étape finale.

Sortie — 832×480, 81 images, 16 ips. Environ 5,06 secondes par génération, enchaînable de manière autorégressive.

• Latence — 36 ms par image pour le petit modèle sur un B200, 45 ms pour le grand modèle sur huit ; 158 ms pour le grand modèle sur un GPU, et 127/116 ms en 720p.

• Conditionnement — texte uniquement. Aucune image, aucune vidéo, aucune image clé, aucun contrôle de caméra.

• Audio — aucun.

• Accès — les poids sur Hugging Face sous licence AMLR d'Apple, le code sur GitHub, Linux x86-64 avec CUDA 12.8. La démo LingBot-World v2 fournie est sous CC BY-NC-SA 4.0, ce qui interdit l'utilisation commerciale de cette partie.

• Prix — aucun tarif d’hébergement, où que ce soit. Vous fournissez le matériel.

L’affirmation de qualité, pour ce qu’elle vaut comme chiffre fournisseur non vérifié : 84,23 de total VBench pour le petit modèle et 84,44 pour le grand, contre 84,11 pour la référence Causal Forcing++ à 272 ms par image et 84,65 pour Wan2.2 14.3B à 117 734 ms. Si ces chiffres se vérifient, un modèle qui tourne à une fraction de milliseconde par image de plus que la référence fait jeu égal avec un modèle qui tourne deux mille six cents fois plus lentement. C’est cette affirmation qu’il faut tester, pas citer.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both released 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 décision des trois publics

Répartissez les acheteurs selon ce qu’ils fabriquent, et le choix cesse d’être une comparaison.

Si vous produisez une vidéo finalisée

HiDream O1 Video 1.0 est le seul des deux à produire une vidéo finie. 1080p, du son, une durée choisie pour s'adapter au contenu, un tarif à la seconde qui vous permet de prévoir. À 0,097 $ la seconde, un clip de vingt secondes revient à 1,94 $, ce qui constitue une ligne tout à fait normale dans un budget de production. FastFrames ne peut pas se mêler à cette conversation, quel que soit le volume, car il est incapable de fournir un fichier que quiconque accepterait de regarder.

Si vous construisez un système interactif

C’est l’inverse absolu. Le cycle asynchrone de tâche et d’interrogation de HiDream est structurellement inadapté à tout ce qui doit répondre en une frame — on soumet, on attend, on récupère. FastFrames, à 36 ms par image sur un seul B200, génère plus vite qu’une lecture à 16 i/s, qui est le seuil à partir duquel un humain cesse de remarquer qu’une machine génère. Si votre produit est un aperçu en direct, un avatar ou une scène pilotable, aucun modèle hébergé présenté dans cet article ne fait l’affaire, et la publication d’Apple est la voie ouverte la plus crédible pour y parvenir — sous réserve de l’examen de la licence, qui, pour les composants de démonstration, signifie un usage non commercial uniquement.

Si vous évaluez s'il faut construire l'un ou l'autre

Alors, l'expérience la moins chère se fait sur un modèle hébergé, et OrcaRouter est une clé unique pour le côté hébergé : MiniMax H3, le voisin hébergé le plus proche des ambitions de HiDream, côtoie Kling 3.0, Kling 3 Turbo et Kling Video O1 dans le même catalogue, aux tarifs catalogue du fournisseur répercutés sans marge, de sorte qu'un changement de tarif du fournisseur se répercute sur votre facture le jour même. Ni HiDream O1 Video 1.0 ni FastFrames n'y sont servis — nous ne routons ni l'un ni l'autre, et cet article n'affirme pas le contraire. Ce que la clé achète, c'est un moyen de mesurer votre propre tolérance à la latence avant de dépenser dans le matériel dont FastFrames a besoin, car cette mesure est la seule chose qui décide si 36 millisecondes valent le 480p.

Qu'est-ce qui réglerait cela ?

Une expérience : lancez les deux sur les mêmes vingt invites et montrez les sorties à des personnes qui ne savaient pas quel modèle avait produit quoi. FastFrames perdra sur chaque invite où le son ou le détail comptent, et il pourra gagner sur celles où la cohérence du mouvement est ce que l’œil perçoit, car la génération autorégressive excelle précisément en cela. Tant que personne ne l’a fait, la position défendable est que HiDream O1 Video 1.0 est le meilleur modèle vidéo et que FastFrames est le meilleur résultat en matière de latence, et ce sont deux produits différents qui sont vendus — l’un à la seconde, l’autre à l’heure GPU.

The FastFrames project page from Apple and Cornell University, naming the seven authors, stating that FastFrames-S at 1.3B and FastFrames-L at 14B are autoregressive video diffusion models generating 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality-latency plots, pipeline, text-to-video samples and comparisons.