
Génération vidéo FastFrames vs Luma Ray 3.2 : un flux d’images face à un fichier étalonné
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 89 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 97 tok/s
- orcaNOUVEAUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOUVEAUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 88 tok/s
- OrcaNOUVEAUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 134 tok/s
- OrcaNOUVEAUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 118 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 par million de tokens · 143 tok/s
Luma Ray 3.2 et FastFrames Video Generation sont tous deux des modèles vidéo de diffusion, tous deux sortis en 2026, tous deux livrés au plus tôt au second semestre de cette année — et ils ne se substituent en aucun cas l'un à l'autre, au sens où un producteur l'entendrait. Ray 3.2, disponible depuis le 9 juin, aboutit à un fichier : jusqu'à 1080p, cinq ou dix secondes, en option HDR 10, 12 ou 16 bits au standard EXR ACES2065-1, qui est le format dans lequel un étalonneur travaille. FastFrames, publié par Apple avec Cornell le 16 novembre, aboutit à un flux : 832×480, 81 images, une image toutes les 36 millisecondes sur un seul B200, sans son, uniquement à partir d'un prompt texte, poids sur Hugging Face. L'un est conçu pour que sa sortie survive à un pipeline de finition. L'autre est conçu pour que sa sortie arrive avant que vous ayez fini de regarder la précédente. Tout ce qui suit découle de cette scission, y compris le fait inconfortable qu'aucun des deux modèles ne dispose d'un score indépendant pour trancher la question.
Le format de sortie est l'argument, pas la fiche de spécifications.
Commencez par ce que chaque modèle vous remet, car c’est là que se joue vraiment la comparaison.
• Ray 3.2 livre du MP4 par défaut et, sur demande, des images HDR 10, 12 ou 16 bits en ACES2065-1 EXR — mais uniquement en 720p et 1080p, et seulement pour des clips de cinq secondes. Le bouclage transparent et la voie EXR sont tous deux des fonctionnalités limitées à cinq secondes.
• FastFrames fournit un MP4 de 81 images en 832×480 à 16 images par seconde, soit 5,06 secondes de séquence silencieuse. Il n’y a pas de chemin EXR, pas de choix de profondeur de bits et pas de boîte de dialogue d’export. Le décodeur de pixels émet du RGB 8 bits par token, et c’est tout.
• La résolution plafonne à 1080p face à un point fixe de 480p — mais la comparaison est déloyale dans les deux sens, car le mode HDR 1080p de Ray 3.2 n’existe pas pour des clips de dix secondes, et le 480p de FastFrames n’est pas un réglage que l’on peut augmenter.
• Surface de contrôle : Ray 3.2 accepte du texte, une image de début, une image de fin ou une vidéo existante à modifier, ainsi que jusqu'à 16 images clés par clip et un suivi des performances faciales sur jusqu'à huit visages. FastFrames prend une invite textuelle et une graine.
Relisez cette liste et notez ce qu’elle implique pour l’acheteur. Les fonctionnalités de Ray 3.2 sont celles d’un plan qui existe déjà dans un montage et doit être finalisé, révisé ou étendu. Les fonctionnalités de FastFrames sont celles d’un système qui n’a pas encore décidé ce qu’est le plan.
Ray 3.2, à interpréter comme un outil de post-production
La voie EXR est la raison même pour laquelle ce modèle existe sous sa forme actuelle, et elle s’accompagne de contraintes que la plupart des articles oublient.
Il génère en 540p, 720p et 1080p, sous forme de clips de cinq ou dix secondes, sur six formats d’image couvrant le vertical, le carré et le grand écran — mais la génération de dix secondes est réservée au texte-vers-vidéo, de sorte que les parcours conditionnés par image et par vidéo sont limités à cinq secondes. Le HDR est un réglage optionnel en 720p et 1080p, sur cinq secondes : vous activez le HDR pour obtenir l’export EXR plutôt que de l’obtenir automatiquement. L’audio est l’autre contrainte, et il restreint les choses d’une manière à laquelle les gens ne s’attendent pas. Ray 3.2 ne génère pas d’audio synchronisé pour le texte-vers-vidéo ou l’image-vers-vidéo ; l’audio ne subsiste que lorsque vous modifiez ou recadrez une séquence existante qui porte déjà une piste. Pour un modèle positionné sur la finition, c’est cohérent — le son vient du montage, pas du générateur — mais quiconque cherche un modèle vidéo avec son en un seul appel devrait s’arrêter ici.
La structure commerciale compte aussi. Ray 3.2 est le premier modèle de la famille Ray à disposer d’une API développeur complète, scindée en un palier Build en paiement à l’usage et un palier Scale à débit réservé avec SLA. Les modèles Ray antérieurs étaient uniquement proposés par abonnement, ce qui signifie que l’historique tarifaire de la famille ne constitue pas un guide pour celui-ci. Le coût par clip varie en fonction de la résolution, de la plage dynamique et de la durée simultanément ; les listes tierces situent un clip 720p de cinq secondes à environ 0,30 $ et un clip 1080p à environ 1,20 $, et l’export HDR ou EXR multiplie le coût du clip plutôt que de s’y ajouter. Considérez ces chiffres comme une arithmétique d’agrégateur appliquée à la grille tarifaire de Luma plutôt que comme un chiffre publié par Luma lui-même.
Un piège de dénomination qui mérite qu’on lui consacre une phrase : les numéros de version de Luma ne suivent pas l’ordre croissant qu’on pourrait croire à la lecture. Ray3.14 est sorti le 26 janvier 2026 et Ray 3.2 le 9 juin 2026, donc le numéro le plus bas correspond au modèle le plus récent, et Luma a abandonné l’appellation Dream Machine sur laquelle la plupart des anciens guides sont encore construits.
FastFrames, interprété comme une boucle de rendu
FastFrames n’est pas un Ray 3.2 plus petit. C’est le résultat d’une distillation publié sous forme de poids, et l’architecture explique à la fois la vitesse et les fonctionnalités manquantes.
Les deux checkpoints sont des modèles de diffusion vidéo autorégressifs construits sur Wan2.1 — FastFrames-S à partir de Wan2.1-T2V-1.3B et FastFrames-L à partir de Wan2.1-T2V-14B — soumis à une recette que les auteurs appellent Causal Forcing++. La contribution de l'article n'est pas un transformer plus rapide. Il s'agit de la suppression de deux composants coûteux autour du transformer : le décodeur VAE, qui coûtait environ 147 millisecondes par image dans la référence et est remplacé par un décodeur pixel de 63,87 millions de paramètres qui tombe près de 1 milliseconde, et la mise à jour du cache KV, qui devient un petit réseau d'affinement coûtant 2 millisecondes sur le petit modèle et 6 sur le grand. Le transformer lui-même est gelé dans la dernière étape.
Faites le calcul sur le modèle 1.3B : 271,8 millisecondes par image deviennent 35,8. Sur un seul B200, cela représente environ 28 requêtes par seconde, soit un clip de 5 secondes en 2,9 secondes. Le 14B a besoin de huit B200 pour tenir 45 millisecondes et 22 requêtes par seconde ; sur un seul GPU, il tombe à 158 millisecondes, ce qui est plus lent que la lecture. En 720p, le petit modèle nécessite 127 millisecondes par image et le grand, 116 sur huit GPU, et l'article estime la pénalité des H100 à 25 à 50 % supplémentaires.
La génération autorégressive est la raison pour laquelle 81 images ne sont pas aussi limitantes qu'elles n'y paraissent, et aussi la raison pour laquelle le modèle ne peut pas faire ce que fait Ray 3.2. Comme chaque bloc est conditionné par le précédent, les clips s'enchaînent — mais l'enchaînement n'est pas un contrôle par images clés, et il n'existe aucun moyen de fournir une image de début, une image de fin, une image de référence ou un clip existant. Le modèle ne possède aucun conditionnement par image, d'aucune sorte.


L'écart de mesure est réel, et il joue dans les deux sens.
Aucun des deux modèles ne peut être classé, et les raisons sont suffisamment différentes pour qu’il soit utile de les distinguer.
Ray 3.2 n'a aucune entrée sur l'arène vidéo d'Artificial Analysis — ni en text-to-video, ni en image-to-video, vérifié le 18 septembre 2026 pour ce billet de blog. Ce que Luma publie à la place, c'est un rapport d'évaluation interne de Ray3 revendiquant une parité avec Veo 3 et une avance sur plusieurs concurrents, sans aucun score numérique joint, ainsi qu'une affirmation selon laquelle son API tourne à moins de la moitié du prix et de la latence de modèles comparables, également non quantifiée. Ce sont des documents de positionnement. Ils ne sont pas comparables à un Elo d'arène assorti d'un nombre d'échantillons et d'un intervalle de confiance, et aucune page ne devrait les présenter comme s'ils l'étaient.
FastFrames a le problème inverse : il a des chiffres, et ils proviennent tous de ses propres auteurs. Les totaux VBench du tableau 1 de l’article sont de 84,23 pour FastFrames-S et de 84,44 pour FastFrames-L, contre 84,11 pour Causal Forcing++, la référence dont il a été distillé, à 272 millisecondes par image. Wan2.1 1.3B, le modèle de base, obtient 83,80 à 30 444 millisecondes. Wan2.2 14.3B obtient 84,65 à 117 734. Personne d’indépendant n’a reproduit quoi que ce soit de tout cela, et VBench est un benchmark qui récompense précisément la régularité temporelle dans laquelle les modèles autorégressifs excellent. Le tableau de l’article lui-même est une affirmation de parité sur un plateau de 83 à 85,5, pas une mesure de qualité.
Ce que ces deux écarts ont en commun est le point à retenir : l’écart entre les totaux VBench de tous les modèles de la liste d’Apple est d’environ deux points et demi, tandis que l’écart de latence sur cette même liste est de quatre ordres de grandeur. Quoi que mesure ce benchmark, il a cessé de distinguer ces systèmes il y a quelque temps déjà. Ces deux modèles sont vendus sur des axes que VBench ne voit pas.
Coûtant un tir dans chacun
Mettez un brief concret en regard des deux grilles tarifaires, et l’arithmétique cesse complètement d’être comparable.
• Un clip HDR 1080p de cinq secondes — Ray 3.2, environ 1,20 $ aux tarifs affichés avant le multiplicateur HDR, livré en EXR qui part directement en étalonnage. FastFrames ne peut produire ce plan à aucun prix.
• Un clip silencieux de cinq secondes en 480p — FastFrames, un B200 pendant 2,9 secondes de temps réel sur le petit modèle, ou huit B200 pendant 3,6 secondes sur le grand. Ray 3.2 ne générera pas du tout en 480p ; sa résolution minimale est 540p.
• Dix secondes de n’importe quel contenu — Ray 3.2 uniquement à partir de texte, en 1080p ou moins. FastFrames atteint dix secondes en enchaînant deux blocs de 81 images et en espérant que la jonction tienne.
• Quatre-vingt-dix prises du même plan — c’est là que l’économie s’inverse. Ray 3.2 facture au clip, donc cent tentatives coûtent cent clips. FastFrames facture les secondes GPU, donc cent tentatives coûtent cent fois 2,9 secondes d’une machine que vous louez déjà.
• Le matériel dont vous ne disposez pas — FastFrames nécessite Linux x86-64, un GPU NVIDIA et CUDA 12.8, et le dépôt fournit un chemin d’inférence fonctionnel, un script de benchmark de latence, un workflow d’évaluation VBench et une application de démonstration. Rien de tout cela n’est un service hébergé.
Cette ligne des quatre-vingt-dix prises est la vraie distinction. La facturation par clip donne un prix à un livrable ; la facturation par seconde de GPU donne un prix à l’exploration. Si votre processus consiste à « générer jusqu’à ce que ce soit bon », le second modèle est moins cher d’un ordre de grandeur et pire sur tous les autres axes. Si votre processus consiste à « générer une seule chose qui doit survivre à une évaluation », le premier modèle est le seul des deux capable de faire le travail.
La licence décide plus que la fiche technique
Les poids de FastFrames sont soumis aux conditions AMLR d’Apple, et les composants de démonstration LingBot-World v2 du même dépôt sont sous CC BY-NC-SA 4.0 — non commerciale. Le reste est régi par la licence Sample Code d’Apple. « Open weights » et « free to commercialise » ne sont pas synonymes, et cette publication est délibérément attentive à cette distinction, ce que Ray 3.2, vendu dans le cadre d’un contrat d’API commercial avec un palier Build et un palier Scale assorti d’un SLA, n’est tout simplement pas.
Ainsi, la question des achats se pose à l’inverse de la question technique. Ray 3.2 vous demande d’accepter une relation avec un fournisseur : grille tarifaire, conditions d’utilisation, engagement de débit si vous achetez Scale, un point de terminaison susceptible de changer sous vos pieds. FastFrames vous demande de lire trois licences et d’assumer la responsabilité des GPU. Pour un studio qui dispose déjà d’un processus de revue juridique pour les fournisseurs d’API, la première est plus simple. Pour un groupe de recherche qui possède déjà des B200 et un responsable de la conformité qui lit les licences pour le plaisir, c’est la seconde.
Où chacun a sa place, et la question qui changerait cela
Placez Ray 3.2 à la fin du pipeline et FastFrames au début, et les deux cessent de se concurrencer. Ray 3.2 est ce vers quoi vous vous tournez lorsque le montage existe, que le pipeline couleur est réel et que le plan doit en ressortir étalonnable en 10 bits ou mieux — en acceptant des clips HDR de cinq secondes en 1080p, l’absence d’audio généré et une facture par clip qui se multiplie avec la plage dynamique. FastFrames est ce vers quoi vous vous tournez lorsque la boucle est le produit : un aperçu en direct, un modèle du monde contrôlable, un avatar qui réagit au sein d’une session — en acceptant la 480p, le silence, l’absence d’entrées de référence et une licence qu’il faut lire avant de livrer.
Aucun de ces deux modèles n’est une route sur OrcaRouter, et cet article ne prétend pas le contraire. Ce qu’une clé permet d’atteindre, c’est la couche vidéo hébergée qui fonctionne déjà aujourd’hui — MiniMax H3 à 0,08 $ par seconde en 768p et à 0,13 $ en 2K, et la famille Kling 3.0 — aux côtés de plus de 200 modèles de langage, au tarif catalogue du fournisseur répercuté avec 0 % de marge, de sorte qu’une baisse de tarif annoncée par un fournisseur soit répercutée ici le jour même de son annonce, avec basculement automatique si un point de terminaison se dégrade en cours de file d’attente. Pour une équipe qui évalue l’un ou l’autre des modèles ci-dessus, c’est le moyen économique de mesurer à quoi ressemblent un profil de latence et de coût réels avant d’engager un budget GPU ou un contrat Scale sur une hypothèse.
Ce qui trancherait cette comparaison n’est pas une meilleure démo de l’un ou l’autre camp. C’est une mesure indépendante de Ray 3.2 sur l’arène image-vers-vidéo, afin que le modèle final ait ne serait-ce qu’un chiffre, et une reproduction du 84.4 de FastFrames par quelqu’un qui ne travaille pas chez Apple ou Cornell. Tant que les deux n’existent pas, la base honnête pour choisir est le livrable — et sur cet axe, ces deux modèles ne sont pas assez proches pour qu’on les confonde.

