
FastFrames Video Generation vs MiniMax H3 : trois tableaux contre un chronomètre
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens
- 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
Il existe une version de cette comparaison qui place deux modèles vidéo côte à côte et choisit le plus rapide, et elle prendrait environ quatre cents mots. Elle serait aussi fausse, car MiniMax H3 est un modèle que l’on peut appeler à la seconde et FastFrames Video Generation est un ensemble de poids que l’on télécharge et exécute sur le matériel que l’on possède. H3 a été lancé le 31 juillet 2026 comme un système omnimodal qui lit des références de texte, d’image, de vidéo et d’audio comme un seul contexte, génère un son stéréo natif et occupe la deuxième place du classement image-vers-vidéo d’Artificial Analysis avec 1 181 Elo sur 7 284 votes, selon un relevé du 8 octobre 2026. FastFrames est arrivé le 16 novembre sous la forme de deux checkpoints, 1.3B et 14B, distillés de Wan2.1 pour produire une trame 480p en 36 millisecondes — et il n’apparaît sur aucun classement indépendant. Ce qui les sépare n’est pas la qualité. C’est que l’un est un produit avec des résultats publics dans un classement et l’autre est un article avec un chronomètre.
Trois conseils d'administration, un modèle, et ce que chaque conseil demande réellement
Les positions de H3 méritent d’être énoncées avec précision, car le nombre que les gens citent est généralement le mauvais.
• Image vers vidéo — deuxième avec 1 181 Elo sur 7 284 votes, derrière MiniMax H3 Max à 1 195 et devant Vidu Q4 Preview à 1 179. Seize points séparent les trois premiers, ce qui reste dans les intervalles ; c’est une égalité déguisée en podium.
• Texte-vers-vidéo — quatrième à 1 137 Elo sur 8 315 votes. Le classement le plus faible du modèle, et celui où un modèle de recherche silencieux en 480p serait en lice s’il y avait une entrée.
• Montage vidéo — quatrième avec 1 119 Elo sur 7 023 votes, sur un classement qui évalue les modèles sur le montage d’un clip à partir d’une instruction textuelle avec conservation de l’audio.
Trois apparitions signifient que trois capacités différentes ont été soumises et mesurées : générer à partir d’une image fixe, générer à partir de texte et transformer une séquence vidéo déjà existante. La troisième est celle qui compte le plus pour cette comparaison, car elle exige d’accepter une vidéo en entrée, et FastFrames n’accepte que du texte.
La tarification figure sur notre propre fiche de modèle à 0,08 $ par seconde en 768p et à 0,13 $ par seconde en 2K, soit 4,80 $ et 7,80 $ par minute — la même paire de chiffres que celle qui apparaît dans la colonne des prix de l’arène, et le même modèle à deux niveaux de résolution plutôt qu’une version premium et une version bon marché. Un clip de 5 secondes en 768p coûte 0,40 $.
Ce que 36 millisecondes ne comprennent pas
La rapidité de FastFrames est bien réelle, et il ne s'agit pas d'une vitesse à usage général ; l'architecture en explique la raison d'une manière qu'une liste de caractéristiques ne saurait égaler.
Les deux checkpoints sont des modèles de diffusion vidéo autorégressifs distillés de Wan2.1 via une recette appelée Causal Forcing++. Les auteurs ont laissé le transformateur de diffusion largement intact et ont remplacé les deux éléments qui l’entourent et qui n’ont jamais été l’essentiel. Le décodeur VAE — environ 147 millisecondes par image dans la référence Causal Forcing++ — devient un décodeur de pixels de 63,87 millions de paramètres qui émet directement les images et atteint près de 1 milliseconde. La mise à jour du cache KV devient un petit réseau d’affinage qui coûte 2 millisecondes sur le modèle 1,3B et 6 sur le 14B. Le transformateur est gelé durant la phase finale.
Sur le petit modèle, on passe de 271,8 millisecondes par image à 35,8. Sur un seul B200, FastFrames-S traite environ 28 requêtes par seconde et produit un clip de 5,06 secondes en 2,9 secondes. Le 14B ne tient à 45 millisecondes que sur huit B200 ; sur un seul GPU, il se dégrade à 158 millisecondes par image, soit plus lent que de regarder le résultat. En 720p, c’est 127 millisecondes sur le petit modèle, et l’article estime la pénalité H100 entre 25 et 50 pour cent.
Ce que ce chiffre ne comprend pas, c'est tout ce sur quoi H3 passe son temps. FastFrames ne produit aucun audio. Il ne se conditionne que sur du texte — pas d'image de départ, pas d'image de fin, pas d'image de référence, pas de clip à étendre ou à restyler. Il génère 81 images en 832×480 à 16 images par seconde, et il enchaîne des blocs plutôt que d'offrir un contrôle des images clés ou de la caméra. Trois des quatre modalités d'entrée acceptées par H3 n'existent pas dans le chemin d'inférence de FastFrames.

Pourquoi la vitesse vaut encore quelque chose malgré tout
Il serait facile d'écarter FastFrames après la section précédente, mais ce serait une mauvaise interprétation. Ce chiffre n'est pas un argument marketing ; il change la nature même du produit qu'il est possible de concevoir.
À 36 millisecondes par image sur un seul B200, une génération se termine avant que vous puissiez la regarder. C’est le seuil où une boucle d’aperçu cesse d’être une tâche par lots et devient interactive : vous tapez, vous voyez, vous ajustez, et la machine suit l’ajustement. Un modèle 14B à 45 millisecondes sur un nœud y parvient au sens du débit par lots, mais la latence en flux unique qu’une personne ressent réellement est une propriété du petit modèle. Rien dans l’offre publiée de H3 n’aborde ce cas d’usage, car H3 est facturé en secondes de séquences finies plutôt qu’en images produites par seconde d’horloge murale — les deux ne sont pas la même mesure et la grille tarifaire ne permet pas de dériver l’une de l’autre.
Il y a une conséquence de second ordre que l’article explicite. Le décodeur de pixels est entraîné pour chaque modèle de base, mais le principe — figer le transformer, apprendre la plomberie — a déjà été transposé à des systèmes tiers dans les propres expériences de l’article, faisant passer LingBot-World de 1 085 à 52 millisecondes par image sur la variante 1,3B et de 3 862 à 233 sur la 14B. C’est un résultat qui concerne une technique, pas un produit, et c’est la partie de cette publication qui a la plus large portée.
L’état honnête des preuves de chaque côté
C’est ici que la confrontation cesse d’être contestable dans un sens comme dans l’autre, et il vaut la peine d’être franc sur les deux volets.
Tout ce que FastFrames affirme sur la qualité provient de ses propres auteurs. Les totaux VBench du tableau 1 sont de 84,23 pour FastFrames-S et de 84,44 pour FastFrames-L, contre 84,11 pour la référence à 272 millisecondes et 84,65 pour Wan2.2 14.3B à 117 734 millisecondes. Aucun tiers indépendant ne les a reproduits. VBench récompense la fluidité temporelle que les modèles autorégressifs sont conçus pour produire, et l’écart total dans le tableau d’Apple lui-même est d’environ deux points et demi, tandis que l’écart de latence entre les mêmes modèles est de quatre ordres de grandeur. Lisez ce tableau comme une affirmation de parité, non comme une mesure de celle-ci.
Les positions de H3 dans les tableaux comportent des nombres d’échantillons et des intervalles de confiance, ce qui constitue une forme de preuve plus solide, mais aussi plus étroite. Un tableau de préférences vous indique quelle sortie les gens ont choisie lorsqu’on leur a montré deux clips ; il ne vous dit pas combien a coûté la production de l’un ou l’autre clip, si le son était synchronisé, ni si le modèle survivrait à une rafale de 40 requêtes en 2K. L’écart de seize points en tête du tableau image-vers-vidéo rappelle utilement que ces chiffres classent des perceptions, pas des capacités, et que toute page qui déclare un vainqueur à partir d’un écart de seize points sur des intervalles de ±10 lit du bruit.
Ainsi, la comparaison se résume à ceci : un modèle a reçu les votes de milliers de personnes et est facturé à la seconde, tandis que l’autre dispose d’un chronomètre, d’un fichier de licence et d’un article. Ce sont des types de preuves différents et aucun ne remplace l’autre.
Deux voies de passation de marchés qui ne se ressemblent en rien
L’achat de temps sur H3 et l’exécution de FastFrames n’impliquent presque aucune étape commune, ce qui est la raison pratique pour laquelle ils se retrouvent rarement dans la même décision.
• H3 — un tarif à la seconde sur un point de terminaison hébergé, à 0,08 $ en 768p et 0,13 $ en 2K, sur l’API propre du fournisseur et via plusieurs plateformes tierces. Pas de matériel, pas de revue de licence, pas de CUDA. Nous l’acheminons en tant que minimax/minimax-h3 sur l’API publique de modèles, facturé au tarif catalogue du fournisseur répercuté sans supplément, appelable sur le même point de terminaison compatible OpenAI que les modèles de langage du catalogue.
• FastFrames — Linux x86-64, un GPU NVIDIA, CUDA 12.8, puis uv sync et un appel à scripts/generate.py avec un répertoire de points de contrôle et une graine. Les poids sont soumis aux conditions AMLR d'Apple ; les composants de démonstration de LingBot-World v2 dans le même dépôt sont sous CC BY-NC-SA 4.0, ce qui est non commercial ; le reste relève de la licence de code d'exemple d'Apple. Apple a également publié tous les points de contrôle de chaque étape d'entraînement du grand modèle, ce qui est inhabituel et rend la publication reproductible d'une manière que la plupart des publications de modèles à poids ouverts ne permettent pas.
• Le coût caché des deux côtés — le compteur à la seconde de H3 tourne, que la prise soit bonne ou non, et une prise rejetée est facturée comme une prise acceptée. Le compteur GPU de FastFrames fonctionne de la même manière, mais à un taux marginal qui représente une erreur d’arrondi si le matériel est déjà amorti, et un coût fixe élevé s’il ne l’est pas.
Une conséquence pratique de la tarification répercutée de notre côté : lorsque MiniMax modifie un tarif à la seconde, cette modification est visible sur la route le jour même plutôt qu’au renouvellement du contrat. FastFrames n’a aucun tarif à modifier.
À quoi sert chacun, formulé en une phrase actionnable.
Choisissez MiniMax H3 lorsque l'entrée est autre chose qu'un prompt textuel, lorsque le livrable doit comporter du son, ou lorsqu'un clip de quinze secondes avec extension multi-tours est plus proche de votre plan que 81 images en 480p. C'est le seul des deux à pouvoir monter des séquences, le seul à générer de l'audio, et le seul dont la promesse de qualité ait été testée par des personnes qui ne travaillent pas pour l'entreprise qui l'a créé. Son tarif 2K est également inférieur à celui de la plupart des concurrents de ce niveau.
Choisissez FastFrames lorsque la boucle est le produit et que la frame n’est pas le livrable — un aperçu en direct, un modèle de monde contrôlable, un avatar qui doit répondre au sein d’une session, ou un programme de recherche qui veut changer la façon dont une pile vidéo causale décode plutôt que ce qu’elle génère. Acceptez le 480p, le silence, aucune entrée de référence et une licence que vous devez lire avant de livrer quoi que ce soit de commercial.
FastFrames n’est pas servi par OrcaRouter, et cette page n’affirme nullement le contraire — il n’existe aucun point de terminaison hébergé pour les poids d’Apple. H3 est une autre histoire : nous le routons en tant que minimax/minimax-h3, aux côtés de la famille Kling 3.0 et de plus de 200 modèles de langage, sur une seule clé, au prix catalogue du fournisseur, avec 0 % de marge et bascule automatique entre les points de terminaison. C’est le moyen économique de vérifier si un modèle vidéo facturé à la seconde convient à votre pipeline avant de consacrer le budget GPU d’un trimestre à l’autre solution.

Le seul résultat qui en ferait une véritable compétition
Deux choses changeraient la lecture, et aucune des deux n’est une meilleure démo.
Le premier point est l’apparition de FastFrames sur un tableau de classement d’arène. Cela exige que quelqu’un l’héberge, et pour l’instant personne ne le fait — Apple a publié les poids et aucun endpoint, donc il n’existe aucun moyen pour un test de préférence de le servir aux votants. Tant que cela n’arrive pas, l’argument de qualité du modèle repose entièrement sur les chiffres VBench de ses auteurs, ce qui est une position plus faible que celle qu’occupe n’importe quel modèle sur les trois tableaux de H3.
Le deuxième point est la publication par MiniMax d’un chiffre de latence. La grille tarifaire de H3 est exprimée en secondes de sortie, et nulle part dans cette structure n’apparaît un coût par image auquel un lecteur pourrait comparer les 36 millisecondes. Si MiniMax ou un testeur indépendant publiait des images par seconde à une résolution et sur un GPU donnés, les deux modèles seraient enfin mesurables sur un axe commun. Ils ne l’ont pas fait, et il n’est pas dans l’intérêt commercial du fournisseur de s’y mettre.

