Carte de présentation comparant FastFrames Video Generation et Vidu Q4 Preview, carte de gauche indiquant « 832x480, sans son », « 36 ms par image » et « prompt texte uniquement », carte de droite indiquant « jusqu’à 4K », « 15 réf. image, 3 réf. audio » et « 3 à 16 secondes », avec le logo OrcaRouter en bas à droite.
Guides & Insights

FastFrames Video Generation vs Vidu Q4 Preview : un aperçu 4K contre une boucle 480p

Auteur

jinhao.song

Date de publication

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

Vidu Q4 Previewest l'exception de cette série, car le mot qui figure dans son nom y joue un vrai rôle : il s'agit d'une version preview, publiée le 7 octobre 2026 par Shengshu Technology, et les propres documents de Shengshu la présentent comme la version qui recueille les retours qui façonneront le modèle final. FastFrames Video Generationn'est pas non plus un produit, mais pour la raison inverse — il s'agit de recherches achevées, publiées sous forme de poids le 16 novembre, sans endpoint, sans prix et sans feuille de route vers l'un ou l'autre. Mettez-les côte à côte et vous obtenez deux modèles qui sont tous deux indisponibles au sens où un responsable des achats l'entend, mais de part et d'autre du même écart : Vidu Q4 Preview dispose d'une API en production et d'une grille tarifaire, et sera remplacé ; FastFrames n'a aucune API et ne le sera jamais. Ce qui suit porte sur laquelle de ces deux absences vous coûte le plus.

La grille tarifaire est la première chose véritablement comparable

Vidu Q4 Preview est l’un des rares modèles de ce domaine à publier un tarif par seconde selon le palier de résolution, ce qui rend son calcul lisible d’une manière que celui de la plupart de ses concurrents ne l’est pas.

540p — 9 crédits par seconde, soit environ 0,045 $ au tarif standard de 0,005 $ par crédit publié par Shengshu.

• 720p — 19 crédits par seconde, soit environ 0,095 $.

• 1080p — 24 crédits par seconde, environ 0,12 $.

• 2K — 38 crédits par seconde, environ 0,19 $.

• 4K — 78 crédits par seconde, environ 0,39 $, soit environ 0,72 $ pour un clip de seize secondes au tarif catalogue avant remises.

FastFrames — rien. Aucun débit, aucun hôte, aucune file d'attente. Le coût est d'un B200 pour 2,9 secondes de temps d'horloge sur le petit modèle, ou de huit B200 pour 3,6 secondes sur le grand, par clip de 5 secondes.

Deux points concernant la courbe de Vidu méritent d'être précisés, car ils prêtent facilement à confusion. Le chiffre de 0,014 $ par seconde qui accompagnait l'annonce de lancement correspond au palier 540p à un tarif de crédits réduit, et non à un tarif général. Par ailleurs, la plateforme propose des remises promotionnelles limitées dans le temps allant jusqu'à 30 % sur les lots de crédits, qui font baisser tous les paliers en même temps sans modifier la forme de la courbe. Fondez votre planification sur la courbe des tarifs catalogue ; considérez la remise comme une compensation temporaire qui pourrait ne plus être en vigueur au moment du lancement de votre projet.

La comparaison qui en ressort n’est pas « l’un est moins cher ». Vidu Q4 Preview a un plancher — un palier 540p de blocking, tarifé exactement pour l’usage prévu : valider une composition avant de payer un rendu en pleine résolution — et FastFrames n’a aucun palier, car il n’a aucune surface de facturation. Si votre travail consiste à itérer sur un plan en basse résolution avant de vous engager, le palier 540p de Vidu est une véritable fonctionnalité produit, et le 480p fixe de FastFrames n’est pas la même chose, même si les chiffres sont proches.

Deux modèles conçus pour les deux extrémités d'un même cahier des charges

Les listes de capacités ne se chevauchent que très peu, et c’est le fait le plus utile de cette comparaison.

• Résolution — Vidu Q4 Preview génère nativement en 540p, 720p, 1080p, 2K et 4K, avec une couleur 10 bits sur les deux niveaux supérieurs. FastFrames est en 832×480, sans réglage ni possibilité de mise à l’échelle.

• Durée — Vidu Q4 Preview dure de 3 à 16 secondes en Image-to-Video et de 1 à 16 secondes en Reference-to-Video. FastFrames équivaut à 81 images à 16 fps, soit 5,06 secondes, extensible uniquement par chaînage.

• Entrées — Vidu Q4 Preview documente deux endpoints, /ent/v2/img2video et /ent/v2/reference2video, prenant en charge jusqu’à 15 images réparties entre personnages, scènes et style, ainsi que jusqu’à 3 références audio mp3 de 3 à 12 secondes pour le clonage vocal. FastFrames prend un prompt textuel et une graine. Pas un budget de références réduit — aucun budget de références.

• Couverture des modes — Vidu Q4 Preview ne documente aucun parcours texte-vers-vidéo ni aucun parcours de montage vidéo. FastFrames ne propose que le texte-vers-vidéo. Entre les deux, chaque mode qui manque à l’un manque aux deux.

• Audio — Vidu Q4 Preview génère l'audio et la vidéo ensemble, grâce à un paramètre audio dans le point de terminaison image-vers-vidéo qui produit des dialogues et des effets sonores, ainsi qu'une cohérence de la voix de référence. FastFrames est silencieux.

• Latence — FastFrames annonce 36 millisecondes par image sur un B200, 45 sur huit pour le 14B, et 158 millisecondes sur un seul GPU pour le grand modèle. Vidu Q4 Preview ne publie aucun chiffre de latence par image que cette page ait pu vérifier.

Lisez ces six lignes ensemble : les deux modèles sont presque complémentaires. Vidu Q4 Preview est celui qui maintient la cohérence du casting, génère du son et livre de la 4K ; FastFrames est celui qui produit des images plus vite qu'on ne peut les regarder, à partir de texte, en 480p, en silence. Aucun ne remplace l'autre sur aucun des six points.

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 position du conseil, et pourquoi il s’agit d’une mise en garde plutôt que d’un verdict

Vidu Q4 Preview dispose d’un score indépendant et mérite d’être lu attentivement plutôt que cité.

Sur le classement image-vers-vidéo d’Artificial Analysis, relevé le 8 octobre 2026, il occupe la troisième place avec 1 179 Elo sur 5 543 votes. Le premier est MiniMax H3 Max avec 1 195, le deuxième est MiniMax H3 avec 1 181. Seize points séparent le premier du troisième, sur des intervalles d’environ ±10 et ±11. C’est une égalité statistique déguisée en podium, et toute page qui commence par déclarer un vainqueur sur ce classement ne lit que du bruit. Ce que les votes établissent, en revanche, c’est que le rendu de Vidu Q4 Preview est compétitif avec les meilleurs du domaine sur une tâche que des milliers de personnes ont désormais évaluée.

FastFrames ne possède aucun résultat de ce type et ne peut en obtenir tant qu’il n’est pas hébergé. Sa revendication de qualité repose sur les propres chiffres VBench de ses auteurs — 84,23 pour le checkpoint 1,3B et 84,44 pour le 14B, contre 84,11 pour la référence Causal Forcing++ à 272 millisecondes par image et 84,65 pour Wan2.2 14,3B à 117 734 millisecondes. Personne d’indépendant ne les a reproduits, et VBench récompense la fluidité temporelle dans laquelle les modèles autorégressifs excellent. L’ensemble de l’écart de qualité du tableau est d’environ deux points et demi ; son écart de latence est de quatre ordres de grandeur. C’est un argument juste pour dire que le benchmark a cessé de discriminer, et une manière injuste de prétendre qu’un modèle est aussi bon que ses voisins.

Une autre mise en garde concerne spécifiquement le chiffre de Vidu : les votes datent d’octobre 2026 et ont été exprimés face à un paysage qui a changé depuis. Qu’un modèle entre dans l’arène plus tard, ou qu’une version d’aperçu soit remplacée par une version grand public, rebat les cartes du classement sans qu’aucun des modèles listés ne se soit amélioré ou dégradé. Lisez toujours la date en même temps que le chiffre.

Ce que vous coûte un « aperçu », et ce que vous coûte une « version de recherche »

Les deux étiquettes sont honnêtes et toutes deux ont des conséquences commerciales qu'il vaut la peine de préciser.

Une version d’aperçu présente un risque en matière de licences et de continuité. La tarification et la disponibilité des fonctionnalités de Vidu Q4 Preview sont, selon la formulation de Shengshu elle-même, des éléments qui se stabilisent lors de la version finale — ce qui signifie que la grille tarifaire sur laquelle vous établissez votre budget aujourd’hui pourrait ne pas être celle sur laquelle vous serez facturé dans six mois, et qu’une fonctionnalité sur laquelle vous vous appuyez peut évoluer. L’avantage compensatoire, c’est que l’aperçu existe : il y a une API, il y a de la documentation, il y a deux points de terminaison nommés, il y a un canal de support et il y a une orientation clairement annoncée.

Une publication de recherche, c'est un risque d'une autre nature. Les poids de FastFrames sont soumis aux conditions AMLR d'Apple, les composants de démonstration LingBot-World v2 présents dans le même dépôt sont sous CC BY-NC-SA 4.0 — non commercial — et le reste relève de l'Apple Sample Code Licence. Il n'y a ni point d'accès, ni SLA, ni support, ni politique de dépréciation, parce qu'il n'y a pas de service. Ce que vous obtenez en échange, c'est la pérennité et la possibilité de l'inspecter : les poids ne seront pas retirés, l'article ne sera pas réécrit, et Apple a publié chaque checkpoint d'étape d'entraînement du grand modèle — l'enseignant causal, l'étape distillée par cohérence, l'étape distillée par DMD, et le générateur final avec son décodeur de pixels et son réseau d'affinage KV — ce qui rend cette publication reproductible comme presque aucune autre dans ce domaine.

L’exigence matérielle est la ligne de démarcation pour la plupart des équipes. FastFrames nécessite Linux x86-64, un GPU NVIDIA et CUDA 12.8, puis uv sync et un script de génération. Vidu Q4 Preview nécessite un compte et une clé API. Cette phrase détermine la comparaison pour plus d’organisations que ne le fera la moindre différence Elo.

Lequel, en bref

Optez pour Vidu Q4 Preview lorsque l'enjeu est la cohérence du casting et des voix, lorsque la génération native en 4K avec couleur 10 bits est une exigence de livraison, lorsque l'entrée est un ensemble de références ou une image fixe plutôt qu'un prompt, ou lorsque votre processus repose réellement sur une passe de blocking 540p peu coûteuse avant de valider la pleine résolution. Acceptez qu'il s'agisse d'un aperçu, que la tarification puisse se stabiliser différemment et qu'il ne documente aucune voie text-to-video ni de montage.

Adoptez FastFrames lorsque la boucle est le livrable — un aperçu en direct, un avatar en streaming, un modèle de monde contrôlable — et lorsque le silence en 480p à partir d’une invite texte correspond à la forme attendue pour le produit plutôt qu’à un compromis. Acceptez la revue de licence, la flotte de GPU, l’absence d’entrées de référence et le fait que rien dans cette version ne vise un livrable en 1080p avec son.

OrcaRouter ne route pas Vidu Q4 Preview — il n’y a aucun identifiant Vidu dans le catalogue — et il n’héberge pas FastFrames, qui ne dispose d’aucun endpoint que quiconque puisse router. Ce qu’une seule clé permet bel et bien d’obtenir, c’est la couche vidéo hébergée avec des tarifs à la seconde publiés : 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 linguistiques sur un seul endpoint compatible OpenAI, aux tarifs catalogue des fournisseurs, répercutés sans aucune majoration (0 %) et avec bascule automatique entre les endpoints. Pour une équipe qui hésite entre une version d’aperçu et une version de recherche, dont aucune ne constitue aujourd’hui un pari sûr pour la production, c’est dans ce catalogue qu’il faut aller chercher une référence stable à la seconde avant l’une ou l’autre décision.

Qu'est-ce qui réglerait la question ?

Deux événements, et aucun autre. Une sortie complète de Vidu Q4 qui conserverait sa position au classement sur la même courbe par seconde transformerait l’aperçu en engagement de production et éliminerait le risque de continuité ; une version qui ajoute un point de terminaison texte-vers-vidéo le placerait sur les mêmes tableaux que tout le reste et rendrait la comparaison directe. De l’autre côté, qu’Apple héberge FastFrames à n’importe quel prix — ou que n’importe qui d’autre l’héberge — donnerait au modèle une entrée dans l’arène et une mesure de latence indépendante, la seule chose qui permettrait à un lecteur de juger 36 millisecondes par rapport à quoi que ce soit plutôt que de les admirer isolément.

À l’heure où j’écris ces lignes, ni l’un ni l’autre ne s’est produit. Ce qui laisse la décision là où elle se trouve habituellement : sur le livrable, sur la licence, et sur la question de savoir si vous préférez louer un aperçu ou posséder un document papier.

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.