כרטיס ראשי המשווה בין FastFrames Video Generation ל-Seedance 2.5, הכרטיס השמאלי מציג '81 פריימים, 5.06 שניות', '832x480, ללא קול' ו-'36 מ״ש לפריים', הכרטיס הימני מציג '30 שניות בהרצה אחת', '30 רפרנסים לתמונות ו-10 לווידאו' ו-'חיוב לפי טוקנים', עם לוגו OrcaRouter בפינה הימנית התחתונה.
Engineering & Research

יצירת וידאו ב-FastFrames לעומת Seedance 2.5: שלושים שניות מול שמונים ואחת פריימים

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

בריף של שלושים שניות ותקציב של שמונים ואחד פריימים הם שתי תשובות שונות לאותה שאלה, והשאלה אינה "כמה מהר". Seedance 2.5, המוצר ארוך-הטווח של ByteDance מ-31 ביולי 2026, מייצר שלושים שניות בהרצה אחת ומאריך מעבר לכך לאורך סבבים, תוך קריאה של עד 30 הפניות לתמונות, 10 הפניות לווידאו ו-10 קטעי אודיו כהקשר. FastFrames Video Generation, הגרסה של Apple מ-16 בנובמבר עם Cornell, מייצרת 81 פריימים ב-832×480 וב-16 פריימים לשנייה — 5.06 שניות — בתוך כ-2.9 שניות של זמן שעון קיר על B200 אחד, ללא קלטי ייחוס מכל סוג שהוא. אם אי פעם ראיתם במאי מנסה לשמור על משחק לאורך חיתוך, אתם כבר יודעים איזה משני המספרים האלה הוא בעיית ההנדסה הקשה יותר ואיזה הוא בעיית התזמון הקשה יותר. העמוד הזה עוסק בשנייה, כי היא זו שקובעת תקציבים.

שתי פילוסופיות מדידה, ואף אחת מהן אינה מחירון

התחל באופן שבו כל מודל גובה תשלום, משום שהיחידות אינן ניתנות להמרה, וכל השוואה שמעמידה פנים אחרת היא אריתמטיקה על שגיאת קטגוריה.

• Seedance 2.5 — מחויב בטוקני וידאו על ידי ByteDance לפי מחירון רשמי, שמפורסם דרך Volcano Engine Ark בסין ודרך BytePlus ModelArk בזירה הבין-לאומית. העלות של קליפ תלויה ברזולוציה, במשך ובשימוש בפועל בטוקנים, כך שנתון לשנייה תקף לרזולוציה אחת ולמשך אחד בלבד. טייקים שנכשלו מחויבים כמו טייקים מוצלחים.

• מארחי צד שלישי עבור Seedance 2.5 — כל אחד מוסיף את המרווח שלו ומפרסם את התעריף שלו לפי שנייה או לפי קליפ, ולכן תריסר דפים מציגים תריסר מספרים ואף אחד מהם אינו של הספק.

• FastFrames — ללא מונה. אתה קונה את ה-GPU. B200 אחד עבור המודל 1.3B, שמונה עבור 14B כדי להישאר אינטראקטיבי. יצירה שנכשלת עולה באותן שניות כמו יצירה שמצליחה, ושתיהן נמדדות בחשמל ולא בדולרים לכל פלט.

• נקודת הנתונים העצמאית היחידה — Artificial Analysis מתעדת את Dreamina Seedance 2.5 במחיר של 34.12 דולר לדקה בלוח טקסט לווידאו ו-40.82 דולר בעריכה, נכון ל-8 באוקטובר 2026. העמודה הזו היא העלות של דקת פלט ב-1080p בהגדרות ברירת המחדל של המודל, ו-Seedance 2.5 כברירת מחדל משתמש בתצורה הארוכה והכבדה יותר שאליה מתומחר מחירון התעריפים שלה. השתמשו בזה לסדרי גודל, לא לשורת תקציב.

מה שאומר שההצהרה הכנה היא שלאחד מהמודלים האלה יש מחיר שאי אפשר לחזות מבחוץ, ולשני אין מחיר בכלל. חוסר הצפויות של FastFrames נמצא בצד שלך של המאזן — אתה יודע כמה שעות GPU שרפת — וזה של Seedance 2.5 נמצא אצל הספק, כי מספר הטוקנים תלוי באופן שבו המודל בוחר לבזבז טוקנים על הפרומפט שלך. בין השניים, השני הוא המסוכן יותר לתכנון מולו.

מה תקציב הייחוס בעצם קונה

מספרי הייחוס שפורסמו נראים כמו תחרות מפרטים, ולמעשה הם הצהרת יכולת.

• תמונות — Seedance 2.5 מקבל עד 30 לעומת אפס ב-FastFrames. אין ב-FastFrames כלל מסלול להתניה על תמונות.

• וידאו — עד 10 קליפים כהפניות. זה הדבר שמשנה את ייעודו של המודל: סט הפניות שכולל תנועה, קצב והתנהגות מצלמה הנשאבים מצילום קיים הוא אובייקט שונה מסט הפניות שנושא רק מראה.

• אודיו — עד 10 קליפים. Seedance 2.5 מייצר עם שמע; FastFrames שקט, ואין נתיב אודיו בתצורה ששוחררה.

• אורך הפרומפט — אין תקרה מפורסמת שמשנה משהו ברמת הספציפיות הזו עבור Seedance; FastFrames מקבל פרומפט טקסטואלי ו-seed, וחלון 81 הפריימים שלו אומר שאתם מתארים שוט רציף אחד ולא סצנה.

שלושים שניות עם רפרנס וידאו הן שוט שאפשר לביים. שמונים ואחד פריימים מפרומפט הם שוט שאפשר לדגום. שתיהן שיטות הפקה לגיטימיות; הן לא אותה עבודה, ותקציב הרפרנסים הוא מה שהופך אותן לעבודות שונות ולא לרמות איכות שונות.

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

מדוע חלון של חמש שניות אינו מגבלה כפי שהוא נראה

חמש שניות נשמעות פוסלות לעומת שלושים, והארכיטקטורה היא הסיבה שזה פחות גרוע ממה שזה נשמע — וגם הסיבה שלא ניתן לתקן זאת על ידי בקשה ליותר פריימים.

FastFrames הוא אוטו-רגרסיבי: כל בלוק של 81 פריימים מותנה בזה שלפניו, וזו הסיבה שקליפים משתרשרים בכלל. תרומתם של המחברים אינה טרנספורמר מהיר יותר אלא הסרתם של שני הרכיבים שסביבו שמעולם לא היו העיקר. מפענח פיקסלים בעל 63.87 מיליון פרמטרים מחליף את מפענח ה-VAE ומקצר את הפענוח מכ-147 אלפיות שנייה לפריים לכ-1. רשת עידון קטנה מחליפה את עדכון ה-KV-cache שאורך 2 אלפיות שנייה במודל ה-1.3B ו-6 במודל ה-14B. הטרנספורמר עצמו מוקפא בשלב הסופי. במודל הקטן, 271.8 אלפיות שנייה לפריים הופכות ל-35.8.

עם זאת, שרשור אינו הארכה. אין פריים מפתח, אין פריים התחלה, אין פריים סיום, אין תמונת ייחוס, אין קליפ להמשך — כך שרצף בן דקה שנבנה מ-FastFrames הוא אחד עשר בלוקים משורשרים בלי מנגנון לשמור על פני הדמות, על התלבושת או על כיוון האור לאורך התפרים. שלושים שניות בהרצה אחת מעניקות ל-Seedance 2.5 חלון הקשר יחיד שבו העקביות היא הבעיה של המודל ולא של העורך. ההבדל הזה שווה יותר ממה שמספר משך הזמן פי שישה מרמז, וזה לא משהו ששיפורי חומרה יצליחו לסגור.

לאן המהירות מובילה אותך, ולאן היא לא.

המר 36 מילישניות ליחידות שמעניינות איש מוצר, והתמונה מצטיירת כצרה ומעניינת יותר מהכותרת.

• FastFrames-S על B200 אחד — 36 מילישניות לפריים, כ-28 בקשות בשנייה, קליפ של 5 שניות ב-2.9 שניות. מהיר יותר מניגון פי כ-1.7.

• FastFrames-L על שמונה B200s — 45 מילישניות לפריים, כ־22 בקשות בשנייה, 3.6 שניות עבור אותו קליפ.

• FastFrames-L על GPU אחד — 158 אלפיות שנייה לפריים, שזה 12.8 שניות עבור קליפ באורך 5 שניות. איטי יותר מאשר לצפות בו. המודל הגדול מאפשר אינטראקטיביות רק כשפרוסים על פני צומת.

• ב-720p — 127 אלפיות השנייה במודל הקטן, 116 במודל הגדול, על פני שמונה מעבדים גרפיים. כאן נגמרת האינטראקטיביות של זרם בודד.

• על H100 ולא על B200 — קנס של 25 עד 50 אחוז לפי הערכת המאמר עצמו, מה שמביא את המודל הקטן לאזור של 45 עד 54 מילישניות לפריים.

Seedance 2.5 אינו מפרסם דבר דומה, משום שהוא נמכר בשניות של פלט ולא בפריימים לשנייה של זמן שעון, ואף צד שלישי לא פרסם עבורו השהיה לפי פריים שעמוד זה יכול לאמת. אסימטריה זו אינה ביקורת; היא תזכורת לכך ששני המודלים מצוידים באמצעי מדידה שמטרתם לענות על שאלות שונות.

מה שאומר התיעוד העצמאי, בצד האחד שבו הוא קיים

ל-Seedance 2.5 יש מושב בדירקטוריון, ול-FastFrames אין, ושתי העובדות הללו צריכות להיאמר בבירור.

בלוח עריכת הווידאו של Artificial Analysis, נכון ל-8 באוקטובר 2026, Seedance 2.5 נמצא במקום השני עם 1,161 Elo לאחר 5,162 הצבעות — עריכת קליפ לפי הוראת טקסט תוך שמירה על האודיו. זה נגזר מיכולת ייחוס הווידאו, וזה סוג של מספר שמשמעותו ספציפית: כמה אלפי אנשים בחרו בפלט שלו על פני הפלט של מודל אחר במשימה ששניהם התבקשו לבצע. זה לא פסק דין על איכות בכלל, וזה לא אומר לך כמה עלה הקליפ.

ל-FastFrames אין רשומה בלוח מכיוון שאין לו מארח. אפל פרסמה משקולות אך לא נקודת קצה, כך ששום מבחן העדפה לא יכול להציג אותו למצביעים, וטענת האיכות של המודל נשענת כולה על טבלה 1 של המחברים שלו עצמם: ציוני VBench כוללים של 84.23 עבור FastFrames-S ו-84.44 עבור FastFrames-L לעומת 84.11 עבור בסיס Causal Forcing++ ב-272 מילישניות לפריים, כאשר Wan2.2 14.3B עומד על 84.65. לא משוחזר, ועל מדד שמתגמל בדיוק את החלקות הזמנית שמודלים אוטורגרסיביים נבנו להפיק. הפיזור על פני כל הטבלה של אפל הוא כשתי נקודות וחצי, בעוד שפיזור ההשהיה בקרב אותם מודלים הוא ארבעה סדרי גודל — וזהו הטיעון החזק ביותר במאמר, והוא טיעון על מה שמדדים מודדים ולא על איכות FastFrames.

תמחור בריף אמיתי

הצב עבודה אמיתית מול שניהם, והיחידות יתנגשו באופן שימושי יותר מכל טבלה.

• "סרט מוצר באורך שלושים שניות עם קריינות נעולה" — Seedance 2.5 יכול לעשות זאת בהרצה אחת עם הארכה מרובת-תורות, כשהוא לוקח את הקול כדגימת אודיו ואת תמונות המוצר הסטטיות כדגימות תמונה. FastFrames לא יכול להחזיק את האודיו, לא יכול לקבל את התמונות הסטטיות, והיה זקוק לכמה בלוקים משורשרים שאת התפרים ביניהם תצטרך להסתיר. העבודה עוברת למודל אחד משיקולי יכולת לפני שהמחיר נכנס לשיחה.

• "מאה וריאציות של לופ בן חמש שניות לתצוגה אינטראקטיבית" — FastFrames על B200 מפיק כל אחת מהן בפחות משלוש שניות של זמן שעון קיר, בעלות שולית שהיא שגיאת עיגול לאחר שהעלות של הכרטיס מופחתת. Seedance 2.5 תחייב על מאה הפקות, שכמה מהן יידחו, לפי מחירון שלא מפרסם נתון נקי לשנייה שאיתו אפשר לתכנן.

• "שוט מרכזי אחד שחייב להיראות כמו החומר שכבר ערכנו" — Seedance 2.5, כי רפרנס הווידאו הוא הדרך היחידה שבה אפשר לכוון כל אחד מהמודלים לחומר צילום קיים. ל-FastFrames אין נתיב מקליפ נכנס לקליפ יוצא.

• "להוכיח את קונספט האינטראקציה לפני שאנחנו קונים חומרה" — אף אחד מהשניים, באופן ישיר. העלות לשנייה של Seedance 2.5 ניתנת לידיעה רק בדיעבד, ו-FastFrames זקוק לחומרה קודם. המהלך הזול הוא לבנות אב-טיפוס מול מודל עם תעריף מפורסם לשנייה ונתון השהיה אמיתי, ואז להחליט.

OrcaRouter אינו מגיש את FastFrames — אין נקודת קצה מתארחת למשקולות של Apple בשום מקום, וזו אמירה על ההשקה ולא על ניתוב. מה שמפתח אחד אכן מגיע אליו היום הוא שכבת הווידאו המתארחת עם תעריפים מפורסמים: MiniMax H3 ב-0.08 דולר לשנייה ב-768p ו-0.13 דולר ב-2K, ומשפחת Kling 3.0, לצד יותר מ-200 מודלים לשוניים בנקודת קצה אחת תואמת OpenAI במחיר המחירון של הספק עם 0% תוספת מחיר. Seedance 2.5 גם אינו מסלול כאן — ByteDance מוכרת אותו דרך הפלטפורמות שלה וכרטיס הטוקנים הוא שלהם — והעמוד הזה לא מעמיד פנים אחרת. השימוש המעשי בקטלוג הזה בהשוואה הזו הוא מדידה: קבלו בסיס אמיתי לזמן השהיה ולעלות ממודל שאת המונה שלו ניתן לקרוא, לפני שמתחייבים או לצי GPU או לחשבונית טוקנים שאי אפשר לחזות.

השאלה הפתוחה, והיא עוסקת במטרים ולא במודלים

אם ByteDance תפרסם טבלת דוגמאות לתעריף טוקנים בהגדרות נוספות, האסימטריה בין תמחור לפי מדידה לתמחור צפוי תהיה הרבה יותר קלה לתכנון, והקורא יוכל סוף סוף להשוות את Seedance 2.5 למודל בתמחור לפי שנייה בלי לעשות את החשבון של הספק במקומו. אם אפל תארח את FastFrames בכל מחיר, המודל יקבל רשומה בארנה ונתון השהיה שמישהו אחר מדד — שני הדברים שיאפשרו לשפוט את 36 המילישניות שלו ולא רק להעריץ אותן.

אף אחד מהשניים לא קרה. עד שאחד מהם יקרה, הדרך לבחור היא לשים לב איזו שאלה אתה בעצם שואל. שלושים שניות בהרצה אחת עונות על "האם המודל הזה יכול לשמור על סצנה מגובשת". שלושים ושישה מילישניות לפריים עונות על "האם המודל הזה יכול לעמוד בקצב של אדם". שניהם קשים, שניהם שווים את התשלום, ואף מחירון אחד לא מתמחר את שניהם.

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.