
FastFrames dari Apple Menghasilkan Video Lebih Cepat daripada Kemampuan Anda Menontonnya
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 89 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
Tiga puluh enam milidetik per frame. Itulah angka di bagian atas FastFrames Video Generation, rilis yang diterbitkan Apple bersama Cornell pada 16 November 2026 — bobot di Hugging Face sebagai FastFrames-S dengan 1,3 miliar parameter dan FastFrames-L dengan 14 miliar, sebuah makalah berjudul "FastFrames: Video Generation at Interactive Latency" pada hari berikutnya. Hitung dulu sebelum membaca apa pun: satu klip adalah 81 frame pada 832×480 dan 16 frame per detik, yaitu 5,06 detik video. Pada 36 milidetik per frame di satu B200, model kecil menghasilkan klip itu dalam 2,9 detik. Bukan lebih cepat daripada alternatifnya — lebih cepat daripada pemutaran. Pertanyaan yang menarik bukanlah apakah angka itu nyata. Pertanyaannya adalah apa yang Apple korbankan untuk mendapatkannya, dan apakah pertukaran itu adalah sesuatu yang bisa Anda terima.
Apa yang sebenarnya dirilis, dan kapan
Dua checkpoint, keduanya text-to-video, keduanya tanpa pembatasan akses dan dapat diunduh per minggu ini. Repositori Hugging Face dibuat pada 16 November 2026 dan masih diperbarui pada pagi 18 November; pracetak arXiv (2611.23226) bertanggal 17 November. Jadi ini rilis berusia dua hari, bukan model dengan rekam jejak, dan tidak ada apa pun di sini yang telah dievaluasi secara independen. Semua yang berikut ini adalah entah pengukuran penulis sendiri atau atribut dari bobot yang diterbitkan.
• Ukuran — FastFrames-S pada 1,3B parameter, FastFrames-L pada 14B (14,3B jika menghitung head tambahan).
• Model dasar — didistilasi dari Wan2.1-T2V-1.3B dan Wan2.1-T2V-14B secara berturut-turut, menggunakan resep yang para penulis sebut Causal Forcing++.
• Keluaran — 832×480 pada 16 fps, 81 bingkai per generasi, autoregresif sehingga klip dapat dirangkai.
• Bobot — terbuka di Hugging Face, ditandai dengan lisensi AMLR Apple; kode demo LingBot-World v2 berlisensi CC BY-NC-SA 4.0, yang bersifat non-komersial, dan sisa repositori berada di bawah Lisensi Kode Sampel Apple.
• Harga — tidak ada. Apple tidak menyediakan endpoint FastFrames yang dihosting; Anda menjalankannya di GPU Anda sendiri.
Baris terakhir itulah yang perlu diresapi. FastFrames adalah rilis riset dengan bobot yang dapat diunduh, yang merupakan objek berbeda dari sebuah produk. Tidak ada tarif per detik, tidak ada antrean, tidak ada SLA, dan tidak ada cara untuk memanggilnya tanpa GPU NVIDIA dan CUDA 12.8.

Ke mana perginya milidetik itu
Ide arsitekturalnya lebih sempit daripada "model yang lebih cepat" dan lebih menarik. FastFrames adalah model difusi video autoregresif, yang berarti model ini menghasilkan satu blok frame dengan dikondisikan pada apa yang muncul sebelumnya. Pada baseline yang menjadi dasarnya, Causal Forcing++, menghasilkan satu blok 81 frame memakan 271,8 milidetik per frame, dan sebagian besar dari waktu itu sama sekali bukan transformer — melainkan variational autoencoder yang mendekode laten kembali menjadi piksel, ditambah langkah yang memperbarui KV cache agar blok berikutnya mengetahui apa yang terjadi pada blok ini.
Tim Apple menggantikan kedua ujung loop tersebut dengan jaringan kecil yang dipelajari dan membiarkan transformer difusi itu tidak diubah.
• Decoder VAE sudah tidak ada. Decoder piksel 63,87 juta parameter — tiga blok ConvNeXt kausal dan lapisan linear akhir yang menghasilkan nilai RGB 4×16×16 per token — menghasilkan frame secara langsung. Dekode turun dari sekitar 147 milidetik menjadi kira-kira 1 milidetik.
Pembaruan cache KV sekarang merupakan jaringan kecil. Sebuah stem bersama, empat blok self-attention dengan 8 kepala, dan satu head perbaikan residual per lapisan DiT, memakan waktu 2 milidetik pada model kecil dan 6 pada model besar.
Transformernya sendiri hampir tidak berubah, dan dibekukan selama tahap akhir. Pada model 1,3B, waktu DiT turun dari 41,6 menjadi 16,4 milidetik; pada model 14B, dari 89,2 menjadi 75,6.
Jumlahkan semua itu pada model 1.3B dan 271.8 milidetik menjadi 35.8. Itulah seluruh triknya, dan itu trik yang bagus: para penulis tidak membuat diffusion transformer lebih cepat, mereka menghapus bagian-bagian di sekelilingnya yang memang bukan intinya. Pixel decoder dilatih pada 32 B200s selama sekitar satu minggu atas 150,000 rollout, dengan tahap adversarial pada 8 B200s menggunakan diskriminator DINOv3 ViT-S/16 yang dibekukan untuk mencegahnya menghasilkan frame yang lembut.
Klaim kualitas, dan siapa yang memeriksanya
Berikut adalah bagian yang perlu diberi label. Angka-angka VBench di bawah ini adalah milik penulis sendiri, dijalankan pada prompt dan seed yang sama pada 480p, dan dilaporkan dalam Tabel 1 paper. Tidak ada pihak independen yang mereproduksinya, dan VBench adalah benchmark yang memberi imbalan pada jenis kelancaran temporal yang menjadi keunggulan model autoregresif. Anggap ini sebagai klaim tentang paritas, bukan pengukuran paritas.
• FastFrames-S — total VBench 84,23, kualitas 85,30, semantik 79,92, pada 36 ms per frame.
• FastFrames-L — total 84,44, kualitas 85,48, semantik 80,29, pada 45 ms per frame di delapan B200.
• Causal Forcing++, baseline yang menjadi sumber distilasinya — total 84,11 pada 272 ms per frame, jadi sekitar 7,6× lebih lambat dengan selisih 0,1 hingga 0,3 poin lebih rendah.
• Krea-Realtime — total 84,42 pada 1.675 ms per frame; makalah tersebut mengklaim realisme, kepatuhan prompt, komposisi, dan rendering teks yang sebanding dengan kecepatan lebih dari sepuluh kali lipat.
• Self-Forcing — 84,10 pada 717 ms; CausVid 83,18 pada 662 ms; LongLive2.0 83,65 pada 505 ms.
• Wan2.1 1.3B, model dasar — 83,80 pada 30.444 ms per frame.
• Wan2.2 14.3B — 84.65 pada 117,734 ms per frame. Itulah angka yang layak direnungkan: total terbaik di tabel, dengan biaya per frame sekitar 2,600 kali lipat FastFrames-L.
• MiniMax-H3 33.1B — 84,43 pada 38.454 ms; HunyuanVideo1.5 8.3B — 83,18 pada 1.555.508 ms.
Polanya adalah dataran kualitas yang rata dari 83 hingga 85,5 pada setiap model dalam daftar, dan sebaran latensi empat orde magnitudo. Apa pun yang diukur oleh total VBench, ia sudah berhenti membedakan sistem-sistem ini beberapa waktu lalu. Yang membedakan mereka sekarang adalah seberapa cepat mereka berjalan dan resolusi serta audio apa yang dapat mereka hasilkan — dan FastFrames memenangkan kolom pertama dengan selisih jauh sekaligus kalah telak di kolom kedua.
Apa yang sebenarnya didapat dari 36 milidetik per frame
Ubah ke satuan yang dipedulikan oleh orang produk. Penulis melaporkan throughput sekaligus latensi, dan keduanya menyampaikan cerita yang berbeda tergantung pada berapa banyak GPU yang Anda miliki.
• FastFrames-S, satu B200 — 36 ms per frame, sekitar 28 permintaan per detik. Klip 5 detik dalam 2,9 detik, atau 1,7× lebih cepat daripada waktu yang Anda butuhkan untuk menontonnya.
• FastFrames-L, delapan B200 — 45 ms per frame, sekitar 22 permintaan per detik. Klip 5 detik dalam 3,6 detik.
• FastFrames-L, satu GPU — 158 ms per frame, sekitar 6,3 permintaan per detik. Klip yang sama dalam 12,8 detik, yang lebih lambat daripada pemutaran. Model besar baru menjadi interaktif ketika Anda menyebarkannya ke seluruh node.
• Pada 720p — 127 ms per frame untuk model kecil dan 116 ms untuk model besar pada delapan GPU, yang merupakan titik di mana "interaktif" tidak lagi berlaku untuk sesi single-stream.
• Pada H100, bukan B200 — makalah tersebut menetapkan penalti sebesar 25 hingga 50 persen, sehingga model kecil berada di sekitar 45 hingga 54 ms per frame.
Klaim yang bertahan adalah klaim tentang model kecil pada perangkat keras saat ini. FastFrames-S pada satu B200 benar-benar lebih cepat daripada waktu nyata, yang membuat loop pratinjau langsung, avatar streaming, atau model dunia yang dapat dikendalikan menjadi layak tanpa render farm. Model 14B bersifat interaktif hanya dalam pengertian throughput batch.
Menjalankannya sendiri
Repositori ini menyertakan jalur inferensi yang berfungsi, bukan hanya bobot. Anda memerlukan Linux x86-64, GPU NVIDIA, dan CUDA 12.8; lalu uv sync, dan uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Ada skrip benchmark latensi yang menerima jumlah GPU, alur kerja evaluasi VBench, dan aplikasi demo di apps/lingbot yang berjalan di port 8000. Apple juga menerbitkan setiap checkpoint tahap pelatihan untuk model besar — guru kausal, tahap distilasi konsistensi, tahap distilasi DMD, dan generator akhir beserta dekoder piksel dan jaringan penyempurnaan KV-nya — yang tidak biasa dan menjadikan rilis ini dapat direproduksi dengan cara yang tidak dimiliki sebagian besar rilis "open weights".

Jika Anda tidak memiliki GPU, pernyataan jujurnya adalah OrcaRouter tidak menyediakan FastFrames, dan tidak ada pihak lain yang menyediakannya juga — tidak ada endpoint terkelola untuk dijadikan tujuan perutean. Yang dicakup oleh satu kunci OrcaRouter adalah model video terkelola yang sudah berfungsi saat ini, termasuk Kling 3.0 dan Kling 3 Turbo, Kling Video O1, dan MiniMax H3, dengan harga daftar penyedia yang diteruskan dengan markup 0%, sehingga perubahan harga vendor sampai kepada Anda pada hari yang sama, bukan pada siklus penagihan berikutnya. Pola yang masuk akal bagi tim yang penasaran dengan FastFrames adalah membuat prototipe ide produk dengan model terkelola yang latensinya dapat Anda ukur, dan baru membeli waktu GPU setelah Anda tahu bahwa siklus tersebut layak.
Apa yang tidak dapat dilakukannya
Tiga batasan, dan tidak satu pun akan ditambal minggu depan.
• Resolusi — 480p, titik. Apple melaporkan angka latensi 720p, tetapi konfigurasi yang dirilis adalah 832×480. Setiap pesaing di kelas harga ini menawarkan setidaknya 1080p.
• Audio — tidak ada. FastFrames senyap. Veo, Kling, Grok Imagine, dan HiDream semuanya menghasilkan audio tersinkronisasi dalam panggilan yang sama.
• Durasi dan kontrol — 81 frame per generasi dengan perantaian autoregresif, hanya prompt teks. Tanpa pengondisian gambar, tanpa aset referensi, tanpa keyframe, tanpa kontrol kamera, tanpa API ekstensi.
• Lisensi — bobot model membawa ketentuan AMLR Apple, dan komponen LingBot-World v2 berlisensi CC BY-NC-SA 4.0. Bacalah itu sebelum Anda membangun produk komersial di atas aplikasi demo; "bobot terbuka" dan "bebas untuk dikomersialkan" bukanlah sinonim, dan rilis ini sengaja dibuat sangat berhati-hati terhadap perbedaan tersebut.
Hal yang perlu diperhatikan
FastFrames paling mudah dipahami sebagai demonstrasi bahwa biaya pembangkitan video autoregresif tidak pernah sebagian besar berasal dari model. Biaya itu ada pada decode dan pembaruan cache, dan Apple menghapus keduanya untuk sekitar dua milidetik dan satu megabita parameter. Hasil itu dapat ditransfer: decoder piksel dilatih per model dasar, tetapi prinsipnya — bekukan transformer, pelajari mekanisme pendukungnya — berlaku untuk tumpukan difusi video kausal apa pun, dan makalahnya sudah menunjukkan prinsip ini diporting ke dua sistem pihak ketiga, membawa LingBot-World dari 1.085 menjadi 52 milidetik per frame pada varian 1,3B dan dari 3.862 menjadi 233 pada 14B.
Apa artinya bagi pembeli: jika produk Anda memerlukan model video dalam loop real-time, kebutuhan perangkat keras baru saja turun satu orde besaran dan penurunan kualitasnya tampak kecil. Jika produk Anda memerlukan klip jadi beresolusi 1080p dengan suara, tidak ada apa pun dalam rilis ini yang ditujukan untuk Anda, dan model hosted tetap menjadi jawabannya. Kesenjangan antara kedua kasus penggunaan tersebut akan menjadi ajang pertarungan rilis model video selama dua belas bulan ke depan.

