Kartu hero untuk perbandingan FastFrames Video Generation dan MiniMax H3, dengan tiga lencana di sebelah kiri bertuliskan '36 ms per frame', '832x480, tanpa suara', dan '81 frame' serta tiga di sebelah kanan bertuliskan '1.181 Elo image-to-video', 'audio stereo native', dan '$0,08 per detik', dengan logo OrcaRouter di kanan bawah.
Engineering & Research

FastFrames Video Generation vs MiniMax H3: Tiga Papan Melawan Stopwatch

Penulis

Gideon Frost

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Ada versi perbandingan ini yang menempatkan dua model video berdampingan dan memilih yang lebih cepat, dan itu akan memakan sekitar empat ratus kata. Itu juga akan salah, karena MiniMax H3 adalah model yang dapat Anda panggil per detik dan FastFrames Video Generation adalah sekumpulan bobot yang Anda unduh dan jalankan di perangkat keras milik Anda sendiri. H3 diluncurkan pada 31 Juli 2026 sebagai sistem omni-modal yang membaca referensi teks, gambar, video, dan audio sebagai satu konteks, menghasilkan suara stereo native, dan menempati posisi kedua di papan image-to-video Artificial Analysis dengan 1.181 Elo dari 7.284 suara per pembacaan 8 Oktober 2026. FastFrames hadir pada 16 November sebagai dua checkpoint, 1.3B dan 14B, yang didistilasi dari Wan2.1 untuk menghasilkan frame 480p dalam 36 milidetik — dan model ini tidak muncul di papan independen mana pun. Yang membedakan keduanya bukanlah kualitas. Perbedaannya adalah salah satunya merupakan produk dengan rekam jejak papan skor publik dan yang lainnya adalah makalah dengan stopwatch.

Tiga dewan, satu model, dan apa yang sebenarnya ditanyakan masing-masing dewan

Posisi H3 perlu dinyatakan secara tepat, karena angka yang biasa dikutip orang biasanya adalah angka yang salah.

• Video dari gambar — peringkat kedua dengan 1,181 Elo dari 7,284 suara, di belakang MiniMax H3 Max pada 1,195 dan di depan Vidu Q4 Preview pada 1,179. Enam belas poin mencakup tiga teratas, yang berada di dalam interval; itu adalah hasil imbang yang tampil seperti podium.

• Teks-ke-video — keempat dengan 1.137 Elo dari 8.315 suara. Papan yang lebih lemah bagi model ini, dan papan tempat model riset 480p tanpa audio akan bersaing jika memiliki entri.

• Pengeditan video — peringkat keempat dengan 1.119 Elo dari 7.023 suara, pada papan peringkat yang menilai model berdasarkan kemampuan mengedit klip sesuai instruksi teks dengan audio yang tetap terjaga.

Tiga kemunculan berarti tiga kemampuan berbeda yang diajukan dan diukur: menghasilkan dari gambar diam, menghasilkan dari teks, dan mentransformasi rekaman yang sudah ada. Yang ketiga adalah yang paling penting untuk perbandingan ini, karena memerlukan penerimaan video sebagai input, dan FastFrames tidak menerima apa pun selain teks.

Harga tercantum di kartu model kami sendiri sebesar $0.08 per detik pada 768p dan $0.13 per detik pada 2K, yaitu $4.80 dan $7.80 per menit — angka yang sama dengan yang muncul di kolom harga arena, dan model yang sama pada dua tingkat resolusi, bukan versi premium dan versi murah. Klip 5 detik pada 768p berharga $0.40.

Apa yang tidak termasuk dalam 36 milidetik

Kecepatan FastFrames itu nyata dan bukan kecepatan serbaguna, dan arsitekturnya menjelaskan alasannya dengan cara yang tidak dapat dilakukan oleh daftar spesifikasi.

Kedua checkpoint adalah model difusi video autoregresif yang didistilasi dari Wan2.1 melalui resep bernama Causal Forcing++. Para penulis membiarkan diffusion transformer hampir tidak diubah dan mengganti dua hal di sekitarnya yang sejak awal bukan inti persoalan. Dekoder VAE — sekitar 147 milidetik per frame pada baseline Causal Forcing++ — menjadi dekoder piksel 63,87 juta parameter yang menghasilkan frame secara langsung dan mencapai sekitar 1 milidetik. Pembaruan KV-cache menjadi jaringan penyempurnaan kecil yang memakan 2 milidetik pada model 1,3B dan 6 milidetik pada 14B. Transformer dibekukan selama tahap akhir.

Pada model kecil, waktu per frame turun dari 271,8 milidetik menjadi 35,8. Di satu B200, FastFrames-S menjalankan sekitar 28 permintaan per detik dan menghasilkan klip 5,06 detik dalam 2,9 detik. Model 14B hanya mencapai 45 milidetik per frame dengan delapan B200; pada satu GPU, waktu itu merosot menjadi 158 milidetik per frame, lebih lambat daripada menonton hasilnya. Pada 720p, model kecil membutuhkan 127 milidetik, dan makalah tersebut menetapkan penalti H100 sebesar 25 hingga 50 persen.

Yang tidak tercakup dalam angka tersebut adalah semua hal yang menyita waktu H3. FastFrames tidak menghasilkan audio. FastFrames hanya dikondisikan pada teks — tanpa frame awal, tanpa frame akhir, tanpa gambar referensi, tanpa klip untuk diperpanjang atau diubah gayanya. FastFrames menghasilkan 81 frame pada 832×480 dan 16 frame per detik, serta merangkai blok alih-alih menawarkan kontrol keyframe atau kamera. Tiga dari empat modalitas masukan yang diterima H3 tidak ada dalam jalur inferensi FastFrames.

A two-column scoreboard comparing FastFrames and MiniMax H3 across six dimensions: independent score none against 1,181 Elo, resolution 832x480 against 2K, clip length 81 frames against 4 to 15 seconds, audio none against native stereo, inputs text only against text, image, video and audio, and price GPU time you supply against $0.08 per second.

Mengapa kecepatan masih tetap bernilai meskipun begitu

Mudah saja untuk menganggap FastFrames sudah tidak layak setelah bagian sebelumnya, tetapi itu tafsir yang keliru. Angka itu bukan angka pemasaran; angka itu mengubah jenis produk yang mungkin dihadirkan.

Pada 36 milidetik per frame di satu B200, sebuah generasi selesai sebelum Anda sempat menontonnya. Itulah ambang ketika loop pratinjau berhenti menjadi pekerjaan batch dan menjadi interaktif: Anda mengetik, Anda melihat, Anda menyesuaikan, dan mesin mengimbangi penyesuaian itu. Model 14B pada 45 milidetik di seluruh node mencapai itu dalam pengertian throughput terbatch, tetapi latensi aliran tunggal yang benar-benar dirasakan seseorang adalah sifat model kecil. Tidak ada dalam permukaan publik H3 yang membahas kasus penggunaan itu, karena H3 diukur dalam detik rekaman jadi, bukan dalam frame yang dihasilkan per detik waktu berjalan — keduanya bukan pengukuran yang sama dan kartu tarif tidak memungkinkan Anda menurunkan yang satu dari yang lain.

Ada konsekuensi orde kedua yang dijelaskan secara eksplisit oleh makalah tersebut. Decoder piksel dilatih per model dasar, tetapi prinsipnya—bekukan transformer, pelajari plumbing-nya—telah diadaptasi ke sistem pihak ketiga dalam eksperimen makalah itu sendiri, membawa LingBot-World dari 1.085 menjadi 52 milidetik per frame pada varian 1,3B dan dari 3.862 menjadi 233 pada 14B. Itu adalah hasil tentang sebuah teknik, bukan produk, dan itulah bagian dari rilis ini dengan jangkauan paling luas.

Keadaan bukti yang jujur di masing-masing pihak

Di sinilah perbandingan ini tidak lagi bisa diperdebatkan ke arah mana pun, dan kedua sisinya perlu disampaikan secara blak-blakan.

Segala klaim FastFrames tentang kualitas berasal dari para penulisnya sendiri. Total VBench dalam Tabel 1 adalah 84.23 untuk FastFrames-S dan 84.44 untuk FastFrames-L, dibandingkan 84.11 untuk baseline pada 272 milidetik dan 84.65 untuk Wan2.2 14.3B pada 117,734 milidetik. Tidak ada pihak independen yang mereproduksinya. VBench menghargai kehalusan temporal yang memang dirancang untuk dihasilkan oleh model autoregresif, dan seluruh rentang pada tabel Apple sendiri adalah sekitar dua setengah poin sementara rentang latensi di antara model-model yang sama adalah empat orde besaran. Bacalah tabel itu sebagai klaim tentang paritas, bukan sebagai pengukurannya.

Posisi H3 di papan peringkat membawa jumlah sampel dan interval kepercayaan, yang merupakan bentuk bukti lebih kuat sekaligus lebih sempit. Papan preferensi memberi tahu Anda keluaran mana yang dipilih orang saat diperlihatkan dua klip; papan itu tidak memberi tahu berapa biaya produksi masing-masing klip, apakah suaranya sinkron, atau apakah model akan bertahan saat lonjakan 40 permintaan pada 2K. Sebaran enam belas poin di bagian atas papan image-to-video adalah pengingat yang baik bahwa angka-angka ini memeringkatkan persepsi, bukan kemampuan, dan bahwa halaman mana pun yang menyatakan pemenang dari selisih enam belas poin pada interval ±10 sedang membaca noise.

Jadi perbandingannya bermuara pada ini: satu model telah melalui pemungutan suara oleh ribuan orang dan dihargai per detik, sedangkan model lainnya punya stopwatch, berkas lisensi, dan sebuah makalah. Itu adalah jenis-jenis bukti yang berbeda dan tidak satu pun menggantikan yang lain.

Dua jalur pengadaan yang tidak mirip satu sama lain

Membeli waktu tayang di H3 dan menjalankan FastFrames hampir tidak memiliki langkah yang sama, itulah alasan praktis mengapa keduanya jarang berakhir dalam keputusan yang sama.

• H3 — tarif per detik pada endpoint yang dihosting, sebesar $0.08 pada 768p dan $0.13 pada 2K, pada API milik vendor sendiri dan melalui beberapa platform pihak ketiga. Tanpa perangkat keras, tanpa peninjauan lisensi, tanpa CUDA. Kami merutekannya sebagai minimax/minimax-h3 pada API model publik, ditagihkan dengan tarif daftar vendor yang diteruskan tanpa tambahan apa pun, dapat dipanggil pada endpoint yang sama yang kompatibel dengan OpenAI seperti model bahasa dalam katalog.

• FastFrames — Linux x86-64, GPU NVIDIA, CUDA 12.8, lalu uv sync dan pemanggilan scripts/generate.py dengan direktori checkpoint dan sebuah seed. Bobotnya membawa ketentuan AMLR Apple; komponen demo LingBot-World v2 di repositori yang sama berlisensi CC BY-NC-SA 4.0, yang bersifat non-komersial; sisanya berada di bawah Apple's Sample Code Licence. Apple juga menerbitkan setiap checkpoint tahap pelatihan untuk model besar tersebut, yang tidak biasa dan membuat rilis ini dapat direproduksi dengan cara yang tidak dimiliki sebagian besar rilis bobot terbuka.

• Biaya tersembunyi di kedua sisi — meteran per detik H3 tetap berjalan baik take-nya bagus maupun tidak, dan take yang ditolak ditagih sama seperti take yang diterima. Meteran GPU FastFrames berjalan dengan cara yang sama, tetapi pada tarif marjinal yang hanya sebesar galat pembulatan jika perangkat keras sudah teramortisasi dan menjadi biaya tetap yang besar jika belum.

Satu konsekuensi praktis dari harga pass-through di pihak kami: ketika MiniMax mengubah tarif per detik, perubahan itu terlihat pada rute di hari yang sama, bukan saat perpanjangan kontrak. FastFrames tidak memiliki tarif yang perlu diubah.

Untuk apa masing-masing, dinyatakan sebagai kalimat yang dapat Anda tindak lanjuti.

Pilih MiniMax H3 ketika input-nya berupa apa pun selain prompt teks, ketika hasil akhirnya membutuhkan suara, atau ketika klip lima belas detik dengan ekstensi multi-turn lebih mendekati shot yang Anda inginkan daripada 81 frame 480p. Ini satu-satunya dari keduanya yang dapat mengedit rekaman, satu-satunya yang menghasilkan audio, dan satu-satunya yang klaim kualitasnya telah diuji oleh orang-orang yang tidak bekerja untuk perusahaan pembuatnya. Tarif 2K-nya juga lebih murah daripada sebagian besar pesaing di tingkat tersebut.

Gunakan FastFrames ketika loop adalah produknya dan frame bukanlah keluaran yang diserahkan — pratinjau langsung, model dunia yang dapat dikendalikan, avatar yang harus menjawab dalam suatu sesi, atau program riset yang ingin mengubah cara stack video kausal melakukan dekode, bukan apa yang dihasilkannya. Terimalah 480p, tanpa suara, tanpa input referensi, dan lisensi yang harus Anda baca sebelum merilis apa pun secara komersial.

FastFrames tidak dilayani oleh OrcaRouter, dan halaman ini tidak mengklaim bahwa FastFrames dilayani — tidak ada endpoint ter-hosting untuk bobot Apple. H3 adalah hal yang berbeda: kami merutekannya sebagai minimax/minimax-h3, bersama keluarga Kling 3.0 dan lebih dari 200 model bahasa, dengan satu kunci pada harga daftar penyedia dengan markup 0% dan failover otomatis antar endpoint. Itu cara murah untuk mengetahui apakah model video per detik cocok dengan pipeline Anda sebelum Anda membelanjakan seperempat anggaran GPU untuk alternatifnya.

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.

Satu hasil yang akan membuat ini menjadi kompetisi sungguhan

Dua hal akan mengubah pembacaannya, dan tidak satu pun merupakan demo yang lebih baik.

Yang pertama adalah FastFrames yang muncul di papan arena. Itu memerlukan seseorang untuk menghostingnya, dan saat ini tidak ada yang melakukannya — Apple menerbitkan bobot dan tidak menyediakan endpoint, jadi tidak ada cara bagi uji preferensi untuk menyajikannya kepada pemilih. Sampai itu terjadi, klaim kualitas model sepenuhnya bergantung pada angka VBench dari para penulisnya, yang merupakan posisi lebih lemah daripada posisi yang ditempati model mana pun di tiga papan H3.

Yang kedua adalah MiniMax menerbitkan angka latensi. Kartu tarif H3 dinyatakan dalam detik keluaran, dan tidak di mana pun dalam struktur itu terdapat biaya per frame yang dapat dibandingkan pembaca dengan 36 milidetik. Jika MiniMax atau penguji independen menerbitkan frame per detik pada resolusi dan GPU tertentu, kedua model akhirnya dapat diukur pada sumbu bersama. Mereka belum melakukannya, dan bukanlah kepentingan komersial vendor untuk memulainya.

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.