
FastFrames di Apple genera video più velocemente di quanto tu possa guardarli
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 97 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNUOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 88 tok/s
- OrcaNUOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaNUOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M di token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenza
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenza
Trentasei millisecondi per fotogramma. È il numero in cima a FastFrames Video Generation, la release che Apple ha pubblicato con Cornell il 16 novembre 2026 — pesi su Hugging Face come FastFrames-S da 1,3 miliardi di parametri e FastFrames-L da 14 miliardi, un articolo intitolato "FastFrames: Video Generation at Interactive Latency" il giorno successivo. Fai i calcoli prima di leggere qualsiasi altra cosa: una clip è di 81 fotogrammi a 832×480 e 16 fotogrammi al secondo, cioè 5,06 secondi di video. A 36 millisecondi per fotogramma su una singola B200, il modello piccolo produce quella clip in 2,9 secondi. Non più veloce delle alternative — più veloce della riproduzione. La domanda interessante non è se il numero sia reale. È cosa Apple ha sacrificato per ottenerlo, e se quel compromesso è uno con cui puoi convivere.
Cosa è stato effettivamente rilasciato, e quando
Due checkpoint, entrambi text-to-video, entrambi senza restrizioni e scaricabili da questa settimana. Le repository Hugging Face sono state create il 16 novembre 2026 ed erano ancora in aggiornamento la mattina del 18 novembre; il preprint arXiv (2611.23226) è datato 17 novembre. Si tratta quindi di un rilascio di due giorni, non di un modello con uno storico consolidato, e nulla di quanto presentato è stato valutato in modo indipendente. Tutto ciò che segue è o una misurazione degli autori stessi o un attributo dei pesi pubblicati.
• Dimensioni — FastFrames-S con 1,3B parametri, FastFrames-L con 14B (14,3B contando le teste aggiunte).
• Modelli base — distillati rispettivamente da Wan2.1-T2V-1.3B e Wan2.1-T2V-14B, utilizzando una ricetta che gli autori chiamano Causal Forcing++.
• Output — 832×480 a 16 fps, 81 frame per generazione, autoregressivo così le clip possono essere concatenate.
• Pesi — disponibili in open su Hugging Face, contrassegnati con la licenza AMLR di Apple; il codice demo di LingBot-World v2 è CC BY-NC-SA 4.0, ovvero non commerciale, e il resto del repository è sotto la Apple's Sample Code Licence.
• Prezzi: nessuno. Apple non offre alcun endpoint FastFrames ospitato; lo esegui sulle tue GPU.
Quell'ultima frase è quella da interiorizzare. FastFrames è un rilascio di ricerca con pesi scaricabili, che è un oggetto diverso da un prodotto. Non c'è alcuna tariffa al secondo, nessuna coda, nessun SLA e nessun modo di chiamarlo senza una GPU NVIDIA e CUDA 12.8.

Dove sono finiti i millisecondi
L'idea architetturale è più circoscritta di "un modello più veloce" e più interessante. FastFrames è un modello di diffusione video autoregressivo, il che significa che genera un blocco di fotogrammi condizionato da ciò che è venuto prima. Nella baseline su cui è costruito, Causal Forcing++, generare un blocco di 81 fotogrammi costa 271,8 millisecondi per fotogramma, e gran parte di questo non è affatto il transformer — è l'autoencoder variazionale che decodifica i latenti riportandoli in pixel, più il passaggio che aggiorna la cache KV affinché il blocco successivo sappia cosa è successo in questo.
Il team di Apple ha sostituito entrambe le estremità di quel ciclo con piccole reti addestrate, lasciando invariato il diffusion transformer.
• Il decoder VAE non c'è più. Un decoder pixel da 63,87 milioni di parametri — tre blocchi ConvNeXt causali e uno strato lineare finale che emette valori RGB 4×16×16 per token — produce direttamente i frame. La decodifica scende da circa 147 millisecondi a circa 1 millisecondo.
• L'aggiornamento della cache KV è ora una piccola rete. Uno stem condiviso, quattro blocchi di self-attention a 8 teste e una testa di riparazione residua per ogni layer DiT, con un costo di 2 millisecondi sul modello piccolo e 6 su quello grande.
• Il transformer stesso è cambiato appena ed è congelato durante la fase finale. Sul modello 1.3B, il tempo DiT passa da 41.6 a 16.4 millisecondi; sul 14B, da 89.2 a 75.6.
Somma quei valori sul modello 1.3B e 271,8 millisecondi diventano 35,8. È tutto qui il trucco, ed è un buon trucco: gli autori non hanno reso più veloce un diffusion transformer, hanno rimosso le parti che lo circondavano e che non erano mai state il punto. Il pixel decoder è stato addestrato su 32 B200 per circa una settimana su 150.000 rollout, con una fase adversariale su 8 B200 che utilizzava un discriminatore DINOv3 ViT-S/16 congelato per impedirgli di produrre fotogrammi poco nitidi.
L'affermazione sulla qualità, e chi l'ha verificata
Ecco la parte che necessita di un'etichetta. I numeri VBench qui sotto sono quelli degli autori stessi, ottenuti con gli stessi prompt e seed a 480p, e riportati nella Tabella 1 del paper. Nessuno indipendente li ha riprodotti, e VBench è un benchmark che premia quel tipo di fluidità temporale in cui i modelli autoregressivi sono bravi. Trattali come un'affermazione di parità, non come una sua misurazione.
• FastFrames-S — 84,23 VBench totale, 85,30 qualità, 79,92 semantico, a 36 ms per frame.
FastFrames-L — 84,44 totale, 85,48 qualità, 80,29 semantico, a 45 ms per fotogramma su otto B200.
• Causal Forcing++, il baseline da cui è stato distillato — 84,11 totali a 272 ms per frame, quindi circa 7,6× più lento per 0,1–0,3 punti in meno.
• Krea-Realtime — 84.42 complessivo a 1.675 ms per frame; il documento sostiene un realismo, un'aderenza al prompt, una composizione e un rendering del testo comparabili a una velocità oltre dieci volte superiore.
• Self-Forcing — 84,10 a 717 ms; CausVid 83,18 a 662 ms; LongLive2.0 83,65 a 505 ms.
• Wan2.1 1.3B, il modello base — 83,80 a 30.444 ms per fotogramma.
• Wan2.2 14.3B — 84,65 a 117.734 ms per fotogramma. Questo è il numero su cui vale la pena soffermarsi: il miglior totale disponibile, a circa 2.600 volte il costo per fotogramma di FastFrames-L.
• MiniMax-H3 33,1B — 84,43 a 38.454 ms; HunyuanVideo1.5 8,3B — 83,18 a 1.555.508 ms.
Il quadro è un plateau di qualità piatto da 83 a 85,5 su ogni modello dell'elenco, e una dispersione della latenza di quattro ordini di grandezza. Qualunque cosa misuri il totale VBench, ha smesso da tempo di discriminare tra questi sistemi. Ciò che ora li distingue è la velocità con cui vengono eseguiti e la risoluzione e l'audio che possono produrre — e FastFrames vince la prima colonna di gran lunga, mentre perde del tutto la seconda.
Cosa ti dà davvero 36 millisecondi per frame
Converti nelle unità che interessano a chi si occupa di prodotto. Gli autori riportano sia il throughput sia la latenza, e questi due raccontano storie diverse a seconda di quante GPU si possiedono.
• FastFrames-S, una B200 — 36 ms per fotogramma, circa 28 richieste al secondo. Una clip di 5 secondi in 2,9 secondi, ovvero 1,7× più veloce di quanto si possa guardarla.
• FastFrames-L, otto B200: 45 ms per frame, circa 22 richieste al secondo. Una clip di 5 secondi in 3,6 secondi.
• FastFrames-L, una GPU — 158 ms per fotogramma, circa 6,3 richieste al secondo. Lo stesso clip in 12,8 secondi, il che è più lento della riproduzione. Il modello grande diventa interattivo solo quando lo si distribuisce su un nodo.
• A 720p — 127 ms per frame per il modello piccolo e 116 ms per quello grande su otto GPU, che è il punto in cui "interactive" smette di essere tale per una sessione a flusso singolo.
• Su H100 anziché B200 — lo studio stima la penalità tra il 25 e il 50 percento, quindi il modello piccolo si attesta intorno ai 45-54 ms per frame.
L'affermazione che regge è quella sul modello piccolo con l'hardware attuale. FastFrames-S su una singola B200 è davvero più veloce del tempo reale, ed è ciò che rende fattibile un ciclo di anteprima dal vivo, un avatar in streaming o un modello di mondo controllabile senza una render farm. Il 14B è interattivo solo nel senso del throughput in batch.
Eseguirlo da soli
Il repository fornisce un percorso di inferenza funzionante, non solo i pesi. Servono Linux x86-64, una GPU NVIDIA e CUDA 12.8; poi uv sync, e uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. C'è uno script di benchmark della latenza che prende in input un numero di GPU, un workflow di valutazione VBench e un'app demo sotto apps/lingbot servita sulla porta 8000. Apple ha anche pubblicato ogni checkpoint delle fasi di addestramento per il modello grande — il teacher causale, la fase distillata per coerenza, la fase distillata con DMD e il generatore finale con il suo decoder pixel e la rete di raffinamento KV — cosa insolita, che rende il rilascio riproducibile in un modo in cui la maggior parte dei rilasci "open weights" non lo è.

Se non disponi delle GPU, la dichiarazione onesta è che OrcaRouter non serve FastFrames, e nemmeno chiunque altro — non esiste un endpoint ospitato a cui instradare. Ciò che una chiave OrcaRouter copre sono i modelli video ospitati che funzionano già oggi, inclusi Kling 3.0 e Kling 3 Turbo, Kling Video O1 e MiniMax H3, a prezzi di listino del fornitore trasferiti con 0% di ricarico, così una variazione di prezzo del fornitore ti raggiunge lo stesso giorno anziché al ciclo di fatturazione successivo. Il modello sensato per un team incuriosito da FastFrames è prototipare l'idea di prodotto su un modello ospitato di cui puoi misurare la latenza, e acquistare tempo GPU solo una volta che sai che il ciclo vale la spesa.
Cosa non può fare
Tre limiti, e nessuno di questi verrà corretto la prossima settimana.
• Risoluzione — 480p, punto e basta. Apple dichiara valori di latenza a 720p, ma la configurazione rilasciata è 832×480. Ogni concorrente in questa fascia di prezzo offre almeno 1080p.
• Audio — nessuno. FastFrames è silenzioso. Veo, Kling, Grok Imagine e HiDream generano tutti audio sincronizzato nella stessa chiamata.
• Durata e controllo — 81 frame per generazione con concatenamento autoregressivo, solo prompt testuali. Nessun condizionamento tramite immagini, nessun asset di riferimento, nessun keyframe, nessun controllo della camera, nessuna API di estensione.
• Licenza — i pesi del modello sono soggetti ai termini AMLR di Apple, e i componenti di LingBot-World v2 sono distribuiti con licenza CC BY-NC-SA 4.0. Leggilo prima di costruire un prodotto commerciale sull'app demo; "pesi aperti" e "liberi per uso commerciale" non sono sinonimi, e questa release è deliberatamente attenta alla differenza.
La cosa da tenere d'occhio
FastFrames si comprende meglio come una dimostrazione del fatto che il costo della generazione video autoregressiva non è mai stato principalmente il modello. Era la decodifica e l'aggiornamento della cache, e Apple li ha eliminati entrambi in circa due millisecondi e un megabyte di parametri. Quel risultato è trasferibile: il decodificatore di pixel viene addestrato per modello di base, ma il principio — congelare il transformer, apprendere l'idraulica — si applica a qualsiasi stack di diffusione video causale, e l'articolo mostra già che è stato portato su due sistemi di terze parti, portando LingBot-World da 1.085 a 52 millisecondi per frame nella variante 1.3B e da 3.862 a 233 nella 14B.
Che cosa significa per un acquirente: se il tuo prodotto richiede un modello video in un ciclo in tempo reale, il requisito hardware è appena diminuito di un ordine di grandezza e il costo in termini di qualità sembra essere contenuto. Se il tuo prodotto richiede una clip finita a 1080p con audio, nulla in questa release è pensato per te, e i modelli ospitati restano la risposta. Il divario tra questi due casi d’uso è il terreno su cui si combatterà, nei prossimi dodici mesi, la prossima tornata di rilasci di modelli video.

