Scheda hero che confronta FastFrames Video Generation e Luma Ray 3.2, con la scheda a sinistra che riporta '36 ms per frame', '832x480, senza audio' e '81 frame', quella a destra che riporta 'fino a 1080p', 'EXR a 10/12/16 bit' e '5 o 10 secondi', con il logo OrcaRouter in basso a destra.
Guides & Insights

Generazione video FastFrames vs Luma Ray 3.2: un flusso di frame contro un file con color grading

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Luma Ray 3.2 e FastFrames Video Generation sono entrambi modelli video di diffusione, entrambi rilasciati nel 2026, entrambi disponibili non prima della seconda metà di quest'anno — e non sono sostituti l'uno dell'altro in alcun senso che un produttore riconoscerebbe. Ray 3.2, disponibile dal 9 giugno, termina in un file: fino a 1080p, cinque o dieci secondi, opzionalmente HDR a 10, 12 o 16 bit nello standard ACES2065-1 EXR, che è il formato in cui un colorista esegue la correzione colore. FastFrames, pubblicato da Apple con Cornell il 16 novembre, termina in uno stream: 832×480, 81 fotogrammi, un fotogramma ogni 36 millisecondi su una singola B200, senza audio, solo prompt testuale, pesi su Hugging Face. Uno è costruito in modo che il suo output sopravviva a una pipeline di finishing. L'altro è costruito in modo che il suo output arrivi prima che tu abbia finito di guardare l'ultimo. Tutto quanto segue deriva da questa divisione, incluso il fatto scomodo che nessuno dei due modelli abbia un punteggio indipendente con cui dirimere la questione.

Il formato dell'output è la tesi, non la scheda tecnica

Parti da ciò che ciascun modello ti consegna, perché è qui che si gioca davvero il confronto.

• Ray 3.2 fornisce MP4 per impostazione predefinita e, su richiesta, fornisce frame HDR a 10, 12 o 16 bit in ACES2065-1 EXR — ma solo a 720p e 1080p, e solo per clip di cinque secondi. Il looping senza interruzioni e il percorso EXR sono entrambi funzionalità da cinque secondi.

• FastFrames produce un MP4 di 81 fotogrammi a 832×480 e 16 fotogrammi al secondo, ovvero 5,06 secondi di filmato muto. Non esiste alcun percorso EXR, alcuna scelta della profondità di bit e alcuna finestra di dialogo di esportazione. Il decoder dei pixel emette RGB a 8 bit per token e questo è tutto.

• La risoluzione ha un tetto di 1080p rispetto a un punto fisso di 480p, ma il confronto è ingiusto in entrambe le direzioni, perché la modalità 1080p HDR di Ray 3.2 non esiste per clip da dieci secondi, e il 480p di FastFrames non è un'impostazione che si può alzare.

Superficie di controllo: Ray 3.2 accetta testo, un fotogramma iniziale, un fotogramma finale o un video esistente da modificare, oltre a un massimo di 16 keyframe per clip e al tracciamento delle performance facciali su un massimo di otto volti. FastFrames accetta un prompt testuale e un seed.

Rileggi quell'elenco e nota cosa implica riguardo all'acquirente. Il set di funzionalità di Ray 3.2 è il set di funzionalità di un'inquadratura che esiste già in un montaggio e deve essere completata, rivista o estesa. Il set di funzionalità di FastFrames è il set di funzionalità di un sistema che non ha ancora deciso cosa sia l'inquadratura.

Ray 3.2, inteso come strumento di post-produzione

Il percorso EXR è l'intera ragione per cui questo modello esiste nella sua forma attuale, e comporta vincoli che la maggior parte delle descrizioni omette.

Genera a 540p, 720p e 1080p, in clip da cinque o dieci secondi, su sei rapporti d'aspetto che coprono verticale, quadrato e widescreen — ma la generazione da dieci secondi è solo da testo a video, quindi i percorsi condizionati da frame e da video sono limitati a cinque secondi. HDR è un'impostazione da attivare, a 720p e 1080p e da cinque secondi: si abilita HDR per ottenere l'esportazione EXR anziché riceverla automaticamente. L'audio è l'altro vincolo, e incide in un modo che le persone non si aspettano. Ray 3.2 non genera audio sincronizzato per testo a video o immagine a video; l'audio sopravvive solo quando si modificano o si riinquadrano filmati esistenti che contengono già una traccia. Per un modello posizionato nella finitura, ciò è coerente — il suono viene dal montaggio, non dal generatore — ma chiunque stia cercando un modello video-con-audio in un'unica chiamata dovrebbe smettere di leggere qui.

Anche la struttura commerciale conta. Ray 3.2 è il primo modello della famiglia Ray con un'API per sviluppatori completa, suddivisa in un tier Build pay-as-you-go e in un tier Scale con throughput riservato e SLA. I modelli Ray precedenti erano solo in abbonamento, il che significa che la storia dei prezzi della famiglia non è una guida per quella di questo modello. Il costo per clip varia insieme a risoluzione, gamma dinamica e durata; gli elenchi di terze parti collocano una clip 720p da cinque secondi vicino a $0,30 e una clip 1080p vicino a $1,20, e l'esportazione HDR o EXR moltiplica il costo della clip anziché aggiungersi a esso. Considerali come aritmetica degli aggregatori rispetto al listino prezzi di Luma, non come un numero pubblicato da Luma stesso.

Una trappola di denominazione che vale la pena di segnalare: i numeri di versione di Luma non crescono come sembrano. Ray3.14 è uscito il 26 gennaio 2026 e Ray 3.2 il 9 giugno 2026, quindi il numero più basso indica il modello più recente, e Luma ha ritirato il marchio Dream Machine su cui si basano ancora la maggior parte delle guide più vecchie.

FastFrames, letto come un ciclo di rendering

FastFrames non è un Ray 3.2 più piccolo. È un risultato di distillazione pubblicato come pesi, e l'architettura spiega sia la velocità sia le funzionalità mancanti.

Entrambi i checkpoint sono modelli di diffusione video autoregressivi basati su Wan2.1 — FastFrames-S da Wan2.1-T2V-1.3B e FastFrames-L da Wan2.1-T2V-14B — sottoposti a una ricetta che gli autori chiamano Causal Forcing++. Il contributo del paper non è un transformer più veloce. È l'eliminazione di due componenti costosi attorno al transformer: il decoder VAE, che nella baseline costava circa 147 millisecondi per frame ed è sostituito da un decoder pixel da 63,87 milioni di parametri che si attesta vicino a 1 millisecondo, e l'aggiornamento della KV-cache, che diventa una piccola rete di raffinamento che costa 2 millisecondi sul modello piccolo e 6 su quello grande. Il transformer stesso è congelato nella fase finale.

Fai il conto sul modello 1.3B: 271,8 millisecondi a frame diventano 35,8. Su una B200 sono circa 28 richieste al secondo, ovvero una clip di 5 secondi in 2,9 secondi. Il 14B richiede otto B200 per restare a 45 millisecondi e 22 richieste al secondo; su una singola GPU scende a 158 millisecondi, il che è più lento della riproduzione. A 720p il modello piccolo richiede 127 millisecondi a frame e quello grande 116 su otto GPU, e l'articolo stima una penalità H100 dal 25 al 50 percento in più.

La generazione autoregressiva è il motivo per cui 81 frame non sono così limitanti come sembra e anche il motivo per cui il modello non può fare ciò che fa Ray 3.2. Poiché ogni blocco è condizionato dal precedente, le clip si concatenano — ma la concatenazione non è controllo dei keyframe, e non c'è modo di fornire un frame iniziale, un frame finale, un'immagine di riferimento o una clip esistente. Il modello non ha alcun tipo di condizionamento su immagini.

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.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.

Il divario di misurazione è reale e si manifesta in entrambe le direzioni

Nessuno dei due modelli può essere inserito in una graduatoria, e le ragioni sono sufficientemente diverse da meritare di essere distinte.

Ray 3.2 non ha una voce nell'arena video di Artificial Analysis — né per text-to-video, né per image-to-video, verificato il 18 settembre 2026 per questo blog. Ciò che Luma pubblica invece è un report di valutazione interno su Ray3 che dichiara parità con Veo 3 e un vantaggio su diversi concorrenti, senza punteggi numerici allegati, e un'affermazione secondo cui la sua API funziona a meno della metà del prezzo e della latenza di modelli comparabili, anch'essa non quantificata. Quelli sono documenti di posizionamento. Non sono comparabili con un Elo di un'arena dotato di numerosità campionaria e intervallo di confidenza, e nessuna pagina dovrebbe presentarli come se lo fossero.

FastFrames ha il problema opposto: ha numeri, e provengono tutti dai suoi stessi autori. I totali VBench nella Tabella 1 del paper sono 84,23 per FastFrames-S e 84,44 per FastFrames-L, contro 84,11 per Causal Forcing++, la baseline da cui è stato distillato, a 272 millisecondi per frame. Wan2.1 1.3B, il modello di base, ottiene 83,80 a 30.444 millisecondi. Wan2.2 14.3B ottiene 84,65 a 117.734. Nessuno indipendente ha riprodotto nulla di tutto ciò, e VBench è un benchmark che premia esattamente la fluidità temporale in cui i modelli autoregressivi sono bravi. La tabella del paper stesso è un'affermazione di parità su un plateau da 83 a 85,5, non una misurazione della qualità.

Ciò che i due divari hanno in comune è il messaggio da trarre: la differenza nei totali di VBench tra tutti i modelli nella lista di Apple è di circa due punti e mezzo, mentre la differenza di latenza nella stessa lista è di quattro ordini di grandezza. Qualunque cosa misuri quel benchmark, ha smesso da tempo di discriminare tra questi sistemi. Entrambi questi modelli vengono venduti su assi che VBench non vede.

Costando un colpo in ciascuno

Metti un brief concreto a confronto con entrambi i tariffari e i conti smettono del tutto di essere comparabili.

• Una clip HDR 1080p di cinque secondi — Ray 3.2, circa 1,20 $ alle tariffe di listino prima del moltiplicatore HDR, consegnata come EXR che va direttamente in color grading. FastFrames non può produrre questa inquadratura a nessun prezzo.

• Una clip muta di cinque secondi a 480p — FastFrames, una B200 per 2,9 secondi di tempo effettivo sul modello piccolo, oppure otto B200 per 3,6 secondi su quello grande. Ray 3.2 non genera affatto a 480p; la sua soglia minima è 540p.

• Dieci secondi di qualsiasi cosa — Ray 3.2 solo da testo, a 1080p o inferiore. FastFrames raggiunge i dieci secondi concatenando due blocchi da 81 fotogrammi e sperando che la giunzione tenga.

• Novanta ciak della stessa inquadratura: è qui che l'economia si inverte. Ray 3.2 addebita per clip, quindi cento tentativi costano cento clip. FastFrames addebita in GPU-secondi, quindi cento tentativi costano cento volte 2,9 secondi di una macchina che già noleggi.

• L'hardware che non avete — FastFrames richiede Linux x86-64, una GPU NVIDIA e CUDA 12.8, e il repository include un percorso di inferenza funzionante, uno script di benchmark della latenza, un flusso di valutazione VBench e un'app demo. Niente di tutto questo è un servizio ospitato.

Quella linea delle novanta riprese è la vera distinzione. La fatturazione per clip dà un prezzo a un prodotto consegnabile; quella per secondo di GPU dà un prezzo all'esplorazione. Se il tuo processo è "genera finché non è giusto", il secondo modello costa un ordine di grandezza in meno ed è peggiore su ogni altro asse. Se il tuo processo è "genera una cosa che deve superare una valutazione", il primo modello è l'unico dei due in grado di fare il lavoro.

La licenza conta più della scheda tecnica

I pesi di FastFrames sono soggetti ai termini AMLR di Apple, e i componenti demo di LingBot-World v2 nello stesso repository sono CC BY-NC-SA 4.0 — non commerciale. Il resto è sotto la Sample Code Licence di Apple. «Pesi aperti» e «liberamente commercializzabile» non sono sinonimi, e questa release è deliberatamente attenta alla differenza in un modo in cui Ray 3.2, venduto con un contratto API commerciale con un livello Build e un livello Scale con SLA, semplicemente non lo è.

Quindi la questione dell'approvvigionamento va nella direzione opposta rispetto a quella tecnica. Ray 3.2 ti chiede di accettare un rapporto con un fornitore: tariffario, termini di servizio, impegno sulla capacità produttiva se acquisti Scale, un endpoint che potrebbe cambiare sotto di te. FastFrames ti chiede di leggere tre licenze e di assumerti la responsabilità delle GPU. Per uno studio che ha già un processo di revisione legale per i fornitori di API, la prima è più facile. Per un gruppo di ricerca che ha già delle B200 e un responsabile della conformità che legge le licenze per divertimento, la seconda è.

Dove va ciascuno, e la domanda che cambierebbe questo

Metti Ray 3.2 alla fine della pipeline e FastFrames all'inizio, e i due smettono di competere. Ray 3.2 è ciò a cui ricorri quando il montaggio esiste, la pipeline colore è reale e la ripresa deve uscire dall'altra parte gradabile a 10 bit o meglio — accettando clip HDR 1080p da cinque secondi, nessun audio generato e un costo per clip che si moltiplica con la gamma dinamica. FastFrames è ciò a cui ricorri quando il loop è il prodotto: un'anteprima live, un modello del mondo controllabile, un avatar che risponde all'interno di una sessione — accettando 480p, silenzio, nessun input di riferimento e una licenza che devi leggere prima di rilasciare.

Nessuna di queste è una route su OrcaRouter, e questo articolo non sostiene il contrario. Ciò che una singola chiave raggiunge è il livello video ospitato che funziona già oggi — MiniMax H3 a 0,08 $ al secondo a 768p e 0,13 $ a 2K, e la famiglia Kling 3.0 — insieme a oltre 200 modelli linguistici, al prezzo di listino del provider trasferito con markup dello 0%, così un taglio delle tariffe del fornitore arriva qui lo stesso giorno in cui viene annunciato, con failover automatico se un endpoint si degrada a metà coda. Per un team che valuta uno dei due modelli sopra, questo è il modo economico per misurare che aspetto ha un profilo reale di latenza e costi prima di impegnare budget GPU o un contratto Scale a un'ipotesi.

Ciò che risolverebbe questo confronto non è una demo migliore da una parte o dall’altra. È una misurazione indipendente di Ray 3.2 sull’arena image-to-video, così che il modello di finitura abbia almeno un numero, e una riproduzione dell’84,4 di FastFrames da parte di qualcuno che non lavori per Apple o Cornell. Finché non esistono entrambe, la base onesta per scegliere è il deliverable — e su questo asse questi due modelli non sono abbastanza vicini da poter essere confusi.

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.