
Generazione video FastFrames vs MiniMax H3: tre board contro un cronometro
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token
- 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 · 91 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 · 118 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 · 187 tok/s
Esiste una versione di questo confronto che mette due modelli video fianco a fianco e sceglie il più veloce, e richiederebbe circa quattrocento parole. Sarebbe anche sbagliata, perché MiniMax H3 è un modello che puoi chiamare al secondo e FastFrames Video Generation è un insieme di pesi che scarichi ed esegui su hardware di tua proprietà. H3 è stato lanciato il 31 luglio 2026 come sistema omnimodale che legge riferimenti a testo, immagini, video e audio come un unico contesto, genera audio stereo nativo e occupa il secondo posto nella classifica image-to-video di Artificial Analysis con 1.181 Elo su 7.284 voti, come rilevato l'8 ottobre 2026. FastFrames è arrivato il 16 novembre come due checkpoint, 1.3B e 14B, distillati da Wan2.1 per produrre un fotogramma a 480p in 36 millisecondi — e non compare su nessuna classifica indipendente. Ciò che li separa non è la qualità. È che uno di questi è un prodotto con un record pubblico in classifica e l'altro è un paper con un cronometro.
Tre consigli di amministrazione, un modello e ciò che ogni consiglio sta effettivamente chiedendo
Le posizioni di H3 meritano di essere enunciate con precisione, perché il numero che le persone citano di solito è quello sbagliato.
• Da immagine a video — secondo con 1,181 Elo su 7,284 voti, dietro a MiniMax H3 Max a 1,195 e davanti a Vidu Q4 Preview a 1,179. Sedici punti separano le prime tre posizioni, un margine che rientra negli intervalli; si tratta di un pareggio travestito da podio.
• Text-to-video — quarto a 1.137 Elo su 8.315 voti. La classifica più debole del modello, e quella in cui un modello di ricerca senza audio a 480p sarebbe in gara se avesse un'iscrizione.
Montaggio video — quarto con 1.119 Elo su 7.023 voti, in una classifica che valuta i modelli sulla modifica di una clip a partire da un'istruzione testuale mantenendo l'audio.
Tre presenze significano tre diverse capacità presentate e misurate: generare da un'immagine fissa, generare da testo e trasformare filmati già esistenti. La terza è quella che conta di più per questo confronto, perché richiede di accettare il video come input, e FastFrames non accetta altro che testo.
I prezzi sono indicati sulla nostra scheda del modello: 0,08 $ al secondo a 768p e 0,13 $ al secondo a 2K, ovvero 4,80 $ e 7,80 $ al minuto — la stessa coppia di cifre che compare nella colonna dei prezzi dell’arena, e lo stesso modello a due livelli di risoluzione anziché una versione premium e una economica. Una clip di 5 secondi a 768p costa 0,40 $.
Cosa non includono 36 millisecondi
La velocità di FastFrames è reale e non è una velocità generica, e l'architettura spiega il perché in un modo che un elenco di specifiche non riesce a fare.
Entrambi i checkpoint sono modelli di diffusione video autoregressivi distillati da Wan2.1 tramite una ricetta chiamata Causal Forcing++. Gli autori hanno lasciato in gran parte invariato il diffusion transformer e hanno sostituito le due componenti attorno ad esso che non erano mai state il punto centrale. Il decoder VAE — circa 147 millisecondi per frame nella baseline Causal Forcing++ — diventa un pixel decoder da 63,87 milioni di parametri che emette direttamente i frame e si attesta vicino a 1 millisecondo. L'aggiornamento della KV-cache diventa una piccola rete di raffinamento che costa 2 millisecondi sul modello 1.3B e 6 sul 14B. Il transformer viene congelato durante la fase finale.
Sul modello piccolo, questo riduce il tempo da 271,8 millisecondi per frame a 35,8. Su una singola B200, FastFrames-S gestisce circa 28 richieste al secondo e produce una clip di 5,06 secondi in 2,9 secondi. Il 14B mantiene 45 millisecondi solo su otto B200; su una singola GPU degrada a 158 millisecondi per frame, il che è più lento che guardare il risultato. A 720p è di 127 millisecondi sul modello piccolo, e l'articolo stima la penalità H100 dal 25 al 50 percento.
Ciò che il numero non include è tutto ciò a cui H3 dedica il suo tempo. FastFrames non produce audio. Si basa esclusivamente sul testo: nessun frame iniziale, nessun frame finale, nessuna immagine di riferimento, nessuna clip da estendere o rielaborare. Genera 81 frame a 832×480 e 16 frame al secondo, e concatena blocchi anziché offrire il controllo di keyframe o della camera. Tre delle quattro modalità di input accettate da H3 non esistono nel percorso di inferenza di FastFrames.

Perché la velocità vale ancora qualcosa anche così
Sarebbe facile archiviare FastFrames dopo la sezione precedente, e questa sarebbe la lettura sbagliata. Il numero non è una cifra di marketing; cambia che tipo di prodotto sia possibile.
A 36 millisecondi per frame su una singola B200, una generazione termina prima che tu possa guardarla. Questa è la soglia in cui un ciclo di anteprima smette di essere un processo batch e diventa interattivo: scrivi, vedi, regoli e la macchina tiene il passo con la regolazione. Un modello 14B a 45 millisecondi su un nodo ci arriva nel senso del throughput in batch, ma la latenza a singolo flusso che una persona percepisce davvero è una proprietà del modello piccolo. Niente nella superficie pubblicata di H3 affronta quel caso d'uso, perché H3 viene misurato in secondi di girato finito anziché in frame prodotti al secondo di tempo reale — le due non sono la stessa misura e il listino non consente di ricavare l'una dall'altra.
C'è una conseguenza di secondo ordine che il paper rende esplicita. Il decoder di pixel viene addestrato per singolo modello di base, ma il principio — congelare il transformer, imparare le tubature — è già stato trasferito a sistemi di terze parti negli esperimenti stessi del paper, portando LingBot-World da 1.085 a 52 millisecondi per frame sulla variante 1.3B e da 3.862 a 233 sulla 14B. È un risultato che riguarda una tecnica, non un prodotto, ed è la parte di questo rilascio con la portata più ampia.
Lo stato onesto delle prove da ciascuna parte
È qui che il confronto diretto smette di prestarsi a discussioni in un senso o nell'altro, e vale la pena essere schietti su entrambe le metà.
Tutto ciò che FastFrames dichiara sulla qualità proviene dai suoi stessi autori. I totali VBench nella Tabella 1 sono 84,23 per FastFrames-S e 84,44 per FastFrames-L, contro 84,11 per il baseline a 272 millisecondi e 84,65 per Wan2.2 14.3B a 117.734 millisecondi. Nessuno indipendente li ha riprodotti. VBench premia la fluidità temporale che i modelli autoregressivi sono progettati per produrre, e l'intera forbice nella tabella di Apple è di circa due punti e mezzo, mentre la forbice di latenza tra gli stessi modelli è di quattro ordini di grandezza. Leggi la tabella come un'affermazione di parità, non come una misurazione di quest'ultima.
Le posizioni nelle classifiche di H3 riportano numerosità campionarie e intervalli di confidenza, che rappresentano una forma di evidenza più forte e anche più ristretta. Una classifica basata sulle preferenze ti dice quale output le persone hanno scelto quando sono state mostrate loro due clip; non ti dice quanto è costato produrre ciascuna clip, se l'audio era sincronizzato o se il modello reggerebbe una raffica di 40 richieste a 2K. Il divario di sedici punti in cima alla classifica image-to-video è un buon promemoria del fatto che questi numeri classificano percezioni, non capacità, e che qualsiasi pagina che dichiari un vincitore da un divario di sedici punti su intervalli ±10 sta leggendo rumore.
Quindi il confronto si riduce a questo: un modello è stato votato da migliaia di persone e ha un prezzo al secondo, e l’altro ha un cronometro, un file di licenza e un articolo. Sono tipi diversi di prove e nessuno dei due sostituisce l’altro.
Due percorsi di approvvigionamento che non si somigliano
Acquistare tempo su H3 ed eseguire FastFrames comportano quasi nessun passaggio in comune, ed è questa la ragione pratica per cui raramente finiscono nella stessa decisione.
• H3 — una tariffa al secondo su un endpoint ospitato, a 0,08 $ a 768p e 0,13 $ a 2K, sull'API proprietaria del fornitore e tramite diverse piattaforme di terze parti. Nessun hardware, nessuna revisione delle licenze, nessun CUDA. Lo instradiamo come minimax/minimax-h3 sull'API pubblica dei modelli, fatturato alla tariffa di listino del fornitore applicata senza alcun ricarico, richiamabile sullo stesso endpoint compatibile OpenAI dei modelli linguistici nel catalogo.
• FastFrames — Linux x86-64, una GPU NVIDIA, CUDA 12.8, poi uv sync e un'invocazione di scripts/generate.py con una directory dei checkpoint e un seed. I pesi sono soggetti ai termini AMLR di Apple; i componenti demo di LingBot-World v2 nello stesso repository sono CC BY-NC-SA 4.0, che è non commerciale; il resto è sotto la Sample Code Licence di Apple. Apple ha anche pubblicato ogni checkpoint delle fasi di addestramento per il modello grande, cosa insolita che rende la release riproducibile in un modo in cui la maggior parte delle distribuzioni open-weight non lo è.
• Il costo nascosto su entrambi i fronti — il contatore al secondo di H3 funziona indipendentemente dal fatto che la ripresa sia buona o meno, e una ripresa scartata costa quanto una ripresa accettata. Il contatore GPU di FastFrames funziona allo stesso modo, ma a una tariffa marginale che è un errore di arrotondamento se l'hardware è già ammortizzato e un costo fisso elevato se non lo è.
Una conseguenza pratica del pass-through pricing dalla nostra parte: quando MiniMax modifica una tariffa al secondo, tale variazione è visibile sulla rotta lo stesso giorno anziché al rinnovo del contratto. FastFrames non ha alcuna tariffa da modificare.
A cosa serve ciascuno, espresso come una frase su cui puoi agire
Scegli MiniMax H3 quando l'input è qualcosa di diverso da un prompt testuale, quando il risultato richiede l'audio o quando una clip di quindici secondi con estensione multi-turno è più vicina alla tua ripresa di 81 fotogrammi a 480p. È l'unico dei due in grado di modificare filmati, l'unico che genera audio e l'unico la cui dichiarazione sulla qualità è stata verificata da persone che non lavorano per l'azienda che l'ha realizzato. La sua tariffa per il 2K è anche più economica di gran parte della concorrenza a quel livello.
Scegli FastFrames quando il loop è il prodotto e il frame non è il risultato da consegnare — un'anteprima live, un world model controllabile, un avatar che deve rispondere all'interno di una sessione, o un programma di ricerca che vuole cambiare il modo in cui uno stack video causale decodifica anziché ciò che genera. Accetta 480p, silenzio, nessun input di riferimento e una licenza che devi leggere prima di pubblicare qualsiasi cosa commerciale.
FastFrames non è servito da OrcaRouter, e questa pagina non afferma che lo sia — non esiste un endpoint ospitato per i pesi di Apple. H3 è una questione diversa: lo instradiamo come minimax/minimax-h3, insieme alla famiglia Kling 3.0 e a oltre 200 modelli linguistici, su un'unica chiave al prezzo di listino del provider con 0% di ricarico e failover automatico tra endpoint. Questo è il modo economico per scoprire se un modello video al secondo si adatta alla tua pipeline prima di spendere il budget GPU di un trimestre sull'alternativa.

L'unico risultato che renderebbe questa una vera competizione
Due cose cambierebbero la lettura, e nessuna delle due è una demo migliore.
Il primo è la comparsa di FastFrames su una board di un'arena. Perché ciò avvenga serve qualcuno che lo ospiti, e al momento nessuno lo fa — Apple ha pubblicato i pesi e nessun endpoint, quindi non c'è modo che un test di preferenza possa servirlo ai votanti. Finché non succede, l'affermazione sulla qualità del modello si basa interamente sui numeri VBench dei suoi autori, una posizione più debole di quella che qualsiasi modello occupa sulle tre board di H3.
Il secondo è MiniMax che pubblica un dato di latenza. Il listino di H3 è espresso in secondi di output, e da nessuna parte in quella struttura esiste un costo per fotogramma che un lettore possa confrontare con 36 millisecondi. Se MiniMax o un tester indipendente pubblicasse i fotogrammi al secondo a una determinata risoluzione e su una determinata GPU, i due modelli sarebbero finalmente misurabili su un asse comune. Non l'hanno fatto, e non è nell'interesse commerciale del fornitore iniziare.

