FastFrames Video Generation と MiniMax H3 の比較用ヒーローカード。左側に「36 ms/フレーム」「832x480、無音」「81フレーム」と表示された3つのバッジ、右側に「1,181 Elo 画像から動画」「ネイティブステレオ音声」「1秒あたり$0.08」と表示された3つのバッジがあり、右下に OrcaRouter のロゴが配置されています。
Engineering & Research

FastFrames Video Generation 対 MiniMax H3:ストップウォッチと競う3つのボード

著者

Gideon Frost

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

この比較には、2つの動画モデルを横に並べて速い方を選ぶというバージョンもあり、それなら400語ほどで済むだろう。しかしそれは間違いでもある。なぜならMiniMax H3は秒単位で呼び出せるモデルであり、FastFrames Video Generationは自分が所有するハードウェアにダウンロードして実行するウェイトの集合だからだ。H3は2026年7月31日に、テキスト・画像・動画・音声の参照をひとつのコンテキストとして読み込み、ネイティブのステレオ音声を生成し、2026年10月8日時点でArtificial Analysisのimage-to-videoボードにおいて7,284票・1,181 Eloで2位につけるオムニモーダルシステムとして登場した。FastFramesは11月16日に、Wan2.1から蒸留された1.3Bと14Bの2つのチェックポイントとして登場し、480pのフレームを36ミリ秒で生成する——そして独立系のボードには一切登場していない。両者を分けるのは品質ではない。一方は公開スコアボードの記録を持つ製品であり、もう一方はストップウォッチを手にした論文なのだ。

3つのボード、1つのモデル、そして各ボードが実際に問いかけていること

H3のポジションは正確に述べておく価値がある。なぜなら、人が引用する数字はたいてい間違っているからだ。

• 画像から動画へ — 7,284票で1,181 Eloの2位。1,195のMiniMax H3 Maxの後ろ、1,179のVidu Q4 Previewの前。上位3位は16ポイント差に収まっており、これは信頼区間内;つまり表彰台を装った同点だ。

• テキストから動画 — 8,315票で1,137 Eloの4位。このモデルにとっては弱い部門であり、480pの無音研究モデルがエントリーしていれば競合していたであろう部門でもある。

• 動画編集 — テキスト指示に基づいて音声を保持したままクリップを編集するモデルをランキングするボードで、7,023票を集めて1,119 Eloの4位。

3回の登場は、3つの異なる能力が提出され測定されたことを意味する。すなわち、静止画からの生成、テキストからの生成、そして既存の映像の変換である。この比較で最も重要なのは3番目だ。なぜなら、それは動画を入力として受け入れる必要があるが、FastFramesはテキストしか受け付けないからだ。

料金は当社のモデルカードに記載されており、768pで毎秒0.08ドル、2Kで毎秒0.13ドル、つまり毎分4.80ドルと7.80ドルです。これはアリーナの価格欄に表示されているのと同じ2つの数字であり、プレミアム版と廉価版ではなく、同じモデルの2つの解像度ティアによるものです。768pの5秒クリップは0.40ドルです。

36ミリ秒に含まれないもの

FastFramesの速さは本物であり、しかもそれは汎用的な速さではない。その理由をアーキテクチャが説明してくれるが、スペック表ではそれができない。

Both checkpoints are autoregressive video diffusion models distilled from Wan2.1 through a recipe called Causal Forcing++. The authors left the diffusion transformer mostly alone and replaced the two things around it that were never the point. The VAE decoder — about 147 milliseconds a frame in the Causal Forcing++ baseline — becomes a 63.87 million-parameter pixel decoder that emits frames directly and lands near 1 millisecond. The KV-cache update becomes a small refinement network costing 2 milliseconds on the 1.3B model and 6 on the 14B. The transformer is frozen during the final stage.

小型モデルでは、1フレームあたり271.8ミリ秒かかっていたのが35.8ミリ秒まで短縮される。1台のB200上で、FastFrames-Sは1秒あたり約28リクエストを処理し、5.06秒のクリップを2.9秒で生成する。14Bモデルは8基のB200構成でのみ45ミリ秒/フレームを維持し、単一GPUでは1フレーム158ミリ秒まで低下して、結果を視聴するより遅くなる。720pでは小型モデルで127ミリ秒となり、論文ではH100におけるペナルティを25~50%としている。

この数値に含まれていないのは、H3が時間を費やしているすべての要素だ。FastFramesは音声を生成しない。テキストのみを条件とし、開始フレームも終了フレームも、参照画像も、拡張やスタイル変更のためのクリップもない。832×480で81フレームを毎秒16フレームで生成し、キーフレームやカメラ制御を提供するのではなく、ブロックをつなぎ合わせる。H3が受け付ける4つの入力モダリティのうち3つは、FastFramesの推論パスに存在しない。

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.

それでもなお、なぜスピードに依然として価値があるのか

前のセクションを読んだ後ならFastFramesを切り捨てるのはたやすいだろうが、それは誤った解釈だ。その数字はマーケティング用の数字ではなく、どんな種類の製品が可能になるかを変えるものだ。

B200 1基で1フレーム36ミリ秒なら、生成はそれを見る間もなく終わる。これが、プレビューループがバッチ処理ではなく対話的なものになる閾値だ。入力し、見て、調整し、マシンがその調整に追いつく。ノード全体で45ミリ秒の14Bモデルは、バッチスループットの意味ではそこに到達するが、人が実際に体感する単一ストリームのレイテンシは小モデルの特性だ。H3の公開されている仕様面には、そのユースケースに対応するものは何もない。H3は実時間1秒あたりに生成されるフレーム数ではなく、出来上がった映像の秒数で課金されるためだ。両者は同じ指標ではなく、料金表から一方を他方から導き出すことはできない。

論文が明示している二次的な帰結がある。ピクセルデコーダはベースモデルごとに訓練されるが、トランスフォーマーを凍結し、周辺の配管部分を学習するという原則は、論文自身の実験ですでにサードパーティ製システムにも移植されており、LingBot-Worldを1.3B版では1フレームあたり1,085ミリ秒から52ミリ秒へ、14Bでは3,862から233へ短縮している。これは製品ではなく技術に関する成果であり、今回のリリースで最も広い波及範囲を持つ部分だ。

各側における証拠の正直な現状

ここが、この対決についてどちらに転んでも議論の余地がなくなる地点であり、その両方の半面について率直に述べておく価値がある。

FastFramesが品質について主張していることはすべて、自社の著者たちに由来している。表1のVBench合計は、FastFrames-Sが84.23、FastFrames-Lが84.44であるのに対し、272ミリ秒のベースラインが84.11、117,734ミリ秒のWan2.2 14.3Bが84.65だった。独立した第三者がこれらを再現した例はない。VBenchは、自己回帰モデルが生み出すように作られている時間的な滑らかさを高く評価する。そしてApple自身の表における全変動幅は約2.5ポイントなのに対し、同じモデル間のレイテンシの幅は4桁に及ぶ。この表は、同等性についての主張として読むべきであり、その測定値として読むべきではない。

H3のリーダーボード上の順位にはサンプル数と信頼区間が付いており、これはより強い形の証拠であると同時に、より狭い形の証拠でもある。選好リーダーボードは、2つのクリップを見せられた人がどちらの出力を選んだかを教えてくれるが、どちらのクリップの制作にどれだけコストがかかったか、音声が同期していたか、あるいはモデルが2Kで40リクエストのバーストに耐えられるかは教えてくれない。画像→動画リーダーボードの上位にある16ポイントの開きは、これらの数値が能力ではなく知覚を順位付けしていること、そして±10の区間で16ポイントの差から勝者を宣言するページはいずれもノイズを読んでいることをよく思い出させる。

つまり、比較はこういうことになる。一方のモデルは何千人もの人々によって投票され、秒単位で価格が付けられている。もう一方にはストップウォッチとライセンスファイルと論文がある。これらは異なる種類の証拠であり、どちらも他方の代わりにはならない。

互いに似ていない2つの調達経路

H3で時間を購入することとFastFramesを実行することには、共通するステップがほとんどありません。これが、両者が同じ意思決定の場に現れることがほとんどない実務的な理由です。

• H3 — ホスト型エンドポイントでの秒単位の料金は、768pで$0.08、2Kで$0.13で、ベンダー自身のAPIおよび複数のサードパーティプラットフォーム経由で利用できます。ハードウェア、ライセンス審査、CUDAはいずれも不要です。当社は公開モデルAPI上でminimax/minimax-h3としてルーティングしており、ベンダーの定価をそのまま適用して一切上乗せせずに請求し、カタログ内の言語モデルと同じOpenAI互換エンドポイントで呼び出せます。

• FastFrames — Linux x86-64、NVIDIA GPU、CUDA 12.8、続いて uv sync と、チェックポイントディレクトリおよびシードを指定した scripts/generate.py の実行です。重みには Apple の AMLR 条件が適用されます。同じリポジトリ内の LingBot-World v2 デモコンポーネントは CC BY-NC-SA 4.0 で、非商用です。残りは Apple の Sample Code Licence の下にあります。Apple は大規模モデルのすべてのトレーニング段階のチェックポイントも公開しており、これは異例で、ほとんどのオープンウェイト公開物とは違ってリリースを再現可能にしています。

• 双方に潜むコスト — H3の秒単位のメーターは、テイクが良かったかどうかに関係なく回り、不合格のテイクも合格したテイクと同じ請求になる。FastFramesのGPUメーターも同じように回るが、その限界単価は、ハードウェアがすでに償却済みなら端数誤差であり、そうでなければ大きな固定費となる。

当社側のパススルー価格設定の実務的な帰結の一つは、MiniMaxが秒単位の料金を変更した場合、その変更が契約更新時ではなく当日中にルート上で可視化されることです。FastFramesには変更すべき料金自体がありません。

それぞれが何のためのものかを、実行に移せる一文として示したもの

入力がテキストプロンプト以外の場合、成果物に音声が必要な場合、または15秒のクリップをマルチターンで拡張できることが480pの81フレームよりもあなたの求めるショットに近い場合は、MiniMax H3を選びましょう。2つのうち、映像素材を編集できる唯一のものであり、音声を生成する唯一のものでもあり、品質に関する主張が開発会社の従業員ではない人々によって検証されている唯一のものでもあります。2Kの料金も、その価格帯の競合の大半より安価です。

ループが製品であり、フレームが成果物ではない場合にFastFramesを採用すること——ライブプレビュー、制御可能なワールドモデル、セッション内で応答する必要があるアバター、あるいは生成内容ではなく因果的動画スタックのデコード方法を変えたい研究プログラム。480p、無音、参照入力なし、そして商用で出荷する前に読まなければならないライセンスを受け入れること。

FastFramesはOrcaRouterでは提供されておらず、このページでも提供しているとは一切主張していません。Appleのウェイトに対応するホスト型エンドポイントは存在しません。H3は話が別です。当社はH3をminimax/minimax-h3としてルーティングしており、Kling 3.0ファミリーや200以上の言語モデルと並んで、1つのキーでプロバイダー定価、マークアップ0%、エンドポイント間の自動フェイルオーバーを提供しています。これは、代替手段に四半期分のGPU予算を費やす前に、秒単位課金の動画モデルが自分のパイプラインに合うかどうかを安価に確かめる方法です。

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.

これを本当の勝負にする唯一の結果

解釈を変える要因は2つあるが、どちらもより優れたデモではない。

第一は、FastFramesがアリーナのボードに登場することです。それには誰かがホストする必要がありますが、現時点では誰もホストしていません — Appleは重みを公開したもののエンドポイントは公開していないため、選好テストでそれを投票者に提供する方法がありません。それが実現するまで、このモデルの品質に関する主張は完全に作者らのVBenchの数値に依存しており、それはH3の3つのボード上のどのモデルよりも弱い立場です。

第二に、MiniMaxがレイテンシの数値を公表していることだ。H3の料金表は出力秒数単位で示されており、その構造のどこにも、読者が36ミリ秒と比較できるフレームあたりのコストは存在しない。MiniMaxまたは独立したテスターが、特定の解像度とGPUにおける1秒あたりのフレーム数を公表すれば、両モデルはついに共通の軸で測定可能になる。しかしそれは公表されておらず、ベンダーの商業的利益からいっても、公表を始めることにはならない。

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.