
Apple의 FastFrames는 시청 속도보다 더 빠르게 영상을 생성한다
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100만 토큰당 · 89 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100만 토큰당 · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100만 토큰당 · 88 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100만 토큰당 · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 100만 토큰당 · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100만 토큰당 · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100만 토큰당 · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100만 토큰당 · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447지능
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100만 토큰당 · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929지능
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100만 토큰당 · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740지능
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 100만 토큰당
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100만 토큰당 · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955지능
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855지능
프레임당 36밀리초. 그것이 맨 위에 적힌 숫자입니다 — FastFrames Video Generation, Apple이 Cornell과 함께 2026년 11월 16일에 공개한 릴리스이며, Hugging Face에 가중치가 FastFrames-S로 13억 개 매개변수, FastFrames-L은 140억 개 매개변수로 공개되었고, 다음 날 "FastFrames: Video Generation at Interactive Latency"라는 제목의 논문도 나왔습니다. 다른 무엇을 읽기 전에 계산부터 해보세요: 클립은 832×480 해상도에 81프레임, 초당 16프레임이니 영상 5.06초 분량입니다. 단일 B200에서 프레임당 36밀리초라면, 소형 모델은 그 클립을 2.9초에 생성합니다. 대안들보다 빠른 것이 아니라 재생보다 빠릅니다. 흥미로운 질문은 그 숫자가 실제인지 여부가 아닙니다. 그것은 Apple이 그 숫자를 얻기 위해 무엇을 내주었는지, 그리고 그 맞바꿈이 감당할 수 있는 것인지입니다.
실제로 출시된 것과 그 시기
체크포인트 두 개, 둘 다 텍스트-투-비디오이며, 둘 다 이번 주 기준 게이트 없이 다운로드할 수 있습니다. Hugging Face 저장소는 2026년 11월 16일에 생성되었고 11월 18일 아침에도 여전히 수정되고 있었습니다. arXiv 프리프린트(2611.23226)는 11월 17일자입니다. 따라서 이것은 나온 지 이틀 된 릴리스이며, 검증된 실적이 있는 모델이 아니고, 여기 있는 어떤 것도 독립적으로 평가되지 않았습니다. 이어지는 모든 내용은 저자 자신의 측정이거나 공개된 가중치의 속성입니다.
• 크기 — FastFrames-S는 1.3B 매개변수, FastFrames-L은 14B(추가된 헤드를 포함하면 14.3B)입니다.
• 기본 모델 — 각각 Wan2.1-T2V-1.3B와 Wan2.1-T2V-14B에서 증류되었으며, 저자들이 Causal Forcing++라고 부르는 레시피를 사용합니다.
• 출력 — 16fps에서 832×480, 생성당 81프레임, 자기회귀이므로 클립을 연결할 수 있습니다.
• 가중치 — Hugging Face에 공개되어 있으며 Apple의 AMLR 라이선스로 태그되어 있습니다. LingBot-World v2 데모 코드는 CC BY-NC-SA 4.0으로 비상업적이며, 저장소의 나머지는 Apple의 Sample Code Licence를 따릅니다.
• 가격 — 없음. Apple에서 제공하는 호스팅 FastFrames 엔드포인트는 없으며, 자체 GPU에서 직접 실행합니다.
마지막 문장은 새겨둘 만하다. FastFrames는 다운로드 가능한 가중치가 포함된 연구용 릴리스로, 제품과는 다른 대상이다. 초당 요금도, 대기열도, SLA도 없으며, NVIDIA GPU와 CUDA 12.8 없이는 호출할 방법도 없다.

밀리초는 어디로 갔는가
구조적 아이디어는 "더 빠른 모델"보다 범위가 좁고, 더 흥미롭다. FastFrames는 자기회귀적 비디오 확산 모델로, 이전에 생성된 것에 조건화하여 프레임 블록을 생성한다는 뜻이다. 기반으로 삼은 베이스라인인 Causal Forcing++에서는 81프레임 블록 하나를 생성하는 데 프레임당 271.8밀리초가 들며, 그중 상당 부분은 전혀 트랜스포머가 아니다. 바로 잠재 표현을 다시 픽셀로 디코딩하는 변분 오토인코더와, 다음 블록이 이번 블록에서 무슨 일이 있었는지 알 수 있도록 KV 캐시를 갱신하는 단계다.
Apple의 팀은 그 루프의 양쪽 끝을 작은 학습된 네트워크로 교체하고 확산 트랜스포머는 그대로 두었습니다.
• VAE 디코더가 사라졌습니다. 6,387만 개 매개변수의 픽셀 디코더 — 세 개의 인과 ConvNeXt 블록과 토큰당 4×16×16 RGB 값을 출력하는 최종 선형 계층 — 가 프레임을 직접 생성합니다. 디코딩은 약 147밀리초에서 약 1밀리초로 단축됩니다.
• KV 캐시 업데이트는 이제 작은 네트워크입니다. 공유 스템, 4개의 8헤드 셀프 어텐션 블록, 그리고 DiT 레이어당 하나의 잔차 복구 헤드로 구성되며, 소형 모델에서는 2밀리초, 대형 모델에서는 6밀리초가 소요됩니다.
• 트랜스포머 자체는 거의 변경되지 않았으며 최종 단계에서는 동결됩니다. 1.3B 모델에서 DiT 시간은 41.6밀리초에서 16.4밀리초로, 14B에서는 89.2밀리초에서 75.6밀리초로 단축됩니다.
1.3B 모델에서 그것들을 모두 합산하면 271.8밀리초가 35.8이 됩니다. 이것이 전부이며, 아주 좋은 방법입니다. 저자들은 확산 트랜스포머 자체를 더 빠르게 만든 것이 아니라, 애초에 핵심이 아니었던 주변 부분들을 제거했습니다. 픽셀 디코더는 32대의 B200에서 약 일주일 동안 150,000개의 롤아웃으로 학습되었으며, 8대의 B200에서 고정된 DINOv3 ViT-S/16 판별기를 사용하는 적대적 단계를 통해 흐릿한 프레임이 생성되지 않도록 했습니다.
품질 주장과 이를 확인한 사람
다음은 레이블이 필요한 부분입니다. 아래 VBench 수치는 저자들이 직접 480p에서 동일한 프롬프트와 시드로 실행해 논문의 Table 1에 보고한 것입니다. 이를 독립적으로 재현한 사람은 없으며, VBench는 자기회귀 모델이 잘하는 종류의 시간적 매끄러움에 보상을 주는 벤치마크입니다. 이를 동등성에 대한 주장으로 취급하고, 그에 대한 측정으로 취급하지 마십시오.
• FastFrames-S — VBench 총점 84.23, 품질 85.30, 의미론 79.92, 프레임당 36ms.
• FastFrames-L — 총점 84.44, 품질 85.48, 의미론 80.29, B200 8개 기준 프레임당 45ms.
• Causal Forcing++는 이것이 증류된 기준 모델로 — 프레임당 272ms에서 총점 84.11점, 즉 0.1~0.3점 낮은 대신 약 7.6배 더 느립니다.
• Krea-Realtime — 프레임당 1,675ms에서 총점 84.42; 논문은 10배가 넘는 속도로 사실성, 프롬프트 준수, 구성 및 텍스트 렌더링에서 필적하는 수준을 달성한다고 주장한다.
• Self-Forcing — 717ms에서 84.10; CausVid 662ms에서 83.18; LongLive2.0 505ms에서 83.65.
• Wan2.1 1.3B, 기본 모델 — 프레임당 30,444ms에서 83.80.
• Wan2.2 14.3B — 프레임당 117,734ms에 84.65. 이 숫자는 곱씹어볼 만하다. 표에서 가장 좋은 총점이지만, 프레임당 비용은 FastFrames-L의 약 2,600배다.
• MiniMax-H3 33.1B — 38,454ms에서 84.43; HunyuanVideo1.5 8.3B — 1,555,508ms에서 83.18.
패턴은 목록에 있는 모든 모델에서 83에서 85.5까지 이어지는 평평한 품질 정체 구간이며, 지연 시간은 네 자릿수에 걸쳐 퍼져 있습니다. VBench 총점이 무엇을 측정하든, 그것은 오래전부터 이 시스템들을 구별하지 못했습니다. 이제 이들을 구별하는 것은 얼마나 빠르게 실행되는지, 그리고 어떤 해상도와 오디오를 생성할 수 있는지입니다 — 그리고 FastFrames는 첫 번째 열에서 압도적으로 앞서지만 두 번째 열에서는 완전히 뒤처집니다.
프레임당 36밀리초가 실제로 무엇을 가져다주는가
제품 담당자가 신경 쓰는 단위로 변환하세요. 저자들은 처리량과 지연 시간을 모두 보고하는데, 이 둘은 보유한 GPU 수에 따라 서로 다른 이야기를 들려줍니다.
• FastFrames-S, B200 1개 — 프레임당 36ms, 초당 약 28건의 요청. 5초 클립을 2.9초에 처리하므로 시청 속도보다 1.7배 빠릅니다.
• FastFrames-L, B200 8개 — 프레임당 45ms, 초당 약 22개 요청. 5초 클립을 3.6초 만에.
• FastFrames-L, GPU 1개 기준 — 프레임당 158ms, 초당 약 6.3건의 요청입니다. 동일한 클립을 12.8초에 처리하므로 재생 속도보다 느립니다. 대형 모델은 노드 전체에 분산해야만 대화형으로 사용할 수 있습니다.
• 720p에서 — 소형 모델은 프레임당 127ms, 대형 모델은 8개 GPU에서 116ms이며, 이는 단일 스트림 세션에서 "인터랙티브"라는 말이 더 이상 성립하지 않는 지점입니다.
• B200이 아닌 H100에서는 — 논문에서 페널티를 25~50%로 제시하므로, 소형 모델은 프레임당 대략 45~54ms 정도가 된다.
살아남는 주장은 현재 하드웨어에서 소형 모델에 관한 주장이다. FastFrames-S를 단일 B200에서 실행하면 실제로 실시간보다 빠르며, 이것이 렌더 팜 없이 라이브 프리뷰 루프, 스트리밍 아바타, 또는 제어 가능한 월드 모델을 가능하게 한다. 14B는 배치 처리량 관점에서만 인터랙티브하다.
직접 실행하기
이 저장소는 단순한 가중치가 아니라 실제로 동작하는 추론 경로를 제공합니다. Linux x86-64, NVIDIA GPU, CUDA 12.8이 필요하며, 그다음 `uv sync`를 실행하고 `uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4`를 실행하면 됩니다. GPU 수를 인자로 받는 지연 시간 벤치마크 스크립트, VBench 평가 워크플로, 그리고 포트 8000에서 서비스되는 `apps/lingbot` 아래의 데모 앱이 있습니다. Apple은 또한 대형 모델의 모든 학습 단계 체크포인트를 공개했습니다 — causal teacher, consistency-distilled 단계, DMD-distilled 단계, 그리고 pixel decoder와 KV refinement network를 갖춘 최종 generator — 이는 이례적인 일이며, 대부분의 "open weights" 공개와 달리 이 릴리스를 재현 가능하게 만듭니다.

GPU가 없다면, 솔직히 말해 OrcaRouter는 FastFrames를 제공하지 않으며 다른 누구도 제공하지 않습니다 — 라우팅할 호스팅 엔드포인트가 없습니다. OrcaRouter 키 하나로 실제로 이용할 수 있는 것은 오늘날 이미 작동하는 호스팅 비디오 모델이며, 여기에는 Kling 3.0과 Kling 3 Turbo, Kling Video O1, MiniMax H3가 포함됩니다. 이들은 공급업체 정가가 0% 마크업으로 그대로 전달되는 가격으로 제공되므로, 공급업체의 가격 변경이 다음 청구 주기가 아니라 당일 바로 반영됩니다. FastFrames에 관심이 있는 팀에게 합리적인 패턴은 지연 시간을 측정할 수 있는 호스팅 모델을 대상으로 제품 아이디어를 프로토타이핑하고, 이 루프가 그만한 가치가 있다는 것을 확인한 뒤에야 GPU 시간을 구매하는 것입니다.
할 수 없는 것
세 가지 한계가 있는데, 그중 어느 것도 다음 주에 패치되지 않을 겁니다.
• 해상도 — 480p, 그게 전부입니다. Apple은 720p 지연 수치를 보고하지만 출시된 구성은 832×480입니다. 이 가격대의 모든 경쟁 제품은 최소 1080p를 제공합니다.
• 오디오 — 없음. FastFrames는 무음입니다. Veo, Kling, Grok Imagine, HiDream은 모두 같은 호출에서 동기화된 오디오를 생성합니다.
• 지속 시간 및 제어 — 자기회귀적 연결을 통한 생성당 81프레임, 텍스트 프롬프트만 지원. 이미지 컨디셔닝 없음, 참조 에셋 없음, 키프레임 없음, 카메라 제어 없음, 확장 API 없음.
• 라이선스 — 모델 가중치에는 Apple의 AMLR 약관이 적용되며, LingBot-World v2 구성 요소는 CC BY-NC-SA 4.0입니다. 데모 앱을 토대로 상용 제품을 만들기 전에 이 내용을 먼저 읽어 보십시오. "open weights"와 "free to commercialise"는 동의어가 아니며, 이번 릴리스는 그 차이를 의도적으로 신중하게 다루고 있습니다.
지켜봐야 할 것
FastFrames는 자기회귀 비디오 생성의 비용이 결코 대부분 모델에서 나온 것이 아니라는 점을 보여주는 시연으로 이해하는 것이 가장 좋다. 그 비용은 디코드와 캐시 업데이트였고, 애플은 둘 모두를 불과 약 2밀리초와 1메가바이트의 파라미터만으로 제거했다. 그 결과는 전이된다. 픽셀 디코더는 기본 모델별로 학습되지만, 트랜스포머는 동결하고 배관은 학습한다는 원리는 모든 인과적 비디오 확산 스택에 적용되며, 논문은 이미 이것이 두 개의 타사 시스템에 이식되었음을 보여준다. LingBot-World를 1.3B 변형에서 프레임당 1,085밀리초에서 52밀리초로, 14B에서는 3,862에서 233으로 단축한 것이다.
구매자에게 이것이 의미하는 바는 다음과 같습니다. 제품에 실시간 루프에서 동작하는 비디오 모델이 필요하다면, 하드웨어 요구 사항은 이제 10분의 1로 줄었고 품질 비용은 작아 보입니다. 제품에 사운드가 포함된 1080p의 완성된 클립이 필요하다면, 이번 릴리스에서 여러분을 겨냥한 것은 아무것도 없으며 호스팅 모델이 여전히 답입니다. 이 두 사용 사례 사이의 격차가 향후 12개월 동안 비디오 모델 릴리스가 경쟁을 벌일 지점입니다.

