
FastFrames od Apple generuje wideo szybciej, niż zdążysz je obejrzeć
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 97 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 88 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
Trzydzieści sześć milisekund na klatkę. To liczba na czele FastFrames Video Generation, wydania, które Apple opublikowało wspólnie z Cornell 16 listopada 2026 r. — wagi na Hugging Face jako FastFrames-S z 1,3 miliarda parametrów i FastFrames-L z 14 miliardami parametrów, a dzień później artykuł zatytułowany „FastFrames: Video Generation at Interactive Latency”. Wykonaj obliczenia, zanim przeczytasz cokolwiek innego: klip to 81 klatek o rozdzielczości 832×480 przy 16 klatkach na sekundę, czyli 5,06 sekundy wideo. Przy 36 milisekundach na klatkę na pojedynczym B200 mały model tworzy ten klip w 2,9 sekundy. Nie szybciej niż alternatywy — szybciej niż odtwarzanie. Interesujące pytanie nie dotyczy tego, czy ta liczba jest prawdziwa. Dotyczy tego, z czego Apple zrezygnowało, aby ją uzyskać, i czy ta wymiana jest do zaakceptowania.
Co faktycznie wydano i kiedy
Dwa checkpointy, oba typu text-to-video, oba bez ograniczeń dostępu i możliwe do pobrania od tego tygodnia. Repozytoria Hugging Face utworzono 16 listopada 2026 r. i nadal je modyfikowano rankiem 18 listopada; preprint arXiv (2611.23226) ma datę 17 listopada. To zatem wydanie sprzed dwóch dni, a nie model z ugruntowaną historią, i nic tutaj nie zostało niezależnie ocenione. Wszystko, co następuje, to albo pomiar samych autorów, albo cecha opublikowanych wag.
• Rozmiary — FastFrames-S z 1,3 mld parametrów, FastFrames-L z 14 mld (14,3 mld po uwzględnieniu dodanych głowic).
• Modele bazowe — destylowane odpowiednio z Wan2.1-T2V-1.3B i Wan2.1-T2V-14B, przy użyciu procedury, którą autorzy nazywają Causal Forcing++.
• Wyjście — 832×480 przy 16 fps, 81 klatek na generację, autoregresyjnie, dzięki czemu klipy można łączyć w łańcuch.
• Wagi — otwarte na Hugging Face, oznaczone licencją AMLR Apple'a; kod demonstracyjny LingBot-World v2 objęty jest licencją CC BY-NC-SA 4.0, która ma charakter niekomercyjny, a pozostała część repozytorium podlega licencji Apple's Sample Code Licence.
• Cennik — brak. Apple nie udostępnia hostowanego punktu końcowego FastFrames; uruchamiasz go na własnych GPU.
Tę ostatnią linijkę warto sobie przyswoić. FastFrames to wydanie badawcze z wagami do pobrania, czyli zupełnie inny obiekt niż produkt. Nie ma tu rozliczenia za sekundę, nie ma kolejki, nie ma SLA ani sposobu, by z niego skorzystać bez GPU NVIDIA i CUDA 12.8.

Gdzie podziały się milisekundy
Pomysł architektoniczny jest węższy niż „szybszy model” i ciekawszy. FastFrames to autoregresyjny model dyfuzji wideo, co oznacza, że generuje blok klatek warunkowany tym, co było wcześniej. W modelu bazowym, na którym jest zbudowany, Causal Forcing++, wygenerowanie jednego bloku 81 klatek kosztuje 271,8 milisekundy na klatkę, a duża część tego czasu wcale nie przypada na transformer — to wariacyjny autoenkoder dekodujący reprezentacje ukryte z powrotem do pikseli oraz krok aktualizujący pamięć podręczną KV, aby następny blok wiedział, co wydarzyło się w tym.
Zespół Apple’a zastąpił oba końce tej pętli niewielkimi wyuczonymi sieciami, a transformer dyfuzyjny pozostawił bez zmian.
• Dekoder VAE zniknął. Dekoder pikselowy z 63,87 mln parametrów — trzy przyczynowe bloki ConvNeXt i końcowa warstwa liniowa emitująca 4×16×16 wartości RGB na token — bezpośrednio generuje klatki. Czas dekodowania spada z około 147 milisekund do mniej więcej 1 milisekundy.
• Aktualizacja pamięci podręcznej KV jest teraz małą siecią. Wspólny stem, cztery bloki self-attention z 8 głowicami i jedna głowica naprawy rezydualnej na każdą warstwę DiT, co kosztuje 2 milisekundy w małym modelu i 6 w dużym.
• Sam transformer prawie się nie zmienił i jest zamrożony na końcowym etapie. W modelu 1.3B czas DiT spada z 41,6 do 16,4 milisekundy; w modelu 14B — z 89,2 do 75,6.
Zsumuj to na modelu 1.3B, a 271,8 milisekundy zmieniają się w 35,8. To cała sztuczka i to dobra sztuczka: autorzy nie przyspieszyli transformera dyfuzyjnego, tylko usunęli otaczające go części, które nigdy nie były istotą. Dekoder pikseli był trenowany na 32 B200 przez około tydzień na 150 000 rolloutach, z etapem adwersarialnym na 8 B200 z użyciem zamrożonego dyskryminatora DINOv3 ViT-S/16, aby nie generował miękkich klatek.
Twierdzenie o jakości i kto je sprawdził
Oto część, którą trzeba opatrzyć etykietą. Podane poniżej liczby VBench pochodzą od samych autorów, uzyskane na tych samych promptach i seedach w 480p i przedstawione w Tabeli 1 artykułu. Nikt niezależny ich nie odtworzył, a VBench to benchmark, który nagradza ten rodzaj płynności czasowej, w jakim dobrze radzą sobie modele autoregresyjne. Traktuj je jako twierdzenie o parytecie, a nie jego pomiar.
• FastFrames-S — 84,23 pkt łącznie w VBench, 85,30 pkt w jakości, 79,92 pkt w semantyce, przy 36 ms na klatkę.
• FastFrames-L — łącznie 84,44, jakość 85,48, semantyka 80,29, przy 45 ms na klatkę na ośmiu B200s.
• Causal Forcing++, baseline, z którego został zdestylowany — łącznie 84,11 przy 272 ms na klatkę, czyli około 7,6× wolniej za 0,1 do 0,3 punktu mniej.
• Krea-Realtime — łącznie 84,42 przy 1675 ms na klatkę; artykuł twierdzi, że zapewnia porównywalny realizm, zgodność z promptem, kompozycję i renderowanie tekstu przy ponad dziesięciokrotnie większej szybkości.
• Self-Forcing — 84,10 przy 717 ms; CausVid 83,18 przy 662 ms; LongLive2.0 83,65 przy 505 ms.
• Wan2.1 1.3B, model bazowy — 83,80 przy 30 444 ms na klatkę.
• Wan2.2 14.3B — 84,65 przy 117 734 ms na klatkę. To liczba, nad którą warto się zatrzymać: najlepszy wynik łączny w zestawieniu, przy około 2600-krotnym koszcie na klatkę w porównaniu z FastFrames-L.
• MiniMax-H3 33,1B — 84,43 przy 38 454 ms; HunyuanVideo1.5 8,3B — 83,18 przy 1 555 508 ms.
Schemat to płaski plateau jakości od 83 do 85,5 w przypadku każdego modelu z listy oraz rozrzut opóźnień wynoszący cztery rzędy wielkości. Cokolwiek mierzy łączny wynik VBench, od dawna przestał rozróżniać te systemy. To, co je teraz różni, to szybkość działania oraz rozdzielczość i dźwięk, jakie potrafią generować — a FastFrames z dużą przewagą wygrywa w pierwszej kolumnie, za to całkowicie przegrywa w drugiej.
Co faktycznie daje 36 milisekund na klatkę
Przelicz to na jednostki, na których zależy osobie produktowej. Autorzy podają przepustowość oraz opóźnienie, a te dwie wartości opowiadają różne historie w zależności od tego, ile masz GPU.
• FastFrames-S, jeden B200 — 36 ms na klatkę, około 28 żądań na sekundę. 5-sekundowy klip w 2,9 sekundy, czyli 1,7× szybciej, niż możesz go obejrzeć.
• FastFrames-L, osiem układów B200 — 45 ms na klatkę, około 22 żądań na sekundę. Pięciosekundowy klip w 3,6 sekundy.
• FastFrames-L, jedno GPU — 158 ms na klatkę, około 6,3 żądania na sekundę. Ten sam klip w 12,8 sekundy, co jest wolniejsze niż odtwarzanie. Duży model staje się interaktywny dopiero wtedy, gdy rozłożysz go na węźle.
• Przy 720p — 127 ms na klatkę dla małego modelu i 116 ms dla dużego na ośmiu GPU, co jest punktem, w którym „interaktywny” przestaje być prawdą dla sesji z pojedynczym strumieniem.
• Na H100, a nie na B200 — w pracy podano narzut na poziomie od 25 do 50 procent, więc mały model osiąga gdzieś około 45–54 ms na klatkę.
Twierdzenie, które się broni, dotyczy małego modelu na obecnym sprzęcie. FastFrames-S na jednym B200 jest naprawdę szybszy niż czas rzeczywisty, co sprawia, że pętla podglądu na żywo, streamujący awatar lub sterowalny model świata są wykonalne bez farmy renderującej. Model 14B jest interaktywny tylko w sensie przepustowości wsadowej.
Uruchomienie go samodzielnie
Repozytorium udostępnia działającą ścieżkę wnioskowania, a nie tylko wagi. Potrzebujesz systemu Linux x86-64, GPU NVIDIA i CUDA 12.8; następnie uv sync oraz uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Dostępny jest skrypt benchmarku opóźnień, który przyjmuje liczbę GPU, workflow oceny VBench oraz aplikację demonstracyjną w apps/lingbot, która działa na porcie 8000. Apple opublikował również każdy checkpoint etapu treningu dla dużego modelu — nauczyciela przyczynowego, etap destylacji spójności, etap destylacji DMD oraz finalny generator z jego dekoderem pikseli i siecią udoskonalania KV — co jest nietypowe i sprawia, że wydanie jest odtwarzalne w sposób, w jaki większość wydań „open weights” nie jest.

Jeśli nie masz GPU, uczciwe stwierdzenie brzmi: OrcaRouter nie udostępnia FastFrames i nikt inny też nie — nie ma hostowanego punktu końcowego, do którego można kierować żądania. Jeden klucz OrcaRouter obejmuje natomiast hostowane modele wideo, które już dziś działają, w tym Kling 3.0 i Kling 3 Turbo, Kling Video O1 oraz MiniMax H3, w cenach z cennika dostawcy przekazywanych z 0% narzutem, dzięki czemu zmiana ceny u dostawcy dociera do Ciebie tego samego dnia, a nie dopiero w kolejnym cyklu rozliczeniowym. Rozsądne podejście dla zespołu zainteresowanego FastFrames to prototypowanie pomysłu na produkt w oparciu o hostowany model, którego opóźnienie można zmierzyć, i kupowanie czasu GPU dopiero wtedy, gdy już wiesz, że pętla jest tego warta.
Czego nie potrafi
Trzy ograniczenia i żadne z nich nie zostanie załatane w przyszłym tygodniu.
• Rozdzielczość — 480p, koniec i kropka. Apple podaje dane dotyczące opóźnień w 720p, ale wydana konfiguracja to 832×480. Każdy konkurent w tej klasie cenowej oferuje co najmniej 1080p.
• Audio — brak. FastFrames nie generuje dźwięku. Veo, Kling, Grok Imagine i HiDream generują zsynchronizowany dźwięk w tym samym wywołaniu.
• Czas trwania i kontrola — 81 klatek na generację z łańcuchowaniem autoregresyjnym, wyłącznie prompty tekstowe. Bez warunkowania obrazem, bez zasobów referencyjnych, bez klatek kluczowych, bez kontroli kamery, bez API rozszerzeń.
• Licencja — wagi modelu objęte są warunkami AMLR firmy Apple, a komponenty LingBot-World v2 są udostępniane na licencji CC BY-NC-SA 4.0. Przeczytaj to, zanim zbudujesz produkt komercyjny na aplikacji demonstracyjnej; „otwarte wagi” i „wolne do komercjalizacji” nie są synonimami, a to wydanie celowo kładzie nacisk na tę różnicę.
Rzecz, na którą warto zwrócić uwagę
FastFrames najlepiej rozumieć jako demonstrację, że koszt autoregresyjnego generowania wideo nigdy nie tkwił głównie w modelu. Tkwił w dekodowaniu i aktualizacji pamięci podręcznej, a Apple wyeliminowało oba te elementy za około dwa milisekundy i megabajt parametrów. Ten wynik jest przenośny: dekoder pikseli jest trenowany osobno dla każdego modelu bazowego, ale zasada — zamroź transformer, naucz się „hydrauliki” — odnosi się do dowolnego przyczynowego stosu dyfuzji wideo, a praca już pokazuje jego przeniesienie do dwóch systemów zewnętrznych, skracając czas w LingBot-World z 1085 do 52 milisekund na klatkę w wariancie 1,3B i z 3862 do 233 w wariancie 14B.
Co to oznacza dla kupującego: jeśli Twój produkt potrzebuje modelu wideo w pętli czasu rzeczywistego, wymagania sprzętowe właśnie spadły o rząd wielkości, a koszt jakości wydaje się niewielki. Jeśli Twój produkt potrzebuje gotowego klipu w 1080p z dźwiękiem, nic w tym wydaniu nie jest skierowane do Ciebie, a modele hostowane pozostają odpowiedzią. Luka między tymi dwoma przypadkami użycia to obszar, na którym rozegra się walka w ciągu najbliższych dwunastu miesięcy wydań modeli wideo.

