
Generowanie wideo FastFrames vs Luma Ray 3.2: strumień klatek kontra plik z gradingiem
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów
- 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 · 91 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 · 118 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 · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 143 tok/s
Luma Ray 3.2 i FastFrames Video Generation to oba modele dyfuzyjne wideo, oba wydane w 2026 roku, oba udostępniane nie wcześniej niż w drugiej połowie tego roku — i pod żadnym względem, który miałby znaczenie dla producenta, nie są dla siebie substytutami. Ray 3.2, dostępny od 9 czerwca, kończy się plikiem: do 1080p, pięć lub dziesięć sekund, opcjonalnie HDR 10-, 12- lub 16-bitowy w standardzie ACES2065-1 EXR, czyli formacie, w którym kolorysta wykonuje grading. FastFrames, opublikowany przez Apple we współpracy z Cornell 16 listopada, kończy się strumieniem: 832×480, 81 klatek, jedna klatka co 36 milisekund na pojedynczym B200, bez dźwięku, tylko z promptem tekstowym, wagi na Hugging Face. Jeden jest zbudowany tak, aby jego wynik przetrwał pipeline finishingowy. Drugi jest zbudowany tak, aby jego wynik dotarł, zanim skończysz oglądać poprzedni. Wszystko poniżej wynika z tego podziału, w tym niewygodny fakt, że żaden z modeli nie ma niezależnego wyniku, którym można by rozstrzygnąć tę kwestię.
Format wyjściowy to argument, a nie karta specyfikacji.
Zacznij od tego, co daje ci każdy model, bo właśnie w tym miejscu rozgrywa się porównanie.
• Ray 3.2 domyślnie dostarcza MP4, a na życzenie udostępnia klatki HDR 10-, 12- lub 16-bitowe w formacie ACES2065-1 EXR — ale tylko w rozdzielczościach 720p i 1080p oraz wyłącznie dla pięciosekundowych klipów. Płynne zapętlanie i ścieżka EXR to funkcje dostępne tylko dla pięciosekundowych materiałów.
FastFrames dostarcza plik MP4 zawierający 81 klatek w rozdzielczości 832×480 i 16 klatek na sekundę, co daje 5,06 sekundy niemego materiału. Nie ma ścieżki EXR, wyboru głębi bitowej ani okna dialogowego eksportu. Dekoder pikseli emituje 8-bitowy RGB na token i na tym koniec.
• Rozdzielczość to pułap 1080p w zestawieniu ze stałym punktem 480p — ale to porównanie jest niesprawiedliwe w obu kierunkach, ponieważ tryb HDR 1080p w Ray 3.2 nie jest dostępny dla dziesięciosekundowych klipów, a 480p w FastFrames to nie ustawienie, które można podnieść.
• Panel sterowania: Ray 3.2 przyjmuje tekst, klatkę początkową, klatkę końcową lub istniejące wideo do zmodyfikowania, a także do 16 klatek kluczowych na klip oraz śledzenie mimiki twarzy na maksymalnie ośmiu twarzach. FastFrames przyjmuje monit tekstowy i ziarno.
Przeczytaj tę listę jeszcze raz i zauważ, co sugeruje ona o nabywcy. Zestaw funkcji Ray 3.2 to zestaw funkcji ujęcia, które już istnieje w montażu i wymaga ukończenia, poprawienia lub rozszerzenia. Zestaw funkcji FastFrames to zestaw funkcji systemu, który jeszcze nie zdecydował, czym jest ujęcie.
Ray 3.2, rozumiany jako narzędzie postprodukcyjne
Ścieżka EXR jest głównym powodem, dla którego ten model istnieje w obecnej formie, i wiąże się z ograniczeniami, które pomija większość opracowań.
Generuje materiał w 540p, 720p i 1080p, w klipach pięcio- lub dziesięciosekundowych, w sześciu proporcjach obrazu obejmujących pion, kwadrat i szeroki ekran — ale generowanie dziesięciosekundowe odbywa się wyłącznie w trybie tekst-na-wideo, więc ścieżki warunkowane klatkami oraz wideo są ograniczone do pięciu sekund. HDR to opcjonalne ustawienie dostępne przy 720p i 1080p, dla pięciosekundowych materiałów: włączasz HDR, aby otrzymać eksport EXR, zamiast dostawać go automatycznie. Dźwięk jest drugim ograniczeniem i tnie w sposób, jakiego ludzie się nie spodziewają. Ray 3.2 nie generuje zsynchronizowanego dźwięku dla tekst-na-wideo ani obraz-na-wideo; dźwięk przetrwa tylko wtedy, gdy modyfikujesz lub zmieniasz kadr istniejącego materiału, który już zawiera ścieżkę. W przypadku modelu pozycjonowanego jako narzędzie do finalizacji jest to spójne — dźwięk pochodzi z montażu, nie z generatora — ale każdy, kto szuka modelu typu „jedno wywołanie i wideo z dźwiękiem”, powinien przestać czytać w tym miejscu.
Struktura komercyjna również ma znaczenie. Ray 3.2 to pierwszy model w rodzinie Ray z pełnym API dla deweloperów, podzielonym na poziom Build rozliczany za faktyczne użycie oraz poziom Scale z rezerwowaną przepustowością i SLA. Wcześniejsze modele Ray były dostępne wyłącznie w subskrypcji, co oznacza, że historia cen tej rodziny nie stanowi wskazówki dla cen tego modelu. Koszt za klip zależy jednocześnie od rozdzielczości, zakresu dynamiki i czasu trwania; oferty podmiotów trzecich podają około 0,30 USD za pięciosekundowy klip 720p i około 1,20 USD za klip 1080p, a eksport HDR lub EXR mnoży koszt klipu, zamiast doliczać do niego dodatkową kwotę. Traktuj te wartości jako wyliczenia agregatora na podstawie cennika Luma, a nie jako oficjalnie publikowaną przez Lumę kwotę.
Jedna pułapka nazewnicza warta poświęconego jej zdania: numery wersji Luma nie rosną tak, jak się je czyta. Ray3.14 ukazał się 26 stycznia 2026 r., a Ray 3.2 – 9 czerwca 2026 r., więc niższy numer oznacza nowszy model, a Luma wycofała markę Dream Machine, wokół której wciąż zbudowana jest większość starszych przewodników.
FastFrames, odczytywane jako pętla renderowania
FastFrames nie jest mniejszym Ray 3.2. Jest wynikiem destylacji opublikowanym jako wagi, a architektura wyjaśnia zarówno szybkość, jak i brakujące funkcje.
Oba punkty kontrolne to autoregresywne modele dyfuzji wideo zbudowane na Wan2.1 — FastFrames-S z Wan2.1-T2V-1.3B i FastFrames-L z Wan2.1-T2V-14B — poddane procedurze, którą autorzy nazywają Causal Forcing++. Wkład pracy nie polega na szybszym transformerze. Polega na usunięciu dwóch kosztownych komponentów wokół transformera: dekodera VAE, który w baseline kosztował około 147 milisekund na klatkę i został zastąpiony dekoderem pikseli o 63,87 mln parametrów, osiągającym około 1 milisekundy, oraz aktualizacji pamięci podręcznej KV, która staje się niewielką siecią dopracowującą o koszcie 2 milisekund w małym modelu i 6 w dużym. Sam transformer jest zamrożony w końcowym etapie.
Po zsumowaniu na modelu 1.3B 271,8 milisekundy na klatkę zamienia się w 35,8. Na jednym B200 to około 28 żądań na sekundę, czyli 5-sekundowy klip w 2,9 sekundy. Model 14B potrzebuje ośmiu B200, aby utrzymać 45 milisekund i 22 żądania na sekundę; na pojedynczym GPU spada to do 158 milisekund, czyli wolniej niż odtwarzanie. Przy 720p mały model potrzebuje 127 milisekund na klatkę, a duży 116 na ośmiu GPU, a publikacja szacuje dodatkowy narzut na H100 na 25 do 50 procent.
{{1}}Generowanie autoregresyjne{{/1}} jest powodem, dla którego {{2}}81 klatek{{/2}} nie jest tak ograniczające, jak to brzmi, a także powodem, dla którego model nie potrafi tego, co robi {{3}}Ray 3.2{{/3}}. Ponieważ każdy blok jest warunkowany poprzednim, klipy łączą się w łańcuch — ale łańcuchowanie nie jest kontrolą klatek kluczowych i nie ma sposobu, aby podać klatkę początkową, klatkę końcową, obraz referencyjny lub istniejący klip. Model nie ma żadnego warunkowania obrazem.


Luka pomiarowa jest realna i działa w obu kierunkach.
Żadnego z modeli nie można uszeregować, a powody są na tyle różne, że warto je rozdzielić.
Ray 3.2 nie ma wpisu w arena wideo Artificial Analysis — ani w tekst-na-wideo, ani w obraz-na-wideo, sprawdzono 18 września 2026 r. na potrzeby tego bloga. Zamiast tego Luma publikuje wewnętrzny raport ewaluacyjny Ray3, twierdzący, że dorównuje Veo 3 i wyprzedza kilku rywali, bez podanych wyników liczbowych, oraz twierdzenie, że jego API działa przy mniej niż połowie ceny i opóźnienia porównywalnych modeli, również bez podania wartości liczbowych. To dokumenty pozycjonujące. Nie są porównywalne z Elo areny z liczbą próbek i przedziałem ufności, i żadna strona nie powinna ich przedstawiać tak, jakby były.
FastFrames ma odwrotny problem: ma liczby i wszystkie one pochodzą od jego własnych autorów. Sumy VBench w Tabeli 1 artykułu wynoszą 84,23 dla FastFrames-S i 84,44 dla FastFrames-L, wobec 84,11 dla Causal Forcing++, bazowego modelu, z którego został wydestylowany, przy 272 milisekundach na klatkę. Wan2.1 1.3B, model bazowy, osiąga 83,80 przy 30 444 milisekundach. Wan2.2 14.3B osiąga 84,65 przy 117 734. Nikt niezależny nie odtworzył żadnego z tych wyników, a VBench to benchmark, który nagradza dokładnie tę płynność czasową, w której modele autoregresyjne są dobre. Własna tabela artykułu jest twierdzeniem o porównywalności w obrębie plateau od 83 do 85,5, a nie pomiarem jakości.
To, co łączy oba te rozstępy, jest rzeczą, którą należy zapamiętać: rozrzut łącznych wyników VBench wśród wszystkich modeli z listy Apple’a wynosi około dwóch i pół punktu, podczas gdy rozrzut opóźnień na tej samej liście obejmuje cztery rzędy wielkości. Cokolwiek mierzy ten benchmark, jakiś czas temu przestał rozróżniać te systemy. Oba te modele są sprzedawane w oparciu o osie, których VBench nie dostrzega.
Kosztuje po jednym ujęciu w każdym
Zderz konkretny brief z obiema kartami stawek, a arytmetyka przestaje być w ogóle porównywalna.
• Pięciosekundowy klip 1080p HDR — Ray 3.2, około 1,20 USD według stawek cennikowych przed mnożnikiem HDR, dostarczany jako EXR, który trafia bezpośrednio do korekcji kolorów. FastFrames nie jest w stanie wyprodukować tego ujęcia za żadną cenę.
• Pięciosekundowy niemy klip 480p — FastFrames, jeden B200 przez 2,9 sekundy czasu zegarowego na małym modelu albo osiem B200 przez 3,6 sekundy na dużym. Ray 3.2 w ogóle nie generuje w 480p; jego dolna granica to 540p.
• Dziesięć sekund czegokolwiek — Ray 3.2 tylko z tekstu, w rozdzielczości 1080p lub niższej. FastFrames osiąga dziesięć sekund, łącząc dwa bloki po 81 klatek i licząc, że szew się utrzyma.
• Dziewięćdziesiąt podejść do tego samego ujęcia — i tu ekonomia się odwraca. Ray 3.2 rozlicza za klip, więc sto prób kosztuje sto klipów. FastFrames rozlicza w sekundach GPU, więc sto prób kosztuje sto razy po 2,9 sekundy maszyny, którą już wynajmujesz.
• Sprzęt, którego nie masz — FastFrames wymaga systemu Linux x86-64, karty GPU NVIDIA oraz CUDA 12.8, a repozytorium zawiera działającą ścieżkę wnioskowania, skrypt testu opóźnień, przepływ pracy ewaluacji VBench i aplikację demonstracyjną. Nic z tego nie jest usługą hostowaną.
Ta granica dziewięćdziesięciu ujęć to prawdziwa różnica. Rozliczanie za klip wycenia gotowy wynik; rozliczanie za sekundę GPU wycenia eksplorację. Jeśli Twój proces polega na „generowaniu, aż będzie dobrze”, drugi model jest o rząd wielkości tańszy i gorszy pod każdym innym względem. Jeśli Twój proces polega na „wygenerowaniu jednej rzeczy, która musi przejść ocenę”, pierwszy model jest jedynym z tych dwóch, który potrafi wykonać to zadanie.
Licencja ma większe znaczenie niż karta specyfikacji.
Wagi FastFrames są objęte warunkami AMLR firmy Apple, a komponenty demonstracyjne LingBot-World v2 w tym samym repozytorium są objęte licencją CC BY-NC-SA 4.0 — niekomercyjną. Reszta podlega licencji Apple Sample Code Licence. „Open weights” i „free to commercialise” nie są synonimami, a to wydanie celowo starannie rozróżnia te pojęcia, czego Ray 3.2 — sprzedawany w ramach komercyjnej umowy API, z poziomem Build i poziomem Scale z SLA — po prostu nie robi.
Kwestia zakupowa przebiega więc odwrotnie niż kwestia techniczna. Ray 3.2 wymaga od ciebie zaakceptowania relacji z dostawcą: cennika, warunków korzystania z usług, zobowiązania dotyczącego przepustowości, jeśli kupujesz Scale, oraz endpointu, który może zmienić się pod tobą. FastFrames wymaga przeczytania trzech licencji i wzięcia odpowiedzialności za GPU. Dla studia, które ma już proces przeglądu prawnego dla dostawców API, pierwsza opcja jest łatwiejsza. Dla grupy badawczej, która ma już B200 i oficera ds. zgodności, który czyta licencje dla zabawy, łatwiejsza jest druga.
Gdzie należy każde z nich, i pytanie, które by to zmieniło
Umieść Ray 3.2 na końcu potoku, a FastFrames na jego początku, a te dwa przestaną ze sobą konkurować. Po Ray 3.2 sięgasz, gdy montaż już istnieje, potok kolorów jest realny, a ujęcie musi po drugiej stronie wyjść nadające się do gradingu w 10 bitach lub lepiej — akceptując 1080p, pięciosekundowe klipy HDR, brak generowanego dźwięku i opłatę za klip, która mnoży się wraz z zakresem dynamiki. Po FastFrames sięgasz, gdy pętla jest produktem: podgląd na żywo, sterowalny model świata, awatar reagujący w ramach sesji — akceptując 480p, ciszę, brak wejść referencyjnych i licencję, którą musisz przeczytać, zanim wdrożysz rozwiązanie.
Żaden z nich nie jest trasą w OrcaRouter, a ten tekst nie twierdzi inaczej. To, do czego jeden klucz rzeczywiście daje dostęp, to hostowana warstwa wideo, która już dziś działa — MiniMax H3 za 0,08 USD za sekundę przy 768p i 0,13 USD przy 2K, oraz rodzina Kling 3.0 — obok ponad 200 modeli językowych, po cenach katalogowych dostawcy przekazywanych dalej z 0% narzutu, dzięki czemu obniżka stawek dostawcy trafia tutaj tego samego dnia, w którym zostaje ogłoszona, z automatycznym przełączaniem awaryjnym, jeśli punkt końcowy ulegnie degradacji w trakcie kolejki. Dla zespołu oceniającego którykolwiek z powyższych modeli to tani sposób na zmierzenie, jak wygląda rzeczywisty profil opóźnień i kosztów, zanim zaangażuje budżet GPU lub kontrakt Scale w hipotezę.
To, co rozstrzygnęłoby to porównanie, nie jest lepszym demo od którejkolwiek ze stron. Jest to jeden niezależny pomiar Ray 3.2 w arenie generowania wideo z obrazu, dzięki czemu model wykańczający ma w ogóle jakąś liczbę, oraz jedna replikacja wyniku 84.4 FastFrames przez kogoś, kto nie pracuje w Apple ani na Cornell. Dopóki oba nie istnieją, uczciwą podstawą wyboru jest rezultat — a na tej osi te dwa modele nie są wystarczająco blisko, by można je było pomylić.

