Karta hero do porównania FastFrames Video Generation i MiniMax H3, z trzema plakietkami po lewej stronie o treści „36 ms na klatkę”, „832x480, bez dźwięku” i „81 klatek” oraz trzema po prawej stronie o treści „1 181 Elo w konwersji obrazu na wideo”, „natywne audio stereo” i „0,08 USD na sekundę”, z logo OrcaRouter w prawym dolnym rogu.
Engineering & Research

FastFrames Video Generation kontra MiniMax H3: Trzy tablice w wyścigu ze stoperem

Autor

Gideon Frost

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Istnieje wersja tego porównania, która stawia dwa modele wideo obok siebie i wskazuje szybszy, a zajęłaby jakieś czterysta słów. Byłaby też błędna, ponieważ MiniMax H3 to model, który wywołujesz, płacąc za sekundę, a FastFrames Video Generation to zestaw wag, który pobierasz i uruchamiasz na sprzęcie, którego jesteś właścicielem. H3 zadebiutował 31 lipca 2026 roku jako system omni-modalny, który odczytuje tekst, obraz, wideo i audio jako jeden kontekst, generuje natywny dźwięk stereo i zajmuje drugie miejsce na tablicy image-to-video Artificial Analysis z wynikiem 1 181 Elo przy 7 284 głosach według stanu na 8 października 2026 roku. FastFrames pojawił się 16 listopada jako dwa checkpointy, 1.3B i 14B, destylowane z Wan2.1, by wygenerować klatkę 480p w 36 milisekund — i nie figuruje na żadnej niezależnej tablicy. Tego, co je dzieli, nie stanowi jakość. Stanowi to, że jedno z nich jest produktem z publicznym zapisem na tablicy wyników, a drugie to artykuł ze stoperem.

Trzy zarządy, jeden model i o co tak naprawdę pyta każdy z zarządów

Warto dokładnie określić pozycje H3, ponieważ liczba, którą ludzie podają, jest zazwyczaj niewłaściwa.

• Obraz na wideo — drugie miejsce z wynikiem 1 181 Elo przy 7 284 głosach, za MiniMax H3 Max z 1 195 i przed Vidu Q4 Preview z 1 179. Szesnaście punktów dzieli trzy pierwsze miejsca, co mieści się w przedziałach ufności; to remis przebrany za podium.

• Tekst na wideo — czwarte miejsce z 1 137 pkt Elo przy 8 315 głosach. To słabszy ranking tego modelu — ten, w którym rywalizowałby model badawczy 480p bez dźwięku, gdyby miał własny wpis.

• Edycja wideo — czwarte miejsce z 1119 punktami Elo przy 7023 głosach, na liście rankingowej oceniającej modele pod kątem edycji klipu zgodnie z instrukcją tekstową z zachowanym dźwiękiem.

Trzy wystąpienia oznaczają trzy różne zgłoszone i zmierzone możliwości: generowanie z nieruchomej klatki, generowanie z tekstu oraz przekształcanie już istniejącego materiału filmowego. Trzecia z nich ma największe znaczenie w tym porównaniu, ponieważ wymaga przyjmowania wideo jako danych wejściowych, a FastFrames przyjmuje wyłącznie tekst.

Cennik widnieje na naszej własnej karcie modelu: 0,08 USD za sekundę przy 768p i 0,13 USD za sekundę przy 2K, co daje 4,80 USD i 7,80 USD za minutę — te same dwie liczby, które pojawiają się w kolumnie cen na arenie, i ten sam model w dwóch poziomach rozdzielczości, a nie wersja premium i tania. 5-sekundowy klip przy 768p kosztuje 0,40 USD.

Czego nie obejmuje 36 milisekund

Szybkość FastFrames jest realna i nie jest to szybkość ogólnego przeznaczenia, a architektura wyjaśnia dlaczego w sposób, którego lista specyfikacji nie potrafi.

Oba checkpointy to autoregresyjne modele dyfuzji wideo destylowane z Wan2.1 za pomocą przepisu o nazwie Causal Forcing++. Autorzy pozostawili transformer dyfuzyjny w większości bez zmian i zastąpili dwie otaczające go rzeczy, które nigdy nie były sednem. Dekoder VAE — około 147 milisekund na klatkę w wersji bazowej Causal Forcing++ — staje się dekoderem pikselowym z 63,87 mln parametrów, który emituje klatki bezpośrednio i osiąga blisko 1 milisekundy. Aktualizacja pamięci podręcznej KV staje się małą siecią dopracowującą, kosztującą 2 milisekundy w modelu 1,3B i 6 w 14B. Transformer jest zamrożony podczas końcowego etapu.

W małym modelu skraca to czas z 271,8 milisekundy na klatkę do 35,8. Na jednym B200 FastFrames-S obsługuje około 28 żądań na sekundę i tworzy 5,06-sekundowy klip w 2,9 sekundy. Model 14B utrzymuje 45 milisekund tylko na ośmiu B200; na pojedynczym GPU wydajność spada do 158 milisekund na klatkę, co jest wolniejsze niż obejrzenie wyniku. Przy 720p wynosi to 127 milisekund na małym modelu, a publikacja szacuje karę H100 na 25 do 50 procent.

To, czego ta liczba nie obejmuje, to wszystko, na co H3 poświęca swój czas. FastFrames nie generuje dźwięku. Opiera się wyłącznie na tekście — bez kadru początkowego, bez kadru końcowego, bez obrazu referencyjnego, bez klipu do przedłużenia lub zmiany stylu. Generuje 81 klatek w rozdzielczości 832×480 i 16 klatek na sekundę, a także łączy bloki w łańcuchy, zamiast oferować kontrolę nad klatkami kluczowymi lub kamerą. Trzy z czterech modalności wejściowych obsługiwanych przez H3 nie występują w ścieżce wnioskowania FastFrames.

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.

Dlaczego prędkość mimo wszystko nadal ma jakąś wartość

Łatwo byłoby spisać FastFrames na straty po poprzedniej sekcji, ale byłby to błędny odczyt. Ta liczba nie jest marketingowym zabiegiem; zmienia to, jaki rodzaj produktu jest możliwy.

Przy 36 milisekundach na klatkę na jednym B200 generacja kończy się, zanim zdążysz ją obejrzeć. To jest próg, przy którym pętla podglądu przestaje być zadaniem wsadowym i staje się interaktywna: piszesz, widzisz, korygujesz, a maszyna nadąża za korektą. Model 14B przy 45 milisekundach na węźle osiąga ten poziom w sensie przepustowości wsadowej, ale opóźnienie pojedynczego strumienia, które człowiek faktycznie odczuwa, jest właściwością małego modelu. Nic w opublikowanym interfejsie H3 nie odnosi się do tego przypadku użycia, ponieważ H3 jest rozliczany w sekundach gotowego materiału, a nie w klatkach wyprodukowanych na sekundę czasu zegarowego — to nie są te same pomiary, a karta stawek nie pozwala wyprowadzić jednego z drugiego.

Istnieje konsekwencja drugiego rzędu, którą artykuł wyraźnie wskazuje. Dekoder pikseli jest trenowany osobno dla każdego modelu bazowego, ale zasada — zamrozić transformer, douczyć warstwy łączące — została już przeniesiona do systemów zewnętrznych w ramach samych eksperymentów z artykułu, skracając czas na klatkę w LingBot-World z 1085 do 52 milisekund w wariancie 1.3B i z 3862 do 233 w 14B. To wynik dotyczący techniki, a nie produktu, i to część tego wydania o najszerszym zasięgu.

Uczciwy stan dowodów po każdej ze stron

To tutaj to starcie przestaje być sporne w którąkolwiek stronę, a w kwestii obu jego połówek warto mówić bez ogródek.

Wszystko, co FastFrames twierdzi o jakości, pochodzi od jej własnych autorów. Sumy VBench w Tabeli 1 wynoszą 84,23 dla FastFrames-S i 84,44 dla FastFrames-L, wobec 84,11 dla modelu bazowego przy 272 milisekundach i 84,65 dla Wan2.2 14.3B przy 117 734 milisekundach. Nikt niezależny ich nie odtworzył. VBench nagradza płynność czasową, którą modele autoregresyjne są zaprojektowane wytwarzać, a cały rozrzut w tabeli samego Apple wynosi około dwóch i pół punktu, podczas gdy rozrzut opóźnień w tych samych modelach obejmuje cztery rzędy wielkości. Czytaj tę tabelę jako twierdzenie o parytecie, a nie jego pomiar.

Pozycje H3 na tablicach zawierają liczebności próbek i przedziały ufności, co jest mocniejszą formą dowodu, a zarazem węższą. Tablica preferencji mówi, który wynik ludzie wybrali, gdy pokazano im dwa klipy; nie mówi, ile kosztowało wytworzenie któregokolwiek klipu, czy dźwięk był zsynchronizowany ani czy model przetrwałby serię 40 żądań przy 2K. Szesnastopunktowy rozrzut na górze tablicy obraz-do-wideo to dobre przypomnienie, że te liczby szeregują postrzeżenia, a nie możliwości, oraz że każda strona ogłaszająca zwycięzcę na podstawie szesnastopunktowej różnicy przy przedziałach ±10 odczytuje szum.

A więc porównanie sprowadza się do tego: jeden model został poddany głosowaniu przez tysiące ludzi i wyceniony za sekundę, a drugi ma stoper, plik licencji i artykuł. To różne rodzaje dowodów i żaden nie zastępuje drugiego.

Dwie ścieżki zakupowe, które wcale nie są do siebie podobne

Kupowanie czasu na H3 i uruchamianie FastFrames mają niemal zero wspólnych kroków, co jest praktycznym powodem, dla którego rzadko trafiają do tej samej decyzji.

• H3 — stawka za sekundę na hostowanym punkcie końcowym, wynosząca 0,08 USD przy 768p i 0,13 USD przy 2K, w API samego dostawcy oraz przez kilka platform zewnętrznych. Bez sprzętu, bez przeglądu licencji, bez CUDA. Udostępniamy to jako minimax/minimax-h3 w publicznym API modeli, rozliczane według stawki cennikowej dostawcy przekazywanej bez żadnych dodatków, możliwe do wywołania na tym samym punkcie końcowym zgodnym z OpenAI co modele językowe w katalogu.

FastFrames — Linux x86-64, GPU NVIDIA, CUDA 12.8, następnie uv sync i wywołanie scripts/generate.py z katalogiem checkpointów i ziarnem losowania. Wagi objęte są warunkami AMLR Apple'a; komponenty demonstracyjne LingBot-World v2 w tym samym repozytorium są na licencji CC BY-NC-SA 4.0, czyli niekomercyjnej; reszta podlega licencji Sample Code Licence Apple'a. Apple opublikowało również checkpointy ze wszystkich etapów treningu dużego modelu, co jest nietypowe i sprawia, że to wydanie jest odtwarzalne w sposób, w jaki większość wydań open-weight nie jest.

Ukryty koszt po obu stronach — sekundowy licznik H3 nalicza opłatę niezależnie od tego, czy ujęcie było dobre, a odrzucone ujęcie kosztuje tyle samo co przyjęte. Licznik GPU FastFrames działa w ten sam sposób, ale według stawki krańcowej, która jest błędem zaokrąglenia, jeśli sprzęt jest już zamortyzowany, a dużym kosztem stałym, jeśli nie jest.

Jedna praktyczna konsekwencja stosowanego po naszej stronie cennika pass-through: gdy MiniMax zmienia stawkę za sekundę, zmiana ta jest widoczna na trasie tego samego dnia, a nie dopiero przy odnowieniu umowy. FastFrames nie ma stawki, którą można by zmienić.

Do czego służy każdy z nich, ujęte w zdaniu, na którym można działać.

Wybierz MiniMax H3, gdy dane wejściowe są czymś innym niż prompt tekstowy, gdy dostarczany materiał wymaga dźwięku lub gdy piętnastosekundowy klip z wieloturowym rozszerzaniem jest bliższy twojemu ujęciu niż 81 klatek w 480p. Jest jedynym z dwóch, który potrafi edytować materiał filmowy, jedynym, który generuje dźwięk, i jedynym, którego deklarowana jakość została przetestowana przez osoby niepracujące dla firmy, która go stworzyła. Jego cena za 2K jest również niższa niż u większości konkurencji na tym poziomie.

Wybierz FastFrames, gdy pętla jest produktem, a klatka nie jest rezultatem do dostarczenia — podgląd na żywo, sterowalny model świata, awatar, który musi odpowiedzieć w ramach sesji, albo program badawczy, który chce zmienić sposób dekodowania przyczynowego stosu wideo, a nie to, co on generuje. Zaakceptuj 480p, ciszę, brak wejść referencyjnych i licencję, którą trzeba przeczytać, zanim wypuścisz cokolwiek komercyjnego.

FastFrames nie jest obsługiwany przez OrcaRouter i ta strona nie twierdzi, że jest — nie istnieje hostowany endpoint dla wag Apple. H3 to inna sprawa: kierujemy go jako minimax/minimax-h3, obok rodziny Kling 3.0 i ponad 200 modeli językowych, na jednym kluczu w cenie katalogowej dostawcy z 0% marży i automatycznym przełączaniem awaryjnym między endpointami. To tani sposób, by sprawdzić, czy model wideo rozliczany za sekundę pasuje do Twojego pipeline'u, zanim wydasz kwartalny budżet na GPU na alternatywę.

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.

Jedyny wynik, który uczyniłby z tego prawdziwą rywalizację.

Dwie rzeczy zmieniłyby odbiór, a żadna z nich nie jest lepszym demo.

Po pierwsze: FastFrames pojawia się na tablicy areny. To wymaga kogoś, kto by je hostował, a obecnie nikt tego nie robi — Apple opublikował wagi, ale nie punkt końcowy, więc nie ma sposobu, aby test preferencji udostępnił je głosującym. Dopóki to nie nastąpi, twierdzenie o jakości modelu opiera się wyłącznie na liczbach VBench jego autorów, co jest słabszą pozycją niż ta, jaką zajmuje jakikolwiek model na trzech tablicach H3.

Drugim jest publikacja przez MiniMax wartości opóźnienia. Cennik H3 jest wyrażony w sekundach wyjścia i nigdzie w tej strukturze nie ma kosztu na klatkę, który czytelnik mógłby porównać z 36 milisekundami. Gdyby MiniMax lub niezależny tester opublikował liczbę klatek na sekundę przy danej rozdzielczości i danym GPU, oba modele można by wreszcie zmierzyć na wspólnej osi. Nie zrobili tego, a rozpoczęcie tego nie leży w interesie komercyjnym dostawcy.

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.