Karta hero porównująca FastFrames Video Generation i Runway Gen-4.5, lewa karta z napisami „832x480 przy 16 fps”, „36 ms na klatkę” i „brak wejść referencyjnych”, prawa karta z napisami „720p, 24 lub 25 fps”, „od 2 do 10 sekund” i „0,12 USD za sekundę”, z logo OrcaRouter w prawym dolnym rogu.
Guides & Insights

FastFrames Video Generation vs Runway Gen-4.5: Kiedy 720p spotyka 480p

Autor

Gideon Frost

Data publikacji

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

Zestaw te dwie wartości rozdzielczości obok siebie, a w tym porównaniu zajdzie coś pożytecznego: straci ono na sile. Runway Gen-4.5 generuje w 720p, w klipach od dwóch do dziesięciu sekund, przy 24 lub 25 klatkach na sekundę, za 12 kredytów na wygenerowaną sekundę — około 0,12 USD za sekundę w planie deweloperskim, gdzie jeden kredyt to cent, z udokumentowaną dopłatą pięciu kredytów na sekundę za eksport sekwencji ProRes lub PNG. FastFrames Video Generation generuje w rozdzielczości 832×480, 81 klatek przy 16 fps, w 36 milisekund na klatkę na pojedynczym B200, bez dźwięku, wyłącznie na podstawie promptu tekstowego. Jedno z tych ograniczeń to 720p, a drugie 480p, a różnica między nimi jest mniejsza niż różnica między którymkolwiek z nich a masterem 4K. To, co naprawdę jest odległe, to wszystko, co dzieje się przed renderowaniem i po nim: Gen-4.5 to część generująca platformy studyjnej z własnymi narzędziami do edycji, eksportu i obróbki koloru; FastFrames to para checkpointów i plik licencji.

Dwa sufity, uczciwie porównane

Rozwiązanie to ta oś, na której czytelnicy oczekują pogromu, a zamiast tego dostają węższe pytanie.

• Gen-4.5 — generowanie w 720p, z uprawnieniem do powiększania do 4K na poziomie planu, które jest osobną operacją i nie powoduje, że oryginalne generowanie jest natywnie 4K. Porównujesz wymiary pobieranego pliku, a nie etykietę eksportu.

• FastFrames — 832×480 na stałe. W repozytorium nie ma ustawienia rozdzielczości, przełącznika 720p ani ścieżki skalowania w górę. Apple podaje w artykule wartości opóźnienia dla 720p, ale udostępniona konfiguracja to 480p.

• Liczba klatek na sekundę — Gen-4.5 udostępnia 24 lub 25 fps jako parametr, co jest rzeczywistym wymogiem dostarczenia materiału dla emisji telewizyjnej i dla każdego, kto dopasowuje się do istniejącego materiału. FastFrames ma stałe 16 fps, i jest to właściwość modelu destylowanego, a nie ustawienie, które ktoś zapomniał udostępnić.

• Czas trwania — Gen-4.5 zapewnia od dwóch do dziesięciu sekund w ramach jednego generowania. FastFrames zapewnia 81 klatek, czyli 5,06 sekundy, i osiąga dłuższe czasy działania dzięki łańcuchowemu połączeniu autoregresyjnemu.

A więc: 1,5× różnicy w liczbie pikseli, różnica liczby klatek na sekundę, która ma większe znaczenie niż różnica rozdzielczości, oraz górny limit czasu trwania, który jest w przybliżeniu podobny. Jeśli Twoim rezultatem jest wideo do mediów społecznościowych w 720p przy 24 fps, FastFrames nie jest kandydatem — nie dlatego, że 480p jest bezużyteczne, ale dlatego, że 16 fps jest, i dlatego, że nie istnieje ścieżka z 480p/16 do 720p/24, która nie wiązałaby się z wymyślaniem klatek. Jeśli Twoim rezultatem jest podgląd na żywo lub pętla sterowania, w której liczba klatek jest właściwością interakcji, a nie pliku, parametr 24 fps w Gen-4.5 jest nieistotny, a jego limit 720p to koszt, który ponosisz na darmo.

Co finansują kredyty, a co finansuje rachunek za GPU

Koszt obu modeli można obliczyć przed naciśnięciem przycisku generuj, co daje im przewagę nad wszystkim, co jest rozliczane tokenami lub na podstawie własnych decyzji modelu. Jednostki nadal się nie zgadzają.

• Gen-4.5 — 12 kredytów za wygenerowaną sekundę, stała stawka w całym cenniku, w którym ustawienie wyjściowe prawie nie wpływa na cenę. Pięciosekundowe generowanie to 60 kredytów, $0,60 przy $0,01 za kredyt. Dziesięć sekund to 120 kredytów, $1,20. Wyjście w postaci sekwencji ProRes lub PNG podnosi to do 85 kredytów, $0,85, w przypadku pięciu sekund. Każdą z tych liczb można poznać z góry.

• FastFrames — brak jakiejkolwiek stawki. Koszt to jeden B200 przez 2,9 sekundy (mały model, 5-sekundowy klip) albo osiem B200 przez 3,6 sekundy (duży model). Jeśli sprzęt jest twój, to błąd zaokrąglenia. Jeśli nie, to kontrakt na zarezerwowane instancje wyceniany w tygodniach.

• Ujęcie, które odrzucasz — Gen-4.5 nalicza opłatę za każdą wygenerowaną sekundę, niezależnie od tego, czy ujęcie było użyteczne. FastFrames nalicza tyle samo GPU-sekund za złe ujęcie co za dobre, co jest znacznie tańszym scenariuszem niepowodzenia i powodem, dla którego eksploracyjne przepływy pracy skłaniają się ku rozliczaniu za GPU-sekundę.

• To, czego nie powie ci żaden z dwóch cenników — zaakceptowany materiał to nie materiał wygenerowany. Sama dokumentacja Runway odróżnia podjęte próby generacji od zaakceptowanych wyników, a każdy budżet oparty na stawce z nagłówka zakłada pewien współczynnik trafień. Budżetuj w przeliczeniu na dostarczony klip, łącznie z ujęciami, które wyrzucasz.

Cennik Runway ma cechę, którą warto nazwać, bo jest naprawdę dobra: stała stawka za sekundę sprawia, że budżet na 720p to obliczenie w jednej linijce, niezależnie od wybranych ustawień. FastFrames nie ma ceny, więc nie ma i tej cechy — ma za to zależność od sprzętu, a zależności sprzętowe planuje się w budżecie rocznie, a nie na projekt.

A two-column scoreboard comparing FastFrames and Runway Gen-4.5 across six dimensions: resolution 832x480 against 720p generation, frame rate 16 fps against 24 or 25 fps, clip length 81 frames against 2 to 10 seconds, audio none against native audio plus separate audio tools, latency 36 ms per frame against not published, and price GPU time you supply against 12 credits per second.

Platforma to ta część, której nie ma w karcie specyfikacji.

Gen-4.5 nie pojawia się sam, a udawanie, że tak jest, zafałszowałoby to, co otrzymuje nabywca.

Praca wideo-do-wideo odbywa się za pośrednictwem osobnych narzędzi Modify Video firmy Runway, a nie przez własną ścieżkę kondycjonowania modelu, co oznacza, że przepływ pracy edycyjnej istnieje, ale jest innym obszarem o własnym zachowaniu. Profile HDR są udokumentowane po stronie deweloperskiej wraz z własnymi dopłatami. Model ma natywne audio, a obok niego dostępne są osobne narzędzia audio Runway. Eksport sekwencji ProRes i PNG jest udokumentowany i wyceniony, a nie ukryty.

FastFrames nie ma nic z tego, a dodatkowo ma coś, czego Runway nie ma: cały potok treningowy. Apple opublikowało każdy checkpoint etapu treningu dla dużego modelu — nauczyciela przyczynowego, etap destylacji spójności, etap destylacji DMD oraz finalny generator z jego dekoderem pikseli i siecią ulepszania KV — a także działającą ścieżkę wnioskowania, skrypt testu opóźnienia przyjmujący liczbę GPU, przepływ pracy ewaluacji VBench i aplikację demonstracyjną w apps/lingbot. To powtarzalny artefakt, a nie usługa. Jeśli interesuje Cię, jak można uczynić przyczynowy stos wideo interaktywnym, ten artefakt jest wart więcej niż jakikolwiek hostowany endpoint; jeśli interesuje Cię wysłanie komercyjnego produktu w piątek, nie jest wart zupełnie nic.

Licencja to moment, w którym kończy się abstrakcja. Wagi FastFrames są objęte warunkami AMLR firmy Apple, komponenty demonstracyjne LingBot-World v2 są udostępnione na licencji CC BY-NC-SA 4.0 — niekomercyjnej — a pozostała część repozytorium podlega licencji Sample Code Licence firmy Apple. Runway sprzedaje komercyjną usługę na komercyjnych warunkach. Każdy, kto planuje zbudować produkt na FastFrames, musi przeczytać trzy licencje, zanim napisze choćby linijkę kodu, a klauzula niekomercyjna dotycząca komponentów demonstracyjnych to coś, co zwykle odkrywa się późno i kosztownie.

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.

Co każda ze stron zmierzyła i kto dokonał pomiaru

Runway opisuje Gen-4.5 na własnej stronie badawczej jako swój najbardziej zaawansowany model generowania wideo, z ulepszeniami w jakości ruchu, zgodności z promptem i spójności czasowej, dostępny we wszystkich płatnych planach. To twierdzenie o możliwościach bez podanych liczb. Gen-4.5 nie pojawia się w pierwszych dwudziestu ośmiu wierszach rankingu Artificial Analysis image-to-video — to nie jest stwierdzenie, że model jest słaby, lecz stwierdzenie o tym, co Runway zdecydował się zgłosić, i rzeczywiście zmienia to, jakiego rodzaju decyzją to jest. Nie ma niezależnego Elo dla Gen-4.5 ani liczby próbek.

FastFrames publikuje liczby, które w całości są jego własne. Sumy VBench: 84,23 dla wersji 1,3B i 84,44 dla 14B, wobec 84,11 dla bazowego Causal Forcing++, z którego został destylowany, przy 272 milisekundach na klatkę. Nikt niezależny tego nie odtworzył, na benchmarku, który nagradza płynność czasową, do generowania której modele autoregresyjne są projektowane, w tabeli, której cały rozrzut wynosi około dwóch i pół punktu, podczas gdy rozrzut opóźnienia obejmuje cztery rzędy wielkości. Raportowane przez dostawcę w ścisłym tego słowa znaczeniu i wszędzie, gdzie się tu pojawiają, oznaczone jako takie.

Zatem oba modele mają ten sam status dowodowy — niezweryfikowane twierdzenia dostawców — a ta symetria sama w sobie jest ustaleniem. Strona, która by je rankingowała, tworzyłaby hierarchię z dwóch nieocenionych zbiorów danych.

Który, według stanowiska

Wybierz Runway Gen-4.5, gdy rezultatem ma być krótki klip 720p, który musi trafić do przepływu pracy Runway, gdy eksport ProRes lub sekwencji PNG jest wymogiem, a nie udogodnieniem, gdy 24 lub 25 fps to specyfikacja, której nie można zmienić, albo gdy jednolita stawka kredytowa pozwala spisać budżet projektu. Zaakceptuj limit generowania w 720p oraz skalowanie w górę, które nie jest tym samym co natywne 4K.

Wybierz FastFrames, gdy produktem jest interakcja, a plik to produkt uboczny — podgląd na żywo, awatar strumieniowany, sterowalny model świata albo program badawczy, który chce samej techniki, a nie wyniku. Zaakceptuj 480p, 16 fps, ciszę, brak warunkowania obrazem i przegląd licencji. Jedyną rzeczą, którą dostajesz, a której Gen-4.5 nie może zaoferować przy żadnej stawce kredytów, jest klatka co 36 milisekund na jednej karcie — i uczciwym ujęciem tego nie jest „szybsze generowanie wideo”, lecz „inna klasa zastosowań”.

OrcaRouter nie ma w ofercie Runway Gen-4.5 ani FastFrames — w katalogu nie ma trasy dla żadnego z nich, a ten materiał nie twierdzi, że jest inaczej. Jeden klucz daje natomiast dostęp do hostowanej warstwy 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, które znajdują się obok ponad 200 modeli językowych na endpointcie zgodnym z OpenAI po cenie katalogowej dostawcy z 0% marży, więc zmiana stawek dostawcy obowiązuje tu tego samego dnia, a w razie degradacji endpointu następuje przełączenie awaryjne zamiast blokować kolejkę. Dla zespołu, który wybiera między platformą rozliczaną za kredyty a wydaniem badawczym rozliczanym za moc GPU, to najtańszy dostępny sposób, aby najpierw uzyskać realny punkt odniesienia w zakresie kosztów i opóźnień.

Co mogłoby to rozwiązać?

Zgłoszenie przez Runway Gen-4.5 do rankingu image-to-video zastąpiłoby centralną asymetrię tej strony rzeczywistą liczbą, a poziom generowania powyżej 720p usunąłby jedyne miejsce, w którym te dwa modele są naprawdę blisko. Z drugiej strony FastFrames potrzebuje hostowanego endpointu, zanim jakikolwiek ranking preferencji będzie mógł go zmierzyć, a Apple opublikowało wagi bez niego.

Dopóki nie nastąpi jedno lub drugie, decyzja wcale nie zależy od jakości. Zależy od liczby klatek na sekundę, od tego, czy potrzebujesz pliku czy strumienia, oraz od tego, czy Twój dział prawny wolałby przejrzeć stronę z warunkami korzystania z usługi, czy trzy licencje naraz.

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.