
O FastFrames da Apple gera vídeo mais rápido do que você consegue assistir
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 97 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNOVOOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaNOVOOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaNOVOOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligência
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligência
Trinta e seis milissegundos por quadro. Esse é o número no topo de FastFrames Video Generation, o lançamento que a Apple publicou com a Cornell em 16 de novembro de 2026 — pesos no Hugging Face como FastFrames-S com 1,3 bilhão de parâmetros e FastFrames-L com 14 bilhões, e um artigo intitulado "FastFrames: Video Generation at Interactive Latency" no dia seguinte. Faça as contas antes de ler qualquer outra coisa: um clipe tem 81 quadros em 832×480 e 16 quadros por segundo, o que dá 5,06 segundos de vídeo. A 36 milissegundos por quadro em uma única B200, o modelo pequeno produz esse clipe em 2,9 segundos. Não mais rápido que as alternativas — mais rápido que a reprodução. A pergunta interessante não é se o número é real. É o que a Apple abriu mão para obtê-lo, e se essa troca é algo com que você consegue viver.
O que foi realmente lançado, e quando
Dois checkpoints, ambos de texto para vídeo, ambos sem restrições de acesso e disponíveis para download nesta semana. Os repositórios do Hugging Face foram criados em 16 de novembro de 2026 e ainda estavam sendo atualizados na manhã de 18 de novembro; o pré-print no arXiv (2611.23226) é datado de 17 de novembro. Portanto, este é um lançamento de dois dias, não um modelo com histórico comprovado, e nada aqui foi avaliado de forma independente. Tudo o que se segue é ou uma medição dos próprios autores ou um atributo dos pesos publicados.
• Tamanhos — FastFrames-S com 1,3B de parâmetros, FastFrames-L com 14B (14,3B contando as cabeças adicionadas).
• Modelos base — destilados de Wan2.1-T2V-1.3B e Wan2.1-T2V-14B, respectivamente, usando uma receita que os autores chamam de Causal Forcing++.
• Saída — 832×480 a 16 fps, 81 quadros por geração, autorregressivo para que os clipes possam ser encadeados.
• Pesos — abertos no Hugging Face, marcados com a licença AMLR da Apple; o código de demonstração do LingBot-World v2 é CC BY-NC-SA 4.0, que é não comercial, e o restante do repositório está sob a Licença de Código de Exemplo da Apple.
• Preços — nenhum. Não existe um endpoint FastFrames hospedado pela Apple; você o executa nas suas próprias GPUs.
Essa última linha é a que deve ser internalizada. O FastFrames é uma versão de pesquisa com pesos disponíveis para download, que é um objeto diferente de um produto. Não há preço por segundo, nem fila, nem SLA, e não há como chamá-lo sem uma GPU NVIDIA e CUDA 12.8.

Para onde foram os milissegundos
A ideia arquitetural é mais restrita do que “um modelo mais rápido” e mais interessante. FastFrames é um modelo de difusão de vídeo autorregressivo, o que significa que ele gera um bloco de quadros condicionado ao que veio antes. No baseline em que ele se baseia, o Causal Forcing++, gerar um bloco de 81 quadros custa 271,8 milissegundos por quadro, e boa parte disso não é o transformer — é o autoencoder variacional decodificando latentes de volta para pixels, além da etapa que atualiza o cache KV para que o próximo bloco saiba o que aconteceu neste.
A equipe da Apple substituiu ambas as extremidades desse loop por pequenas redes aprendidas e deixou o transformador de difusão intacto.
• O decodificador VAE foi removido. Um decodificador de pixels com 63,87 milhões de parâmetros — três blocos ConvNeXt causais e uma camada linear final que emite valores RGB 4×16×16 por token — produz quadros diretamente. A decodificação cai de cerca de 147 milissegundos para aproximadamente 1 milissegundo.
• A atualização do cache KV agora é uma pequena rede. Um stem compartilhado, quatro blocos de autoatenção com 8 cabeças e uma cabeça de reparo residual por camada DiT, custando 2 milissegundos no modelo pequeno e 6 no grande.
• O próprio transformer quase não mudou e é congelado durante o estágio final. No modelo 1,3B, o tempo do DiT passa de 41,6 para 16,4 milissegundos; no 14B, de 89,2 para 75,6.
Some tudo isso no modelo de 1,3B e 271,8 milissegundos viram 35,8. Esse é todo o truque, e é um bom truque: os autores não tornaram um transformer de difusão mais rápido; eles removeram as partes ao redor dele que nunca foram o ponto. O decodificador de pixels foi treinado em 32 B200s por cerca de uma semana ao longo de 150.000 rollouts, com um estágio adversarial em 8 B200s usando um discriminador DINOv3 ViT-S/16 congelado para impedir que produzisse quadros suaves.
A alegação de qualidade, e quem a verificou
Aqui está a parte que precisa de um rótulo. Os números do VBench abaixo são dos próprios autores, executados com os mesmos prompts e seeds em 480p, e reportados na Tabela 1 do artigo. Ninguém independente os reproduziu, e o VBench é um benchmark que recompensa o tipo de suavidade temporal em que modelos autorregressivos são bons. Trate-os como uma alegação de paridade, não como uma medição dela.
• FastFrames-S — 84,23 de VBench total, 85,30 de qualidade, 79,92 de semântica, a 36 ms por quadro.
• FastFrames-L — 84,44 total, 85,48 de qualidade, 80,29 semântico, a 45 ms por frame em oito B200s.
• Causal Forcing++, a linha de base da qual foi destilado — 84,11 no total a 272 ms por quadro, portanto cerca de 7,6× mais lento por 0,1 a 0,3 ponto a menos.
• Krea-Realtime — 84,42 no total a 1.675 ms por frame; o artigo afirma realismo, aderência ao prompt, composição e renderização de texto comparáveis, a uma velocidade mais de dez vezes maior.
• Self-Forcing — 84,10 a 717 ms; CausVid 83,18 a 662 ms; LongLive2.0 83,65 a 505 ms.
• Wan2.1 1.3B, o modelo base — 83,80 em 30.444 ms por quadro.
• Wan2.2 14.3B — 84,65 a 117.734 ms por quadro. Esse é o número que vale a pena assimilar: o melhor total disponível, a aproximadamente 2.600 vezes o custo por quadro do FastFrames-L.
• MiniMax-H3 33,1B — 84,43 em 38.454 ms; HunyuanVideo1.5 8,3B — 83,18 em 1.555.508 ms.
O padrão é um platô de qualidade estável, de 83 a 85,5, em todos os modelos da lista, e uma variação de latência de quatro ordens de magnitude. Independentemente do que o total do VBench mede, ele deixou de distinguir entre esses sistemas há um tempo. O que os separa agora é a velocidade de execução e a resolução e o áudio que conseguem produzir — e o FastFrames vence a primeira coluna com folga, enquanto perde a segunda por completo.
O que 36 milissegundos por frame realmente rende
Converta para as unidades com as quais uma pessoa de produto se importa. Os autores relatam throughput e latência, e os dois contam histórias diferentes dependendo de quantas GPUs você tem.
• FastFrames-S, uma B200 — 36 ms por quadro, cerca de 28 solicitações por segundo. Um clipe de 5 segundos em 2,9 segundos, ou 1,7× mais rápido do que você consegue assistir.
• FastFrames-L, oito B200s — 45 ms por frame, cerca de 22 solicitações por segundo. Um clipe de 5 segundos em 3,6 segundos.
• FastFrames-L, uma GPU — 158 ms por frame, cerca de 6,3 pedidos por segundo. O mesmo clipe em 12,8 segundos, o que é mais lento do que a reprodução. O modelo grande só se torna interativo quando você o distribui por um nó.
• A 720p — 127 ms por quadro para o modelo pequeno e 116 ms para o grande em oito GPUs, que é o ponto em que “interativo” deixa de ser verdade para uma sessão de fluxo único.
Em H100 em vez de B200 — o artigo estima a penalidade em 25 a 50 por cento, então o modelo pequeno fica em algum ponto em torno de 45 a 54 ms por quadro.
A afirmação que se sustenta é a relativa ao modelo pequeno no hardware atual. O FastFrames-S em uma B200 é genuinamente mais rápido que o tempo real, o que torna viável um loop de pré-visualização ao vivo, um avatar em streaming ou um modelo de mundo controlável sem uma render farm. O 14B é interativo apenas no sentido de throughput em lote.
Executando você mesmo
O repositório traz um caminho de inferência funcional, não apenas pesos. Você precisa de Linux x86-64, uma GPU NVIDIA e CUDA 12.8; depois uv sync, e uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Há um script de benchmark de latência que recebe uma contagem de GPUs, um fluxo de trabalho de avaliação do VBench, e um aplicativo de demonstração em apps/lingbot que serve na porta 8000. A Apple também publicou todos os checkpoints de cada estágio de treinamento do modelo grande — o professor causal, o estágio destilado por consistência, o estágio destilado por DMD, e o gerador final com seu decodificador de pixels e rede de refinamento KV — o que é incomum e torna o lançamento reproduzível de uma forma que a maioria dos lançamentos de "pesos abertos" não é.

Se você não tem as GPUs, a declaração honesta é que o OrcaRouter não serve o FastFrames, e ninguém mais serve — não há endpoint hospedado para o qual rotear. O que uma chave do OrcaRouter cobre são os modelos de vídeo hospedados que já funcionam hoje, incluindo Kling 3.0 e Kling 3 Turbo, Kling Video O1 e MiniMax H3, com preços de tabela do provedor repassados com 0% de markup, então uma mudança de preço do fornecedor chega até você no mesmo dia, e não no próximo ciclo de cobrança. O padrão sensato para uma equipe curiosa sobre o FastFrames é prototipar a ideia do produto com um modelo hospedado cuja latência você possa medir, e só comprar tempo de GPU depois de saber que o ciclo vale a pena.
O que não é possível fazer
Três limites, e nenhum deles será corrigido na próxima semana.
• Resolução — 480p, ponto final. A Apple informa números de latência de 720p, mas a configuração lançada é 832×480. Todos os concorrentes nesta faixa de preço oferecem pelo menos 1080p.
• Áudio — nenhum. O FastFrames é silencioso. Veo, Kling, Grok Imagine e HiDream geram áudio sincronizado na mesma chamada.
• Duração e controle — 81 quadros por geração com encadeamento autorregressivo, apenas prompts de texto. Sem condicionamento por imagem, sem recursos de referência, sem quadros-chave, sem controle de câmera, sem API de extensão.
• Licença — os pesos do modelo estão sujeitos aos termos AMLR da Apple, e os componentes do LingBot-World v2 são CC BY-NC-SA 4.0. Leia isso antes de criar um produto comercial baseado no aplicativo de demonstração; "pesos abertos" e "livre para comercialização" não são sinônimos, e esta versão é deliberadamente cuidadosa quanto à diferença.
A coisa a observar
FastFrames é mais bem compreendido como uma demonstração de que o custo da geração de vídeo autorregressiva nunca esteve majoritariamente no modelo. Estava na decodificação e na atualização de cache, e a Apple eliminou ambos por cerca de dois milissegundos e um megabyte de parâmetros. Esse resultado é transferível: o decodificador de pixels é treinado por modelo base, mas o princípio — congelar o transformer, aprender a infraestrutura de conexão — se aplica a qualquer pilha de difusão de vídeo causal, e o artigo já mostra que ele foi portado para dois sistemas de terceiros, levando o LingBot-World de 1.085 para 52 milissegundos por quadro na variante de 1,3B e de 3.862 para 233 na de 14B.
O que isso significa para um comprador: se o seu produto precisa de um modelo de vídeo em um loop em tempo real, o requisito de hardware acabou de cair uma ordem de magnitude, e o custo de qualidade parece ser pequeno. Se o seu produto precisa de um clipe finalizado em 1080p com som, nada neste lançamento é voltado para você, e os modelos hospedados continuam sendo a resposta. A lacuna entre esses dois casos de uso é onde os lançamentos de modelos de vídeo dos próximos doze meses serão disputados.

