Card de título principal para uma comparação entre FastFrames Video Generation e Grok Imagine Video, com selos escritos '36 ms por quadro', 'silencioso, 480p', 'auto-hospedado', 'até 1080p', 'áudio e sincronização labial' e 'US$ 4,20 por minuto', e o logotipo da OrcaRouter no canto inferior direito.
Guides & Insights

FastFrames Video Generation vs Grok Imagine Video: Ambos Autorregressivos, Um Deles Já Foi Lançado

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A coisa mais próxima de um equivalente técnico que FastFrames Video Generation tem em produção hoje é Grok Imagine Video, e a semelhança não é superficial. Ambos geram vídeo de forma autorregressiva — cada bloco condicionado aos quadros anteriores — e ambos usam essa estrutura para estender um clipe em vez de renderizar uma janela fixa. O lançamento da Apple, publicado em 16 de novembro de 2026, com o artigo no dia 17, usa isso para atingir 36 milissegundos por quadro em uma única GPU. O da xAI usa isso para permitir que você mantenha uma tomada rodando por quinze segundos com som. A diferença é que um deles é um artefato de pesquisa baixável e o outro está em uma API pública desde janeiro de 2026, e essa diferença — não a tabela de benchmarks — é o que decide o confronto para qualquer pessoa com um prazo.

Quanto custa cada um, nas unidades com que você realmente faria o orçamento

O FastFrames não tem preço, porque não há nada para comprar. Os pesos estão no Hugging Face sob a licença AMLR da Apple, e o único custo é o hardware: uma B200 para o modelo de 1,3B ou oito para o de 14B para permanecer interativo, além de CUDA 12.8 e Linux. O Grok Imagine Video é vendido por segundo e reportado pela Artificial Analysis como uma taxa por minuto, o que torna a aritmética invulgarmente simples.

• Grok Imagine Video, lançamento original — $4,20 por minuto de vídeo gerado, o que equivale a $0,07 por segundo. Um clipe de 15 segundos custa cerca de $1,05.

• Grok Imagine Video 1.5 — US$ 8,40 por minuto, US$ 0,14 por segundo, aproximadamente US$ 2,10 para os mesmos quinze segundos.

• Grok Imagine Video 1.5 Lite no quadro de texto para vídeo — também US$ 8,40 por minuto, uma esquisitice de preço que vale a pena destacar em vez de tentar explicar.

• FastFrames-S — sem tarifa. Um B200 a cerca de US$ 2 a US$ 4 por hora de GPU, gerando 28 clipes de cinco segundos por segundo de tempo real no limite teórico, então o custo marginal se aproxima da eletricidade.

• FastFrames-L — o mesmo, em oito GPUs, que é onde o argumento de "barato" fica mais difícil.

A história de custos só se inverte para o FastFrames em volume, e só se você já tiver as GPUs. Para uma equipe que aluga, o ponto de virada está longe o bastante para que a latência tenha de ser o motivo de escolhê-lo, não o preço.

A two-column scoreboard comparing FastFrames and Grok Imagine Video across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against up to 1080p, audio none against joint audio and video, max length 81 frames about 5 seconds against 15 seconds, price GPU time only against $4.20 to $8.40 per minute, and access open weights against a hosted API.

Onde o Grok Imagine Video está simplesmente à frente

Três recursos já lançados que o FastFrames não possui de forma alguma.

• Resolução — O Grok Imagine Video gera 480p, 720p ou 1080p dependendo da chamada; o FastFrames é fixo em 832×480.

• Áudio — o xAI gera imagem e som juntos, com fala sincronizada com os lábios e até três referências de voz predefinidas; o FastFrames produz vídeo sem som e não tem via de áudio.

• Superfície de controle — até 14 imagens de referência, até quatro keyframes intermediários do vídeo, além dos quadros inicial e final, e extensões encadeadas a partir do último quadro até quinze segundos; o FastFrames recebe um prompt de texto, e essa é toda a interface.

Em termos de qualidade medida, a família Grok fica no meio do ranking, e não no topo, nas capturas do Artificial Analysis de outubro de 2026: o lançamento original ficou em 13º no ranking de imagem para vídeo, com Elo 1.072 ±7 em 14.371 amostras; o Grok Imagine Video 1.5 ficou em 9º, com 1.098 ±8 em 5.267; e a variante 1.5 Lite ficou em 16º no ranking de texto para vídeo, com 993 ±10 em 5.715. Assim, a atualização 1.5 rendeu cerca de 26 pontos de Elo — uma melhoria real no limite dos intervalos de confiança, não uma mudança radical — pelo dobro do preço por segundo. Esses são números de terceiros de outubro; o FastFrames não tem entrada em ranking para comparar, e os totais do VBench da própria Apple, de 84,23 e 84,44 para os modelos pequeno e grande, não são comensuráveis com um Elo.

Onde o FastFrames está à frente, e apenas em um eixo

Velocidade, de forma esmagadora, e o propósito a que essa velocidade serve. O Grok Imagine Video é um sistema de requisição-resposta: você envia um prompt, espera e recebe um clipe. O FastFrames-S em uma B200 retorna quadros a cada 36 milissegundos — 28 por segundo em throughput agregado —, o que é mais rápido do que a reprodução de um stream de 16 fps. O modelo 14B precisa de oito B200s para chegar a 45 ms por quadro; em uma única GPU, cai para 158 ms e deixa de ser interativo.

Esse não é tanto um número que faz o Grok parecer lento, mas um número que descreve um produto diferente. A xAI está vendendo clipes curtos finalizados com som. A Apple publicou um componente para um loop ao vivo — e o demonstrou tornando interativos sistemas de terceiros, reduzindo a variante 1.3B do LingBot-World de 1.085 para 52 ms por frame e a 14B de 3.862 para 233, com a RealWonder 1.3B passando de 1.141 para 51. Nenhum desses sistemas também entrega áudio em 1080p. A leitura realista é que o FastFrames é uma técnica à espera de um produto, e a técnica é boa: substituir a decodificação do VAE por um decodificador de pixels de 63,87 milhões de parâmetros leva essa etapa de cerca de 147 ms para cerca de 1, e uma pequena rede de refinamento KV substitui a atualização de cache por 2 a 6 ms.

A armadilha de licenciamento que ninguém menciona na tabela de benchmark

O FastFrames é aberto em um sentido estreito e cauteloso. Os pesos do modelo estão sujeitos aos termos AMLR da Apple. O código e os pesos do LingBot-World v2 que acompanham o pacote como demonstração estão sob CC BY-NC-SA 4.0 — não comercial, compartilha igual. O restante do repositório está sob a Licença de Código de Exemplo da Apple. Se você estava pensando em colocar o app de demonstração em um produto comercial, a licença impede isso antes mesmo do teto de 480p. O Grok Imagine Video não tem essa ambiguidade: é uma API, você paga por segundo, e os termos são um contrato de serviço, e não uma concessão de direitos sobre os pesos.

Vale a pena nomear essa troca de forma clara, porque "pesos abertos" é usado como sinônimo de "livre para usar", e este lançamento não é isso.

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

Como escolher entre eles

Pergunte o que acontece depois que o clipe existe. Se uma pessoa o assiste uma vez e segue em frente — um post social, um storyboard, uma variação de anúncio —, o Grok Imagine Video a US$ 0,07 a US$ 0,14 por segundo, com áudio e 1080p, é a resposta mais barata e melhor, e o FastFrames não consegue competir em qualidade de saída porque não produz uma saída finalizada. Se o clipe é uma entrada para outra coisa — uma prévia que se atualiza enquanto o usuário digita, um personagem que responde dentro de um frame, um modelo de mundo sendo explorado —, então precificação por clipe e uma fila de solicitações são completamente o formato errado, e o FastFrames-S em uma única GPU é a única coisa nesta comparação que se encaixa.

Para o caso intermediário, em que você quer testar se vale a pena construir o formato interativo antes de comprar hardware, o caminho mais barato é criar um protótipo com um modelo hospedado que você pode chamar hoje. A OrcaRouter cobre os modelos de vídeo hospedados em uma única chave pelo preço de tabela do provedor com 0% de markup — entre eles Kling 3.0, Kling 3 Turbo, Kling Video O1 e MiniMax H3 — e o repasse direto e sem acréscimo significa que uma mudança de preço do fornecedor chega à sua fatura no mesmo dia, em vez de na renovação. Grok Imagine Video e FastFrames estão ambos ausentes desse catálogo: não servimos nenhum dos dois, e nada aqui implica o contrário. O que uma única chave oferece é uma forma estável de medir qual latência seus usuários vão tolerar, que é o número que indica se o lançamento da Apple é relevante para o seu roadmap.

O resumo honesto

O Grok Imagine Video é o melhor gerador de vídeo em todos os aspectos, exceto naquele que a Apple otimizou, e a Apple otimizou esse aspecto mais do que qualquer outro. Daqui a dois anos, a pergunta interessante não será qual dos dois é mais rápido, porque o lado hospedado terá alcançado o suficiente para que essa distinção deixe de importar para a maioria dos produtos. Será se algo hospedado permite controlar uma geração enquanto ela ainda está sendo renderizada. Essa é a capacidade que o FastFrames demonstra, e nenhuma API nesta comparação a oferece.

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame.