Cartão de título principal para uma comparação entre FastFrames Video Generation e HiDream O1 Video 1.0, mostrando dois cartões frente a frente rotulados como 'FastFrames — 36 ms por quadro, 480p, sem áudio, pesos abertos' e 'HiDream O1 Video 1.0 — Elo 1.175, 1080p com áudio, US$ 5,80 por minuto', com o logotipo da OrcaRouter no canto inferior direito.
Guides & Insights

FastFrames Video Generation vs HiDream O1 Video 1.0: Latência, conheça a Narrativa

Autor

jinhao.song

Data de publicação

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

Dois lançamentos, com dez semanas de diferença, construídos sobre crenças opostas a respeito de para que serve um modelo de vídeo. HiDream O1 Video 1.0 partiu da suposição de que um clipe é um curta-metragem: planeja um arco narrativo, gera de cinco a vinte segundos em 1080p com áudio sincronizado e trata a física como uma restrição, não como uma estética. FastFrames Video Generation partiu da suposição de que um quadro é um evento que precisa chegar antes que o próximo seja necessário, e otimizou o intervalo entre quadros para 36 milissegundos — em 480p, sem som, com pesos que a Apple publicou em 16 de novembro de 2026 junto com um artigo datado do dia 17. Nenhum é uma versão pior do outro. São respostas a perguntas diferentes, e escolher um diz a todos qual pergunta você estava fazendo.

Um é medido por uma tabela de classificação, o outro por um cronômetro.

A assimetria das evidências é o mais importante nesta página. O HiDream O1 Video 1.0 foi avaliado por terceiros; o FastFrames não foi, e não poderia ser na sua forma atual, porque um modelo texto-para-vídeo em 480p sem áudio não se encaixa em um ranking de imagem-para-vídeo que pressupõe som.

• HiDream O1 Video 1.0 — sexto lugar no ranking de imagem para vídeo da Artificial Analysis com o filtro de áudio ativado, Elo 1.175 ±10 em 3.231 amostras, a US$ 5,80 por minuto, na captura de 10 de outubro de 2026. A Artificial Analysis registra seu lançamento como 28 de agosto de 2026, a entrada no ranking como 10 de setembro e o anúncio da própria HiDream.ai como 17 de setembro.

• FastFrames-S e FastFrames-L — sem entrada no ranking, sem avaliação independente. Os totais VBench de 84,23 e 84,44 são dos próprios autores, da Tabela 1 do artigo, nos mesmos prompts e seeds de todas as baselines daquela tabela.

• A afirmação que os conecta — nada medido. Os totais do VBench e o Elo não são conversíveis, e ninguém executou ambos com os mesmos prompts.

Então, a forma honesta de comparar qualidade é recusar-se a fazê-lo. O que pode ser comparado é capacidade, latência, preço e acesso, e em três desses quatro a resposta não fica nem perto.

A two-column scoreboard comparing FastFrames and HiDream O1 Video 1.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p, duration about 5-second blocks against 5 to 20 seconds planned, audio none against synchronised, conditioning text only against text plus one reference image, and price GPU time only against $5.80 per minute.

O que o HiDream O1 Video 1.0 oferece a você por US$ 5,80 por minuto

É o sistema mais ambicioso, por uma margem considerável. O material de lançamento do HiDream descreve três etapas — uma passagem de planejamento, geração conjunta de áudio e vídeo e, em seguida, uma etapa de alinhamento — com pós-treinamento por aprendizado por reforço de difusão contra um modelo de recompensa multimodal. Na prática, isso se manifesta como um modelo de vídeo que decide quanto tempo um clipe deve durar em vez de ser informado: a duração é planejada narrativamente dentro da janela de 5 a 20 segundos, e o áudio é gerado junto com a imagem, em vez de ser sobreposto depois.

• Resolução e duração — 1080p, 5 a 20 segundos, duração planejada em vez de selecionada.

• Áudio — gerado em conjunto com o vídeo e sincronizado a ele, não em uma etapa separada.

• Condicionamento — texto, imagem e vídeo juntos, com exatamente uma imagem de referência obrigatória na API hospedada.

• Física — tratada como uma restrição de geração, que é a afirmação por trás de seu Elo acima da mediana.

• Acesso — um endpoint MaaS hospedado com tarefa assíncrona e ciclo de polling, a US$ 5,80 por minuto de saída, o que equivale a cerca de US$ 0,097 por segundo.

• Pesos abertos — nenhum.

A API é mais restrita do que o material de lançamento, e é esse o detalhe que pega as equipes de surpresa. O endpoint público aceita exatamente uma imagem de referência, fornecida como URL pública ou Base64 sem o prefixo data-URL, entre 40 KB e 20 MB. O prompt é opcional e tem como padrão vazio. Não há campo de vídeo de referência, nem seletor de resolução — a proporção é herdada da referência — e nenhum controle de áudio. O único ajuste é um force_10s booleano. E há uma armadilha do cliente que vale a pena conhecer antes de escrever o loop de polling: o result.status de nível superior atingir 1 significa que todas as subtarefas terminaram, não que tiveram sucesso. Os resultados reais estão em sub_task_results[].task_status, onde 1 é sucesso, 3 é falha de geração e 4 é recusa por segurança. Um loop de polling ingênuo marcará gerações falhas como concluídas.

O que o FastFrames oferece a você pelo preço de uma GPU

Menos produto, mais máquina. O FastFrames é um modelo de difusão de vídeo autorregressivo destilado do Wan2.1 — o checkpoint de 1,3B do Wan2.1-T2V-1.3B, o de 14B do Wan2.1-T2V-14B — usando uma receita chamada Causal Forcing++. Sua contribuição não é o transformer, mas o que o cerca: o decodificador VAE é substituído por um decodificador de pixels de 63,87 milhões de parâmetros que emite valores RGB 4×16×16 por token através de três blocos ConvNeXt causais e uma cabeça linear, reduzindo a decodificação de aproximadamente 147 milissegundos para cerca de 1, e a atualização do cache KV se torna uma pequena rede de refinamento — tronco compartilhado, quatro blocos de atenção de 8 cabeças, uma cabeça de reparo residual por camada DiT — custando de 2 a 6 milissegundos. O próprio DiT fica congelado no estágio final.

Saída — 832×480, 81 quadros, 16 fps. Cerca de 5,06 segundos por geração, encadeável de forma autorregressiva.

• Latência — 36 ms por quadro para o modelo pequeno em uma B200, 45 ms para o modelo grande em oito; 158 ms para o modelo grande em uma GPU, e 127/116 ms a 720p.

• Condicionamento — somente texto. Sem imagem, sem vídeo, sem keyframes, sem controle de câmera.

• Áudio — nenhum.

Acesso — pesos no Hugging Face sob a licença AMLR da Apple, código no GitHub, Linux x86-64 com CUDA 12.8. A demonstração LingBot-World v2 incluída é CC BY-NC-SA 4.0, o que proíbe o uso comercial dessa parte.

• Preço — nenhuma taxa de hospedagem em lugar algum. Você fornece o hardware.

A afirmação sobre a qualidade, pelo que vale como um número não verificado de fornecedor: total VBench de 84,23 para o modelo pequeno e 84,44 para o grande, contra 84,11 do baseline Causal Forcing++ a 272 ms por frame e 84,65 do Wan2.2 14.3B a 117 734 ms. Se isso se confirmar, um modelo rodando com uma fração de milissegundo por frame a mais que o baseline iguala um modelo rodando 2 600 vezes mais devagar. É essa a afirmação a testar, não a citar.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both released 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.

A decisão dos três públicos

Divida os compradores pelo que estão produzindo e a escolha deixa de ser uma comparação.

Se você estiver produzindo um vídeo finalizado

O HiDream O1 Video 1.0 é o único dos dois que produz um vídeo finalizado. 1080p, som, uma duração escolhida para se adequar ao conteúdo, com preço por segundo para que você possa fazer previsões. A US$ 0,097 por segundo, um clipe de vinte segundos sai por US$ 1,94, o que é um item normal em um orçamento de produção. O FastFrames não consegue entrar nessa conversa em volume algum, porque não consegue entregar um arquivo que alguém assistiria.

Se você estiver construindo um sistema interativo

O inverso é total. O ciclo assíncrono de tarefa e polling do HiDream é estruturalmente errado para qualquer coisa que precise responder dentro de um frame — você envia, espera e busca. O FastFrames a 36 ms por frame em uma única B200 produz mais rápido do que a reprodução a 16 fps, que é o limiar em que uma pessoa deixa de perceber que uma máquina está gerando. Se o seu produto é uma prévia ao vivo, um avatar ou uma cena controlável, não há modelo hospedado neste artigo que faça o trabalho, e o lançamento da Apple é a via aberta mais confiável para isso — sujeito à revisão da licença, que, para os componentes de demonstração, significa somente uso não comercial.

Se você está avaliando se deve construir qualquer um dos dois

Então, o experimento mais barato é com um modelo hospedado, e o OrcaRouter é uma única chave para o lado hospedado: o MiniMax H3, o vizinho hospedado mais próximo das ambições do HiDream, fica ao lado do Kling 3.0, Kling 3 Turbo e Kling Video O1 no mesmo catálogo, com os preços de tabela do provedor repassados com 0% de margem, para que uma mudança de tarifa do fornecedor chegue à sua fatura no dia em que acontecer. Nem o HiDream O1 Video 1.0 nem o FastFrames são servidos lá — não roteamos nenhum dos dois, e este artigo não é uma afirmação de que fazemos isso. O que a chave oferece é uma forma de medir sua própria tolerância à latência antes de gastar com o hardware de que o FastFrames precisa, porque essa medição é a única coisa que decide se 36 milissegundos valem os 480p.

O que resolveria isto

Um experimento: rode os dois com os mesmos vinte prompts e coloque as saídas diante de pessoas que não sabiam qual modelo tinha gerado qual. O FastFrames vai perder em todos os prompts nos quais som ou detalhe importam, e pode vencer naqueles em que a coerência de movimento é o que o olho capta, porque a geração autorregressiva é boa exatamente nisso. Até que alguém faça esse teste, a posição defensável é que o HiDream O1 Video 1.0 é o melhor modelo de vídeo e o FastFrames é o melhor resultado de latência, e esses são dois produtos diferentes sendo vendidos — um por segundo, outro por hora de GPU.

The FastFrames project page from Apple and Cornell University, naming the seven authors, stating that FastFrames-S at 1.3B and FastFrames-L at 14B are autoregressive video diffusion models generating 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality-latency plots, pipeline, text-to-video samples and comparisons.