
Geração de Vídeo FastFrames vs Luma Ray 3.2: Um Fluxo de Quadros Contra um Arquivo com Color Grading
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens
- 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 · 91 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 · 118 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 · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 por 1M de tokens · 143 tok/s
Luma Ray 3.2 e FastFrames Video Generation são ambos modelos de vídeo de difusão, ambos lançados em 2026, ambos com lançamento não antes do segundo semestre deste ano — e não são substitutos um do outro em nenhum sentido que um produtor reconheceria. O Ray 3.2, disponível desde 9 de junho, termina em um arquivo: até 1080p, cinco ou dez segundos, opcionalmente HDR de 10, 12 ou 16 bits no padrão ACES2065-1 EXR, que é o formato no qual um colorista faz a graduação. O FastFrames, publicado pela Apple com a Cornell em 16 de novembro, termina em um fluxo: 832×480, 81 quadros, um quadro a cada 36 milissegundos em uma única B200, sem áudio, somente com prompt de texto, pesos no Hugging Face. Um é construído para que sua saída sobreviva a um pipeline de finalização. O outro é construído para que sua saída chegue antes que você termine de assistir à última. Tudo abaixo decorre dessa divisão, incluindo o fato incômodo de que nenhum dos modelos tem uma pontuação independente para resolver a questão.
O formato da saída é o argumento, não a ficha de especificações.
Comece com o que cada modelo entrega a você, porque é aqui que a comparação realmente acontece.
• Ray 3.2 entrega MP4 por padrão e, mediante solicitação, entrega quadros HDR de 10, 12 ou 16 bits em ACES2065-1 EXR — mas apenas em 720p e 1080p, e somente para clipes de cinco segundos. O loop contínuo e o caminho EXR são ambos recursos de cinco segundos.
• O FastFrames entrega um MP4 de 81 quadros em 832×480 e 16 quadros por segundo, o que equivale a 5,06 segundos de filmagem silenciosa. Não há caminho para EXR, nem escolha de profundidade de bits, nem diálogo de exportação. O decodificador de pixels emite RGB de 8 bits por token e é só isso.
• A resolução é um teto de 1080p em comparação com um ponto fixo de 480p — mas a comparação é injusta nas duas direções, porque o modo HDR 1080p do Ray 3.2 não existe para clipes de dez segundos, e os 480p do FastFrames não são uma configuração que você possa aumentar.
• Superfície de controle: Ray 3.2 recebe texto, um quadro inicial, um quadro final ou um vídeo existente para modificar, além de até 16 quadros-chave por clipe e rastreamento de desempenho facial em até oito rostos. FastFrames recebe um prompt de texto e uma semente.
Leia essa lista novamente e observe o que ela implica sobre o comprador. O conjunto de recursos do Ray 3.2 é o conjunto de recursos de uma tomada que já existe em uma edição e precisa ser finalizada, revisada ou estendida. O conjunto de recursos do FastFrames é o conjunto de recursos de um sistema que ainda não decidiu o que é a tomada.
Ray 3.2, interpretado como uma ferramenta de pós-produção
O caminho EXR é a razão principal pela qual este modelo existe na sua forma atual, e traz restrições que a maioria dos artigos omite.
Ele gera em 540p, 720p e 1080p, em clipes de cinco ou dez segundos, em seis proporções de tela que cobrem vertical, quadrada e widescreen — mas a geração de dez segundos é apenas texto para vídeo, então os caminhos condicionados por quadro e condicionados por vídeo ficam limitados a cinco segundos. O HDR é uma configuração opcional de cinco segundos, em 720p e 1080p: você ativa o HDR para obter a exportação EXR, em vez de recebê-la automaticamente. O áudio é a outra restrição, e ela corta de um jeito que as pessoas não esperam. O Ray 3.2 não gera áudio sincronizado para texto para vídeo ou imagem para vídeo; o áudio só sobrevive quando você está modificando ou reenquadrando filmagens existentes que já trazem uma faixa de áudio. Para um modelo posicionado na finalização, isso é coerente — o som vem da edição, não do gerador —, mas qualquer pessoa que esteja procurando um modelo de vídeo com som em uma única chamada deve parar de ler aqui.
A estrutura comercial também importa. O Ray 3.2 é o primeiro modelo da família Ray com uma API de desenvolvedor completa, dividida em um nível Build pague conforme o uso e um nível Scale com throughput reservado e SLA. Os modelos Ray anteriores eram somente por assinatura, o que significa que o histórico de preços da família não serve de guia para o deste modelo. O custo por clipe varia com resolução, faixa dinâmica e duração em conjunto; listagens de terceiros colocam um clipe de cinco segundos em 720p perto de US$ 0,30 e um clipe em 1080p perto de US$ 1,20, e a exportação em HDR ou EXR multiplica o custo do clipe em vez de somar a ele. Trate esses valores como aritmética de agregadores sobre a tabela de preços da Luma, e não como um número publicado pela própria Luma.
Uma armadilha de nomenclatura que merece a frase que custa: os números de versão da Luma não seguem ordem crescente como parecem. Ray3.14 foi lançado em 26 de janeiro de 2026 e Ray 3.2 em 9 de junho de 2026, então o número menor é o modelo mais novo, e a Luma descontinuou a marca Dream Machine em torno da qual a maioria dos guias mais antigos ainda se baseia.
FastFrames, lido como um loop de renderização
O FastFrames não é um Ray 3.2 menor. É um resultado de destilação publicado como pesos, e a arquitetura explica tanto a velocidade quanto os recursos ausentes.
Ambos os checkpoints são modelos de difusão de vídeo autorregressivos construídos sobre o Wan2.1 — FastFrames-S a partir do Wan2.1-T2V-1.3B e FastFrames-L a partir do Wan2.1-T2V-14B — submetidos a uma receita que os autores chamam de Causal Forcing++. A contribuição do artigo não é um transformer mais rápido. É a eliminação de dois componentes caros ao redor do transformer: o decodificador VAE, que custava aproximadamente 147 milissegundos por quadro no baseline e é substituído por um decodificador de pixels de 63,87 milhões de parâmetros que chega a cerca de 1 milissegundo, e a atualização do cache KV, que se torna uma pequena rede de refinamento custando 2 milissegundos no modelo pequeno e 6 no grande. O próprio transformer é congelado no estágio final.
Fazendo as contas no modelo 1.3B, 271,8 milissegundos por quadro se tornam 35,8. Em uma B200, isso dá cerca de 28 requisições por segundo, ou um clipe de 5 segundos em 2,9 segundos. O 14B precisa de oito B200s para manter 45 milissegundos e 22 requisições por segundo; em uma única GPU, cai para 158 milissegundos, o que é mais lento que a reprodução. Em 720p, o modelo pequeno precisa de 127 milissegundos por quadro e o grande, de 116 em oito GPUs, e o artigo coloca a penalidade da H100 em 25% a 50% adicionais.
A geração autorregressiva é a razão pela qual 81 quadros não é tão limitante quanto parece e também a razão pela qual o modelo não consegue fazer o que o Ray 3.2 faz. Como cada bloco é condicionado ao anterior, os clipes se encadeiam — mas encadeamento não é controle por keyframe, e não há caminho para fornecer um quadro inicial, um quadro final, uma imagem de referência ou um clipe existente. O modelo não tem nenhum tipo de condicionamento por imagem.


A lacuna de medição é real, e ela existe em ambas as direções
Nenhum dos dois modelos pode ser classificado, e as razões são suficientemente diferentes para valer a pena separá-las.
Ray 3.2 não tem entrada na arena de vídeos da Artificial Analysis — nem em texto para vídeo, nem em imagem para vídeo, verificado em 18 de setembro de 2026 para este blog. O que a Luma publica em vez disso é um relatório interno de avaliação do Ray3 que alega paridade com o Veo 3 e vantagem sobre vários concorrentes, sem pontuações numéricas anexadas, e uma alegação de que sua API funciona com menos da metade do preço e da latência de modelos comparáveis, também não quantificada. Esses são documentos de posicionamento. Eles não são comparáveis a um Elo de arena com contagem de amostras e intervalo de confiança, e nenhuma página deveria apresentá-los como se fossem.
FastFrames tem o problema oposto: tem números, e todos eles vêm de seus próprios autores. Os totais do VBench na Tabela 1 do artigo são 84,23 para o FastFrames-S e 84,44 para o FastFrames-L, contra 84,11 para o Causal Forcing++, a linha de base da qual foi destilado, a 272 milissegundos por quadro. O Wan2.1 1.3B, o modelo base, obtém 83,80 a 30.444 milissegundos. O Wan2.2 14.3B obtém 84,65 a 117.734. Ninguém independente reproduziu nada disso, e o VBench é um benchmark que recompensa exatamente a suavidade temporal em que os modelos autorregressivos são bons. A própria tabela do artigo é uma alegação de paridade dentro de um platô de 83 a 85,5, não uma medição de qualidade.
O que as duas diferenças têm em comum é a principal conclusão a reter: a variação nos totais do VBench entre todos os modelos da lista da Apple é de cerca de dois pontos e meio, enquanto a variação de latência na mesma lista é de quatro ordens de magnitude. Independentemente do que esse benchmark mede, ele deixou de distinguir entre esses sistemas há algum tempo. Ambos esses modelos estão sendo vendidos com base em eixos que o VBench não enxerga.
Custando um shot em cada
Coloque um briefing concreto em relação a ambas as tabelas de preços e a aritmética deixa completamente de ser comparável.
• Um clipe HDR 1080p de cinco segundos — Ray 3.2, cerca de US$ 1,20 aos preços de tabela antes do multiplicador de HDR, entregue como EXR que vai direto para a gradação. O FastFrames não consegue produzir esta tomada a nenhum preço.
• Um clipe silencioso de cinco segundos em 480p — FastFrames, uma B200 por 2,9 segundos de tempo real no modelo pequeno, ou oito B200s por 3,6 segundos no modelo grande. O Ray 3.2 não gera em 480p de jeito nenhum; seu mínimo é 540p.
Dez segundos de qualquer coisa — Ray 3.2 apenas a partir de texto, em 1080p ou abaixo. O FastFrames chega a dez segundos encadeando dois blocos de 81 quadros e torcendo para que a emenda aguente.
• Noventa tomadas da mesma cena — é aqui que a economia se inverte. O Ray 3.2 cobra por clipe, então cem tentativas custam cem clipes. O FastFrames cobra por segundos de GPU, então cem tentativas custam cem vezes 2,9 segundos de uma máquina que você já aluga.
• O hardware que você não tem — o FastFrames exige Linux x86-64, uma GPU NVIDIA e CUDA 12.8, e o repositório inclui um caminho de inferência funcional, um script de benchmark de latência, um fluxo de trabalho de avaliação VBench e um aplicativo de demonstração. Nada disso é um serviço hospedado.
Essa linha das noventa tomadas é a verdadeira distinção. A cobrança por clipe precifica um entregável; a cobrança por segundo de GPU precifica a exploração. Se o seu processo é "gerar até ficar certo", o segundo modelo é uma ordem de magnitude mais barato e pior em todos os outros eixos. Se o seu processo é "gerar uma coisa que precisa sobreviver a uma avaliação", o primeiro modelo é o único dos dois que consegue fazer o trabalho.
A licença decide mais do que a ficha técnica
Os pesos do FastFrames estão sujeitos aos termos AMLR da Apple, e os componentes de demonstração do LingBot-World v2 no mesmo repositório estão sob CC BY-NC-SA 4.0 — não comercial. O restante está sob a Licença de Código de Exemplo da Apple. “Pesos abertos” e “livre para comercializar” não são sinônimos, e este lançamento é deliberadamente cuidadoso quanto à diferença, de uma forma que o Ray 3.2, vendido sob um contrato de API comercial com um nível Build e um nível Scale com SLA, simplesmente não é.
Portanto, a questão de aquisição segue o sentido oposto ao da questão técnica. O Ray 3.2 pede que você aceite uma relação com fornecedor: tabela de preços, termos de serviço, compromisso de throughput se comprar o Scale, um endpoint que pode mudar debaixo de você. O FastFrames pede que você leia três licenças e assuma a responsabilidade pelas GPUs. Para um estúdio que já tem um processo de revisão jurídica para fornecedores de API, a primeira é mais fácil. Para um grupo de pesquisa que já tem B200s e um responsável de compliance que lê licenças por diversão, a segunda é.
Onde cada um se encaixa, e a pergunta que mudaria isso
Coloque o Ray 3.2 no fim do pipeline e o FastFrames no início, e os dois deixam de competir. O Ray 3.2 é o que você escolhe quando a edição já existe, o pipeline de cor é real e a tomada precisa sair do outro lado graduável em 10 bits ou melhor — aceitando clipes HDR de 1080p e cinco segundos, sem áudio gerado, e uma conta por clipe que se multiplica com a faixa dinâmica. O FastFrames é o que você escolhe quando o loop é o produto: uma pré-visualização ao vivo, um modelo de mundo controlável, um avatar que responde dentro de uma sessão — aceitando 480p, silêncio, nenhuma entrada de referência e uma licença que você precisa ler antes de lançar.
Nenhum dos dois é uma rota no OrcaRouter, e este texto não afirma o contrário. O que uma chave alcança é a camada de vídeo hospedada que já funciona hoje — MiniMax H3 a US$ 0,08 por segundo em 768p e US$ 0,13 em 2K, e a família Kling 3.0 — ao lado de mais de 200 modelos de linguagem, com preços de tabela do provedor repassados com 0% de margem, de modo que um corte de preço do fornecedor chega aqui no mesmo dia em que é anunciado, com failover automático se um endpoint se degradar no meio da fila. Para uma equipe avaliando qualquer um dos modelos acima, essa é a forma barata de medir como são de fato o perfil de latência e custo antes de comprometer orçamento de GPU ou um contrato Scale com uma hipótese.
O que resolveria essa comparação não é uma demo melhor de nenhum dos lados. É uma medição independente do Ray 3.2 na arena de imagem para vídeo, para que o modelo de finalização tenha pelo menos um número, e uma reprodução dos 84,4 do FastFrames por alguém que não trabalhe na Apple ou em Cornell. Enquanto ambas não existirem, a base honesta para escolher é o entregável — e, nesse eixo, esses dois modelos não estão próximos o suficiente para serem confundidos.

