Cartão de destaque para uma comparação entre FastFrames Video Generation e MiniMax H3, com três selos à esquerda com os textos '36 ms por quadro', '832x480, sem áudio' e '81 quadros' e três à direita com os textos '1.181 Elo de imagem para vídeo', 'áudio estéreo nativo' e 'US$ 0,08 por segundo', com o logotipo da OrcaRouter no canto inferior direito.
Engineering & Research

Geração de Vídeo FastFrames vs MiniMax H3: Três Placas Contra um Cronômetro

Autor

Gideon Frost

Data de publicação

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

Há uma versão desta comparação que coloca dois modelos de vídeo lado a lado e escolhe o mais rápido, e levaria cerca de quatrocentas palavras. Também estaria errada, porque MiniMax H3 é um modelo que você pode chamar por segundo e FastFrames Video Generation é um conjunto de pesos que você baixa e executa em hardware que possui. O H3 foi lançado em 31 de julho de 2026 como um sistema onimodal que lê referências de texto, imagem, vídeo e áudio como um único contexto, gera som estéreo nativo e ocupa o segundo lugar no ranking de imagem para vídeo do Artificial Analysis, com 1.181 Elo em 7.284 votos, conforme lido em 8 de outubro de 2026. O FastFrames chegou em 16 de novembro como dois checkpoints, 1,3B e 14B, destilados do Wan2.1 para produzir um quadro em 480p em 36 milissegundos — e não aparece em nenhum ranking independente. O que os separa não é a qualidade. É que um deles é um produto com um histórico público de pontuação e o outro é um artigo com um cronômetro.

Três conselhos, um modelo e o que cada conselho está realmente perguntando

Vale a pena declarar com precisão as posições da H3, porque o número que as pessoas citam costuma ser o errado.

Imagem para vídeo — segundo lugar, com 1.181 de Elo em 7.284 votos, atrás do MiniMax H3 Max, com 1.195, e à frente do Vidu Q4 Preview, com 1.179. Dezesseis pontos abrangem os três primeiros, o que está dentro dos intervalos; trata-se de um empate disfarçado de pódio.

• Texto para vídeo — quarto lugar, com 1.137 Elo em 8.315 votos. É a categoria mais fraca do modelo e aquela em que um modelo de pesquisa silencioso em 480p estaria competindo se tivesse uma entrada.

Edição de vídeo — quarto lugar, com 1.119 de Elo em 7.023 votos, num ranking que avalia modelos na edição de um clipe a partir de uma instrução de texto com o áudio preservado.

Três aparições significam três capacidades diferentes que foram enviadas e medidas: gerar a partir de uma imagem estática, gerar a partir de texto e transformar filmagens que já existem. A terceira é a que mais importa para esta comparação, porque exige aceitar vídeo como entrada, e o FastFrames não aceita nada além de texto.

O preço está na nossa própria ficha do modelo: US$ 0,08 por segundo em 768p e US$ 0,13 por segundo em 2K, o que equivale a US$ 4,80 e US$ 7,80 por minuto — os mesmos dois valores que aparecem na coluna de preços da arena, e o mesmo modelo em dois níveis de resolução, em vez de uma versão premium e uma versão barata. Um clipe de 5 segundos em 768p custa US$ 0,40.

O que 36 milissegundos não incluem

A velocidade do FastFrames é real e não é uma velocidade de propósito geral, e a arquitetura explica porquê de uma forma que uma lista de especificações não explica.

Ambos os checkpoints são modelos autorregressivos de difusão de vídeo destilados do Wan2.1 por meio de uma receita chamada Causal Forcing++. Os autores deixaram o transformer de difusão praticamente intacto e substituíram as duas coisas ao redor dele que nunca foram o ponto principal. O decodificador VAE — cerca de 147 milissegundos por quadro no baseline do Causal Forcing++ — torna-se um decodificador de pixels de 63,87 milhões de parâmetros que emite quadros diretamente e chega a perto de 1 milissegundo. A atualização do KV-cache torna-se uma pequena rede de refinamento que custa 2 milissegundos no modelo de 1,3B e 6 no de 14B. O transformer fica congelado durante o estágio final.

No modelo pequeno, os 271,8 milissegundos por quadro caem para 35,8. Em um único B200, o FastFrames-S executa cerca de 28 requisições por segundo e produz um clipe de 5,06 segundos em 2,9 segundos. O 14B mantém 45 milissegundos apenas em oito B200s; em uma única GPU, degrada para 158 milissegundos por quadro, o que é mais lento do que assistir ao resultado. Em 720p, são 127 milissegundos no modelo pequeno, e o artigo estima a penalidade do H100 em 25 a 50 por cento.

O que esse número não inclui é tudo aquilo com que o H3 ocupa seu tempo. O FastFrames não produz áudio. Ele recebe condicionamento apenas por texto — sem quadro inicial, sem quadro final, sem imagem de referência, sem clipe para estender ou reestilizar. Ele gera 81 quadros em 832×480 e 16 quadros por segundo, e encadeia blocos em vez de oferecer controle de quadro-chave ou de câmera. Três das quatro modalidades de entrada que o H3 aceita não existem no caminho de inferência do FastFrames.

A two-column scoreboard comparing FastFrames and MiniMax H3 across six dimensions: independent score none against 1,181 Elo, resolution 832x480 against 2K, clip length 81 frames against 4 to 15 seconds, audio none against native stereo, inputs text only against text, image, video and audio, and price GPU time you supply against $0.08 per second.

Por que a velocidade ainda vale alguma coisa, mesmo assim

Seria fácil descartar o FastFrames depois da seção anterior, e essa seria a leitura errada. O número não é um dado de marketing; ele muda que tipo de produto é possível.

A 36 milissegundos por quadro em um B200, uma geração termina antes que você consiga assisti-la. Esse é o limiar em que um loop de pré-visualização deixa de ser um trabalho em lote e se torna interativo: você digita, vê, ajusta, e a máquina acompanha o ajuste. Um modelo 14B a 45 milissegundos em um nó chega lá no sentido de throughput em lote, mas a latência de fluxo único que uma pessoa realmente sente é propriedade do modelo pequeno. Nada na superfície publicada do H3 aborda esse caso de uso, porque o H3 é medido em segundos de filmagem finalizada, e não em quadros produzidos por segundo de tempo de relógio — as duas não são a mesma medida, e a tabela de tarifas não permite derivar uma da outra.

Há uma consequência de segunda ordem que o artigo torna explícita. O decodificador de pixels é treinado por modelo base, mas o princípio — congelar o transformer, aprender a fiação — já foi portado para sistemas de terceiros nos próprios experimentos do artigo, 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. Isso é um resultado sobre uma técnica, não um produto, e é a parte deste lançamento com o maior alcance.

O estado honesto das evidências de cada lado

É aqui que o confronto deixa de ser discutível em qualquer das direções, e vale a pena ser direto quanto às duas metades.

Tudo o que a FastFrames afirma sobre qualidade vem de seus próprios autores. Os totais do VBench na Tabela 1 são 84,23 para FastFrames-S e 84,44 para FastFrames-L, contra 84,11 para a linha de base a 272 milissegundos e 84,65 para Wan2.2 14.3B a 117.734 milissegundos. Nenhum grupo independente os reproduziu. O VBench recompensa a suavidade temporal que os modelos autorregressivos são feitos para produzir, e toda a variação na própria tabela da Apple é de cerca de dois pontos e meio, enquanto a variação de latência entre os mesmos modelos é de quatro ordens de magnitude. Leia a tabela como uma alegação de paridade, não como uma medição dela.

As posições do H3 no ranking trazem contagens de amostras e intervalos de confiança, o que é uma forma mais forte de evidência e também mais estreita. Um ranking de preferência informa qual saída as pessoas escolheram quando viram dois clipes; ele não informa quanto custou produzir cada clipe, se o som estava sincronizado, ou se o modelo sobreviveria a uma rajada de 40 solicitações em 2K. A diferença de dezesseis pontos no topo do ranking de imagem para vídeo é um bom lembrete de que esses números classificam percepções, não capacidades, e que qualquer página que declare um vencedor a partir de uma diferença de dezesseis pontos em intervalos de ±10 está lendo ruído.

Então, a comparação se resume a isto: um modelo foi votado por milhares de pessoas e tem preço por segundo, e o outro tem um cronômetro, um arquivo de licença e um artigo. São tipos diferentes de evidência, e nenhum substitui o outro.

Dois caminhos de aquisição que não se parecem entre si

Comprar tempo no H3 e executar o FastFrames quase não envolvem etapas em comum, o que é a razão prática pela qual raramente acabam na mesma decisão.

• H3 — uma tarifa por segundo em um endpoint hospedado, a $0.08 em 768p e $0.13 em 2K, na API própria do fornecedor e por várias plataformas de terceiros. Sem hardware, sem revisão de licença, sem CUDA. Roteamos como minimax/minimax-h3 na API pública de modelos, com cobrança pela tarifa de tabela do fornecedor, repassada sem nenhum acréscimo, e pode ser chamado no mesmo endpoint compatível com OpenAI que os modelos de linguagem do catálogo.

• FastFrames — Linux x86-64, uma GPU NVIDIA, CUDA 12.8, depois uv sync e uma invocação de scripts/generate.py com um diretório de checkpoints e uma semente. Os pesos estão sujeitos aos termos AMLR da Apple; os componentes de demonstração do LingBot-World v2 no mesmo repositório estão sob CC BY-NC-SA 4.0, que é não comercial; o restante está sob a Sample Code Licence da Apple. A Apple também publicou todos os checkpoints de cada etapa de treino do modelo grande, o que é incomum e torna o lançamento reproduzível de uma forma que a maioria dos lançamentos de pesos abertos não é.

• O custo oculto dos dois lados — o medidor por segundo do H3 funciona quer a tomada tenha sido boa ou não, e uma tomada rejeitada é cobrada da mesma forma que uma aceita. O medidor de GPU do FastFrames funciona da mesma maneira, mas a uma taxa marginal que é um erro de arredondamento se o hardware já estiver amortizado e um grande custo fixo se não estiver.

Uma consequência prática do repasse de preços do nosso lado: quando a MiniMax altera uma tarifa por segundo, essa alteração fica visível na rota no mesmo dia, e não na renovação do contrato. A FastFrames não tem tarifa a alterar.

Para que serve cada um, formulado como uma frase sobre a qual você possa agir.

Use o MiniMax H3 quando a entrada for qualquer coisa que não um prompt de texto, quando o entregável precisar de som, ou quando um clipe de quinze segundos com extensão multiturno estiver mais próximo do seu plano do que 81 quadros em 480p. É o único dos dois que consegue editar filmagens, o único que gera áudio e o único cuja alegação de qualidade foi testada por pessoas que não trabalham para a empresa que o criou. Seu preço para 2K também é mais barato do que o da maior parte da concorrência nesse nível.

Escolha FastFrames quando o ciclo é o produto e o quadro não é o entregável — uma pré-visualização ao vivo, um modelo de mundo controlável, um avatar que tem de responder dentro de uma sessão, ou um programa de investigação que quer mudar a forma como uma pilha de vídeo causal descodifica, em vez do que gera. Aceite 480p, silêncio, nenhuma entrada de referência e uma licença que tem de ler antes de lançar qualquer coisa comercial.

O FastFrames não é servido pela OrcaRouter, e esta página não afirma que seja — não há endpoint hospedado para os pesos da Apple. O H3 é outra questão: nós o roteamos como minimax/minimax-h3, ao lado da família Kling 3.0 e de mais de 200 modelos de linguagem, em uma única chave pelo preço de lista do provedor, com 0% de margem e failover automático entre endpoints. Essa é a forma barata de descobrir se um modelo de vídeo por segundo se encaixa no seu pipeline antes de gastar o orçamento de GPU de um trimestre na alternativa.

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.

O único resultado que tornaria isto uma verdadeira disputa

Duas coisas mudariam a leitura, e nenhuma delas é uma demonstração melhor.

O primeiro é o FastFrames aparecendo em um ranking de arena. Isso exige que alguém o hospede, e no momento ninguém faz isso — a Apple publicou os pesos e nenhum endpoint, então não há como um teste de preferência servi-lo aos votantes. Até que isso aconteça, a alegação de qualidade do modelo depende inteiramente dos números do VBench de seus autores, o que é uma posição mais fraca do que a ocupada por qualquer modelo nos três rankings do H3.

O segundo é a MiniMax publicar um número de latência. A tabela de preços do H3 é expressa em segundos de saída, e em nenhum ponto dessa estrutura há um custo por quadro que um leitor possa comparar com 36 milissegundos. Se a MiniMax ou um testador independente publicasse quadros por segundo em uma determinada resolução e GPU, os dois modelos finalmente poderiam ser medidos em um eixo comum. Eles não o fizeram, e não é do interesse comercial do fornecedor começar.

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.