Cartão hero comparando FastFrames Video Generation e Seedance 2.5, com o cartão à esquerda exibindo ‘81 frames, 5.06 s’, ‘832x480, sem áudio’ e ‘36 ms por frame’, o cartão à direita exibindo ‘30 segundos em uma execução’, ‘30 referências de imagem e 10 de vídeo’ e ‘medição por tokens’, com o logotipo da OrcaRouter no canto inferior direito.
Engineering & Research

Geração de vídeo FastFrames vs Seedance 2.5: Trinta segundos contra oitenta e um quadros

Autor

jinhao.song

Data de publicação

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

Um briefing de trinta segundos e um orçamento de oitenta e um frames são duas respostas diferentes para a mesma pergunta, e a pergunta não é "quão rápido". Seedance 2.5, a aposta de formato longo da ByteDance lançada em 31 de julho de 2026, gera trinta segundos em uma única execução e se estende além disso ao longo de turnos, lendo até 30 referências de imagem, 10 referências de vídeo e 10 clipes de áudio como contexto. FastFrames Video Generation, lançamento da Apple em 16 de novembro em parceria com a Cornell, gera 81 frames em 832×480 e 16 frames por segundo — 5,06 segundos — em cerca de 2,9 segundos de tempo de relógio em uma única B200, sem nenhum tipo de entrada de referência. Se você já viu um diretor tentar sustentar uma atuação através de um corte, você já sabe qual desses dois números é o problema de engenharia mais difícil e qual é o problema de cronograma mais difícil. Esta página trata do segundo, porque é ele que decide os orçamentos.

Duas filosofias de medição, e nenhuma delas é uma lista de preços

Comece por como cada modelo cobra, porque as unidades não se convertem e toda comparação que finge o contrário é aritmética sobre um erro de categoria.

• Seedance 2.5 — medido em tokens de vídeo pela ByteDance conforme a tabela oficial de preços, publicada por meio do Volcano Engine Ark na China e do BytePlus ModelArk internacionalmente. O custo de um clipe depende da resolução, da duração e do uso real de tokens, portanto um valor por segundo é válido apenas para uma resolução e uma duração. Tomadas com falha são cobradas da mesma forma que as bem-sucedidas.

• Hosts de terceiros para o Seedance 2.5 — cada um adiciona sua própria margem e publica sua própria tarifa por segundo ou por clipe, e é por isso que uma dúzia de páginas apresenta uma dúzia de números e nenhum deles é o do fornecedor.

• {{1}}FastFrames{{/1}} — sem medidor. Você compra a GPU. Uma B200 para o modelo de 1,3B, oito para o de 14B para manter a interatividade. Uma geração que falha custa os mesmos segundos que uma que dá certo, e ambas são medidas em eletricidade, não em dólares por saída.

• O único dado independente — a Artificial Analysis registra o Dreamina Seedance 2.5 a US$ 34,12 por minuto no quadro de texto para vídeo e US$ 40,82 em edição, consultado em 8 de outubro de 2026. Essa coluna é o custo de um minuto de saída em 1080p com as configurações padrão do modelo, e o Seedance 2.5 usa por padrão a configuração mais longa e mais pesada para a qual sua tabela de preços é definida. Use-o para ordens de grandeza, não para uma linha de orçamento.

O que significa que a afirmação honesta é que um desses modelos tem um preço que você não consegue prever de fora, e o outro não tem preço nenhum. A imprevisibilidade do FastFrames está do seu lado do balanço — você sabe quantas horas de GPU consumiu — e a do Seedance 2.5 está do lado do fornecedor, porque a contagem de tokens depende de como o modelo escolhe gastar tokens com o seu prompt. Entre esses dois, o segundo é o mais perigoso para se planejar.

O que o orçamento de referência realmente compra

Os números de referência publicados parecem um concurso de especificações e são, na realidade, uma afirmação de capacidade.

• Imagens — o Seedance 2.5 aceita até 30, contra zero do FastFrames. Não há nenhum caminho de condicionamento de imagem no FastFrames.

• Vídeo — até 10 clipes como referências. Este é o que muda o propósito do modelo: um conjunto de referências que inclui movimento, ritmo e comportamento de câmera extraídos de filmagens existentes é um objeto diferente de um conjunto de referências que carrega apenas a aparência.

• Áudio — até 10 clipes. O Seedance 2.5 gera com som; o FastFrames é silencioso, e não há via de áudio na configuração lançada.

• Comprimento do prompt — não há limite publicado que importe neste nível de especificidade para o Seedance; o FastFrames recebe um prompt de texto e uma seed, e sua janela de 81 quadros significa que você está descrevendo um plano contínuo, e não uma cena.

Trinta segundos com uma referência de vídeo é um plano que você pode dirigir. Oitenta e um quadros a partir de um prompt é um plano que você pode amostrar. Ambos são métodos de produção legítimos; não são o mesmo trabalho, e o orçamento de referência é o que os torna trabalhos diferentes, e não níveis de qualidade diferentes.

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

Por que uma janela de cinco segundos não é a limitação que parece ser

Cinco segundos soam desqualificantes ao lado de trinta, e a arquitetura é o motivo de isso ser menos ruim do que parece — e também o motivo de não haver como corrigir isso pedindo mais quadros.

FastFrames is autoregressive: each 81-frame block is conditioned on the one before it, which is why clips chain at all. The authors' contribution is not a faster transformer but the removal of the two components around it that were never the point. A 63.87 million-parameter pixel decoder replaces the VAE decoder and takes decode from about 147 milliseconds a frame to roughly 1. A small refinement network replaces the KV-cache update at 2 milliseconds on the 1.3B model and 6 on the 14B. The transformer itself is frozen in the final stage. On the small model, 271.8 milliseconds a frame becomes 35.8.

O encadeamento, porém, não é extensão. Não há quadro-chave, quadro inicial, quadro final, imagem de referência nem clipe a continuar — então uma sequência de um minuto criada com o FastFrames é composta de onze blocos encadeados, sem mecanismo algum para manter o rosto de um personagem, um figurino ou uma direção de luz através das emendas. Trinta segundos em uma única execução dão ao Seedance 2.5 uma única janela de contexto na qual a consistência é problema do modelo, e não do editor. Essa diferença vale mais do que o número de duração seis vezes maior sugere, e não é algo que melhorias de hardware vão resolver.

Onde a velocidade leva você, e onde não leva

Converta 36 milissegundos nas unidades com que uma pessoa de produto se importa, e o cenário é mais estreito e mais interessante do que a manchete.

• FastFrames-S em um B200 — 36 milissegundos por frame, cerca de 28 requisições por segundo, um clipe de 5 segundos em 2,9 segundos. Mais rápido que a reprodução por um fator de cerca de 1,7.

• FastFrames-L em oito B200s — 45 milissegundos por quadro, cerca de 22 solicitações por segundo, 3,6 segundos para o mesmo clipe.

• FastFrames-L em uma GPU — 158 milissegundos por quadro, o que equivale a 12,8 segundos para um clipe de 5 segundos. Mais lento do que assistir a ele. O modelo grande só é interativo através de um nó.

A 720p — 127 milissegundos no modelo pequeno, 116 no modelo grande, em oito GPUs. É aí que a interatividade de fluxo único acaba.

• Em H100 em vez de B200 — uma penalidade de 25 a 50 por cento pela própria estimativa do artigo, colocando o modelo pequeno em cerca de 45 a 54 milissegundos por frame.

O Seedance 2.5 não publica nada comparável, porque é vendido em segundos de saída, e não em quadros por segundo de tempo real, e nenhum terceiro publicou uma latência por quadro para ele que esta página pudesse verificar. Essa assimetria não é uma crítica; é um lembrete de que os dois modelos são instrumentados para responder a perguntas diferentes.

O que o registro independente diz, no lado em que ele existe

A Seedance 2.5 tem uma posição no conselho e a FastFrames não, e ambos os fatos precisam ser ditos com clareza.

No ranking de edição de vídeo do Artificial Analysis, na leitura de 8 de outubro de 2026, o Seedance 2.5 ocupa o segundo lugar, com 1.161 de Elo e 5.162 votos — editando um clipe a partir de uma instrução de texto com o áudio preservado. Isso é downstream da capacidade de referência de vídeo, e é o tipo de número que significa algo específico: vários milhares de pessoas escolheram a saída dele em vez da saída de outro modelo em uma tarefa que ambos foram solicitados a realizar. Não é um veredito sobre a qualidade em geral, e não informa quanto custou o clipe.

FastFrames não tem entrada no board porque não tem host. A Apple publicou pesos e nenhum endpoint, então nenhum teste de preferência consegue apresentá-lo aos votantes, e a alegação de qualidade do modelo se baseia inteiramente na Tabela 1 dos próprios autores: totais VBench de 84,23 para o FastFrames-S e 84,44 para o FastFrames-L, contra 84,11 do baseline Causal Forcing++ a 272 milissegundos por quadro, com o Wan2.2 14.3B em 84,65. Não reproduzido, e em um benchmark que recompensa exatamente a suavidade temporal que os modelos autorregressivos são feitos para produzir. A variação ao longo da tabela inteira da Apple é de cerca de dois pontos e meio, enquanto a variação de latência entre os mesmos modelos é de quatro ordens de grandeza — o que é o argumento mais forte do artigo, e é um argumento sobre o que os benchmarks medem, e não sobre a qualidade do FastFrames.

Orçamentar um briefing real

Coloque um trabalho real diante de ambos e as unidades colidem de um modo que é mais útil do que qualquer tabela.

• "Um filme de produto de trinta segundos com locução travada" — o Seedance 2.5 consegue fazer isso em uma única execução com extensão multi-turno, usando a voz como referência de áudio e as imagens estáticas do produto como referências de imagem. O FastFrames não consegue manter o áudio, não consegue receber as imagens estáticas e precisaria de vários blocos encadeados cujas emendas você teria então de esconder. O trabalho vai para um único modelo por questões de capacidade antes de o preço entrar na conversa.

• "Cem variações de um loop de cinco segundos para um display interativo" — o FastFrames em uma B200 produz cada uma em menos de três segundos de tempo real, a um custo marginal que é um erro de arredondamento depois que a placa é amortizada. O Seedance 2.5 cobraria cem gerações, várias das quais seriam rejeitadas, com base em uma tabela de preços que não publica um valor por segundo claro para planejar.

• "Uma tomada principal que precisa parecer com o material que já editamos" — Seedance 2.5, porque a referência em vídeo é a única maneira de direcionar qualquer um dos dois modelos para filmagens existentes. O FastFrames não tem um caminho de um clipe de entrada para um clipe de saída.

• "Prove o conceito de interação antes de comprarmos hardware" — nenhum dos dois, diretamente. O custo por segundo do Seedance 2.5 só é conhecido a posteriori, e o FastFrames precisa do hardware primeiro. A saída barata é prototipar com um modelo que tenha uma taxa por segundo publicada e um número real de latência, e então decidir.

O OrcaRouter não serve o FastFrames — não existe endpoint hospedado para os pesos da Apple em lugar nenhum, o que é uma afirmação sobre o lançamento e não sobre o roteamento. O que uma chave alcança hoje é a camada de vídeo hospedada com tarifas publicadas: 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 em um único endpoint compatível com OpenAI pelo preço de tabela do provedor com 0% de markup. O Seedance 2.5 também não é uma rota aqui — a ByteDance o vende por meio de suas próprias plataformas e o cartão de tokens é deles — e esta página não finge o contrário. O uso prático desse catálogo nesta comparação é a medição: obtenha uma linha de base real de latência e custo a partir de um modelo cujo medidor você consegue ler, antes de se comprometer com uma frota de GPUs ou com uma conta de tokens que você não consegue prever.

A questão em aberto, e é sobre metros, não sobre modelos

Se a ByteDance publicasse uma tabela de exemplos de tarifa por token para mais configurações, a assimetria entre a cobrança por uso medido e a previsibilidade ficaria muito mais fácil de planejar, e o leitor finalmente poderia comparar o Seedance 2.5 com um modelo cobrado por segundo sem fazer a aritmética do fornecedor por ele. Se a Apple hospedasse o FastFrames a qualquer preço, o modelo ganharia uma entrada em arena e um valor de latência medido por outra pessoa — as duas coisas que permitiriam julgar seus 36 milissegundos em vez de admirá-los.

Nenhuma das duas coisas aconteceu. Até que uma delas aconteça, a forma de escolher é perceber qual pergunta você está de fato fazendo. Trinta segundos em uma execução responde a "este modelo consegue manter uma cena coesa". Trinta e seis milissegundos por quadro responde a "este modelo consegue acompanhar uma pessoa". Ambos são difíceis, ambos valem o custo, e nenhuma tabela de preços única precifica os dois.

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.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.