Cartão de destaque comparando FastFrames Video Generation e Vidu Q4 Preview, cartão esquerdo com '832x480, sem áudio', '36 ms por quadro' e 'somente prompt de texto', cartão direito com 'até 4K', '15 referências de imagem, 3 referências de áudio' e '3 a 16 segundos', com o logotipo OrcaRouter no canto inferior direito.
Guides & Insights

Geração de Vídeo FastFrames vs Vidu Q4 Preview: Uma Prévia em 4K Contra um Loop em 480p

Autor

jinhao.song

Data de publicação

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

Vidu Q4 Preview é o elemento atípico desta série, porque a palavra em seu nome faz trabalho de verdade: trata-se de uma build de prévia, lançada em 7 de outubro de 2026 pela Shengshu Technology, e o próprio material da Shengshu a apresenta como a versão que reúne o feedback que molda o modelo final. FastFrames Video Generation também não é um produto, mas pelo motivo oposto — é uma pesquisa concluída publicada como pesos em 16 de novembro, sem endpoint, sem preço e sem roadmap para nenhum dos dois. Coloque-os lado a lado e você terá dois modelos que estão ambos indisponíveis no sentido que importa a um responsável por compras, em lados opostos da mesma lacuna: o Vidu Q4 Preview tem uma API em produção e uma tabela de preços e será substituído; o FastFrames não tem API alguma e não será. O que segue trata de qual dessas duas ausências custa mais a você.

A tabela de preços é a primeira coisa verdadeiramente comparável

O Vidu Q4 Preview é um dos poucos modelos desse campo que publica uma tarifa por segundo por faixa de resolução, o que torna sua aritmética legível de um modo como a da maioria de seus concorrentes não é.

• 540p — 9 créditos por segundo, cerca de US$ 0,045 à taxa padrão de crédito publicada pela Shengshu, de US$ 0,005.

• 720p — 19 créditos por segundo, cerca de US$ 0,095.

• 1080p — 24 créditos por segundo, cerca de US$ 0,12.

• 2K — 38 créditos por segundo, cerca de US$ 0,19.

• 4K — 78 créditos por segundo, cerca de US$ 0,39, ou aproximadamente US$ 0,72 por um clipe de dezesseis segundos na tarifa de tabela antes dos descontos.

• FastFrames — nada. Nenhuma taxa, nenhum host, nenhuma fila. O custo é um B200 por 2,9 segundos de tempo de relógio no modelo pequeno, ou oito B200s por 3,6 segundos no modelo grande, por clipe de 5 segundos.

Duas coisas sobre a curva do Vidu merecem ser ditas, porque são fáceis de interpretar mal. O valor de US$ 0,014 por segundo que acompanhou o anúncio de lançamento corresponde ao nível 540p com uma taxa de créditos com desconto, e não a uma tarifa geral. E a plataforma está oferecendo descontos de pacote por tempo limitado de até 30% em pacotes de créditos, que reduzem todos os níveis juntos, em vez de alterar o formato da curva. Planeje com base na curva de tarifas de tabela; trate o desconto como uma compensação temporária que pode não existir quando seu projeto for lançado.

A comparação que surge não é “um é mais barato”. O Vidu Q4 Preview tem um patamar mínimo — um nível de blocking em 540p com preço pensado exatamente para o uso a que se destina: validar uma composição antes de pagar por uma renderização em resolução total — e o FastFrames não tem níveis, porque não tem nenhuma interface de cobrança. Se o seu trabalho envolve iterar uma tomada em baixa resolução antes de fechar a versão final, o nível 540p do Vidu é um recurso real do produto, e o 480p fixo do FastFrames não é a mesma coisa, embora os números sejam próximos.

Dois modelos criados para extremos opostos do mesmo briefing

As listas de capacidades quase não se sobrepõem, e esse é o fato mais útil nesta comparação.

• Resolução — O Vidu Q4 Preview gera nativamente em 540p, 720p, 1080p, 2K e 4K, com cor de 10 bits nos dois níveis superiores. O FastFrames é 832×480, sem configuração e sem caminho de upscale.

Duração — o Vidu Q4 Preview dura de 3 a 16 segundos em Image-to-Video e de 1 a 16 segundos em Reference-to-Video. O FastFrames corresponde a 81 quadros a 16 fps, 5,06 segundos, podendo ser estendido apenas por encadeamento.

• Entradas — Vidu Q4 Preview documenta dois endpoints, /ent/v2/img2video e /ent/v2/reference2video, aceitando até 15 imagens entre personagens, cenários e estilo, além de até 3 referências de áudio mp3 de 3 a 12 segundos para clonagem de voz. FastFrames recebe um prompt de texto e uma seed. Não é um limite de referências menor — nenhum limite de referências.

• Cobertura de modos — o Vidu Q4 Preview não documenta nenhum caminho de texto para vídeo nem de edição de vídeo. O FastFrames é apenas texto para vídeo. Entre as duas, todo modo que uma delas não tem está ausente em ambas.

• Áudio — O Vidu Q4 Preview gera áudio e vídeo juntos, com um parâmetro de áudio no endpoint de imagem para vídeo que produz diálogos e efeitos sonoros, além de consistência com a voz de referência. O FastFrames é silencioso.

• Latência — FastFrames publica 36 milissegundos por frame em uma B200, 45 em oito para o 14B, e 158 milissegundos em uma única GPU para o modelo grande. O Vidu Q4 Preview não publica nenhum número de latência por frame que esta página possa verificar.

Leia essas seis linhas em conjunto e os dois modelos são quase complementares. O Vidu Q4 Preview é o que mantém um elenco, gera som e entrega 4K; o FastFrames é o que produz quadros mais rápido do que você consegue assistir, a partir de texto, em 480p, silenciosamente. Nenhum substitui o outro em nenhuma das seis.

A two-column scoreboard comparing FastFrames and Vidu Q4 Preview across six dimensions: resolution 832x480 against up to 4K, clip length 81 frames against 3 to 16 seconds, image references none against up to 15, audio references none against up to 3, audio none against generated dialogue and sound, and price GPU time you supply against 9 to 78 credits per second.

A posição do conselho, e por que se trata de uma advertência e não de um veredito

O Vidu Q4 Preview tem uma pontuação independente e merece ser lida com atenção em vez de citada.

No ranking de imagem para vídeo do Artificial Analysis, consultado em 8 de outubro de 2026, ele está em terceiro lugar, com 1.179 de Elo e 5.543 votos. O primeiro é o MiniMax H3 Max, com 1.195, e o segundo é o MiniMax H3, com 1.181. Dezesseis pontos separam o primeiro do terceiro, em intervalos de aproximadamente ±10 e ±11. Isso é um empate estatístico disfarçado de pódio, e qualquer página que comece declarando um vencedor nesse ranking está lendo ruído. O que os votos de fato estabelecem é que o resultado do Vidu Q4 Preview é competitivo com o topo do campo em uma tarefa que milhares de pessoas já avaliaram.

O FastFrames não tem esse registro e não pode adquiri-lo enquanto não estiver hospedado. Sua alegação de qualidade são os próprios números do VBench de seus autores — 84,23 para o checkpoint de 1,3B e 84,44 para o de 14B, contra 84,11 do baseline Causal Forcing++ a 272 milissegundos por quadro e 84,65 do Wan2.2 14,3B a 117.734 milissegundos. Ninguém independente os reproduziu, e o VBench recompensa a suavidade temporal na qual os modelos autorregressivos são bons. Toda a amplitude de qualidade da tabela é de cerca de dois pontos e meio; sua amplitude de latência é de quatro ordens de magnitude. Esse é um argumento justo de que o benchmark deixou de discriminar, e uma maneira injusta de afirmar que um modelo é tão bom quanto seus vizinhos.

Mais um cuidado sobre o número do Vidu especificamente: os votos são de outubro de 2026 e foram dados em um cenário que mudou desde então. Um modelo que entra na arena mais tarde, ou uma versão de prévia sendo substituída por um lançamento geral, reordena o quadro sem que nenhum dos modelos listados melhore ou piore. Leia sempre a data junto com o número.

Quanto o “preview” custa a você, e quanto o “research release” custa a você

Ambos os rótulos são honestos e ambos têm consequências comerciais que vale a pena explicitar.

Uma build de pré-visualização é um risco de licenciamento e de continuidade. O preço e a disponibilidade de recursos do Vidu Q4 Preview são, pela própria formulação da Shengshu, coisas que se definem no lançamento completo — o que significa que a tabela de preços com base na qual você orça hoje pode não ser a mesma pela qual você será faturado daqui a seis meses, e um recurso no qual você baseia sua construção pode mudar de forma. A vantagem compensatória é que a pré-visualização existe: há uma API, há documentação, há dois endpoints nomeados, há um caminho de suporte e há uma direção declarada.

Um lançamento de pesquisa é um risco diferente. Os pesos do FastFrames 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 — não comercial — e o restante está sob a Apple's Sample Code Licence. Não há endpoint, nem SLA, nem suporte, nem política de descontinuação, porque não há serviço. Em troca, você obtém permanência e inspecionabilidade: os pesos não serão retirados, o artigo não será reescrito, e a Apple publicou todos os checkpoints de cada etapa de treinamento do modelo grande — o professor causal, o estágio destilado por consistência, o estágio destilado por DMD e o gerador final com seu decodificador de pixels e rede de refinamento KV — o que torna o lançamento reproduzível de uma forma que quase nada mais neste campo é.

O requisito de hardware é a linha divisória para a maioria das equipes. O FastFrames precisa de Linux x86-64, uma GPU NVIDIA e CUDA 12.8, depois uv sync e um script de geração. O Vidu Q4 Preview precisa de uma conta e de uma chave de API. Essa frase decide a comparação para mais organizações do que qualquer diferença de Elo decidiria.

Qual deles, resumidamente.

Use o Vidu Q4 Preview quando o trabalho exigir consistência de elenco e voz, quando a geração 4K nativa em cores de 10 bits for um requisito de entrega, quando a entrada for um conjunto de referências ou uma imagem estática em vez de um prompt, ou quando uma passagem de blocking barata em 540p antes de se comprometer com a resolução total for como seu processo realmente funciona. Aceite que é uma prévia, que a precificação pode se definir de forma diferente e que não documenta nenhum fluxo de texto para vídeo ou de edição.

Use o FastFrames quando o loop for o entregável — uma pré-visualização ao vivo, um avatar em streaming, um modelo de mundo controlável — e quando o silêncio em 480p a partir de um prompt de texto for a forma certa para o produto, em vez de um compromisso. Aceite a revisão de licença, a frota de GPUs, a ausência de inputs de referência e o facto de nada nesta versão se destinar a um entregável a 1080p com som.

O OrcaRouter não roteia o Vidu Q4 Preview — não há identificador Vidu no catálogo — e não hospeda o FastFrames, que não tem endpoint para ninguém rotear. O que uma única chave oferece é a camada de vídeo hospedada com tarifas por segundo 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 endpoint compatível com OpenAI, com preços de tabela do provedor repassados com 0% de margem e failover automático entre endpoints. Para uma equipe avaliando uma versão de pré-visualização frente a um lançamento de pesquisa, nenhuma das duas uma aposta segura para produção hoje, esse catálogo é onde obter uma referência estável por segundo antes de qualquer decisão.

O que resolveria isso

Dois eventos e nenhum outro. Um lançamento completo do Vidu Q4 que mantivesse sua posição no ranking na mesma curva por segundo transformaria a prévia em um compromisso de produção e eliminaria o risco de continuidade; um lançamento que acrescentasse um endpoint de texto para vídeo o colocaria nos mesmos rankings que todo o resto e tornaria a comparação direta. Por outro lado, a Apple hospedar o FastFrames a qualquer preço — ou qualquer outra pessoa hospedá-lo — daria ao modelo uma entrada em uma arena e uma medição independente de latência, que é a única coisa que permitiria a um leitor julgar 36 milissegundos em relação a qualquer outra coisa, em vez de admirá-lo isoladamente.

Nenhuma das duas coisas aconteceu até o momento em que escrevo. O que deixa a decisão onde ela costuma estar: no entregável, na licença e em se você prefere alugar uma prévia ou ter um artigo.

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.