
FastFrames от Apple генерирует видео быстрее, чем вы успеваете его посмотреть
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 89 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 97 tok/s
- orcaНОВИНКАOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaНОВИНКАOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 88 tok/s
- OrcaНОВИНКАOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 134 tok/s
- OrcaНОВИНКАOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 за 1 млн токенов · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Интеллект
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Интеллект
Тридцать шесть миллисекунд на кадр. Это число стоит в заголовке FastFrames Video Generation — релиза, который Apple опубликовала совместно с Cornell 16 ноября 2026 года; веса на Hugging Face под названиями FastFrames-S с 1,3 млрд параметров и FastFrames-L с 14 млрд, а на следующий день — статья под названием «FastFrames: Video Generation at Interactive Latency». Сначала посчитайте, прежде чем читать что-либо ещё: клип — это 81 кадр при 832×480 и 16 кадрах в секунду, то есть 5,06 секунды видео. При 36 миллисекундах на кадр на одном B200 небольшая модель создаёт этот клип за 2,9 секунды. Не быстрее альтернатив — быстрее воспроизведения. Интересный вопрос не в том, реально ли это число. А в том, чем Apple пожертвовала, чтобы его получить, и приемлем ли для вас этот компромисс.
Что именно было выпущено, и когда
Два чекпоинта, оба text-to-video, оба без ограничений доступа и доступны для скачивания по состоянию на эту неделю. Репозитории Hugging Face были созданы 16 ноября 2026 года, и с ними всё ещё работали утром 18 ноября; препринт arXiv (2611.23226) датирован 17 ноября. Таким образом, это релиз двухдневной давности, а не модель с проверенной историей, и здесь ничего не было независимо оценено. Всё последующее — либо собственные измерения авторов, либо характеристика опубликованных весов.
• Размеры — FastFrames-S с 1,3 млрд параметров, FastFrames-L с 14 млрд (14,3 млрд с учётом добавленных голов).
• Базовые модели — дистиллированные соответственно из Wan2.1-T2V-1.3B и Wan2.1-T2V-14B с использованием метода, который авторы называют Causal Forcing++.
• Выход — 832×480 при 16 кадрах/с, 81 кадр за генерацию, авторегрессивно, поэтому клипы можно объединять в цепочку.
• Веса — открыты на Hugging Face, помечены лицензией Apple AMLR; демонстрационный код LingBot-World v2 распространяется под CC BY-NC-SA 4.0, что означает некоммерческое использование, а остальная часть репозитория — под Apple's Sample Code Licence.
• Цены — отсутствуют. У Apple нет размещённого в облаке эндпоинта FastFrames; вы запускаете его на собственных GPU.
Именно это последнее утверждение и стоит усвоить. FastFrames — это исследовательский релиз со скачиваемыми весами, а это не то же самое, что продукт. Здесь нет ни посекундной тарификации, ни очереди, ни SLA, и вызвать его невозможно без NVIDIA GPU и CUDA 12.8.

Куда ушли миллисекунды
Архитектурная идея уже, чем «более быстрая модель», и интереснее. FastFrames — это авторегрессионная модель видео-диффузии, то есть она генерирует блок кадров с учётом того, что было раньше. В базовой модели, на которой она построена, Causal Forcing++, генерация одного блока из 81 кадра стоит 271,8 миллисекунды на кадр, и значительная доля этого приходится вовсе не на трансформер — а на вариационный автоэнкодер, декодирующий латенты обратно в пиксели, плюс на шаг обновления KV-кэша, чтобы следующий блок знал, что произошло в этом.
Команда Apple заменила оба конца этого цикла небольшими обученными сетями и не тронула диффузионный трансформер.
• Декодер VAE удалён. Пиксельный декодер с 63,87 млн параметров — три каузальных блока ConvNeXt и финальный линейный слой, выдающий 4×16×16 значений RGB на токен, — напрямую формирует кадры. Время декодирования сокращается с примерно 147 миллисекунд до примерно 1 миллисекунды.
Обновление KV-кэша теперь представляет собой небольшую сеть. Общий stem, четыре блока self-attention с 8 головами и одна голова остаточного восстановления на каждый слой DiT, что занимает 2 миллисекунды на малой модели и 6 — на большой.
• Сам трансформер почти не изменился и заморожен на финальном этапе. На модели 1,3B время DiT снижается с 41,6 до 16,4 миллисекунды; на 14B — с 89,2 до 75,6.
Сложите эти значения для модели 1.3B — и 271,8 миллисекунды превратятся в 35,8. В этом и весь трюк, и он хорош: авторы не ускоряли диффузионный трансформер, а убрали окружавшие его части, которые никогда не были главным. Пиксельный декодер обучали на 32 B200 около недели на 150 000 роллаутах, с этапом состязательного обучения на 8 B200 с использованием замороженного дискриминатора DINOv3 ViT-S/16, чтобы он не создавал размытые кадры.
Заявление о качестве — и кто его проверял
Вот фрагмент, который требует пометки. Приведённые ниже показатели VBench — собственные показатели авторов, полученные на тех же промптах и с теми же seed-значениями при разрешении 480p и указанные в таблице 1 статьи. Ни один независимый исследователь их не воспроизвёл, а VBench — это бенчмарк, который поощряет именно тот вид временной гладкости, в котором сильны авторегрессионные модели. Считайте их заявлением о паритете, а не измерением паритета.
• FastFrames-S — 84.23 VBench в целом, 85.30 качество, 79.92 семантика, при 36 мс на кадр.
• FastFrames-L — 84,44 общий показатель, 85,48 качество, 80,29 семантика, при 45 мс на кадр на восьми B200.
• Causal Forcing++, базовая модель, из которой он был дистиллирован, — итоговый балл 84,11 при 272 мс на кадр, то есть примерно в 7,6 раза медленнее ради результата всего на 0,1–0,3 балла ниже.
• Krea-Realtime — 84,42 балла при 1 675 мс на кадр; в статье утверждается, что сопоставимые реализм, соответствие запросу, композиция и отрисовка текста достигаются при более чем десятикратной скорости.
• Self-Forcing — 84,10 при 717 мс; CausVid — 83,18 при 662 мс; LongLive2.0 — 83,65 при 505 мс.
• Wan2.1 1.3B, базовая модель — 83,80 при 30 444 мс на кадр.
• Wan2.2 14.3B — 84.65 при 117,734 мс на кадр. Вот над этим числом стоит задуматься: лучший совокупный результат в таблице — примерно в 2 600 раз выше по затратам на кадр, чем у FastFrames-L.
• MiniMax-H3 33.1B — 84,43 при 38 454 мс; HunyuanVideo1.5 8.3B — 83,18 при 1 555 508 мс.
Картина такова: ровное плато качества от 83 до 85,5 у всех моделей в списке и разброс задержки в четыре порядка. Что бы ни измерял суммарный показатель VBench, он уже давно перестал различать эти системы. Теперь их разделяет то, насколько быстро они работают и какое разрешение и звук могут выдавать, — и FastFrames с большим отрывом выигрывает по первому столбцу, зато безоговорочно проигрывает по второму.
Что на самом деле дают 36 миллисекунд на кадр
Переведите в метрики, которые важны продуктовому менеджеру. Авторы приводят и пропускную способность, и задержку, а эти две метрики говорят о разном в зависимости от того, сколько у вас GPU.
• FastFrames-S, один B200 — 36 мс на кадр, около 28 запросов в секунду. 5-секундный клип за 2,9 секунды, или в 1,7 раза быстрее, чем вы можете его посмотреть.
• FastFrames-L, восемь B200 — 45 мс на кадр, около 22 запросов в секунду. 5-секундный клип за 3,6 секунды.
• {{1}}FastFrames-L{{/1}}, одна GPU — {{2}}158 мс на кадр{{/2}}, около {{3}}6,3 запроса в секунду{{/3}}. Тот же клип за {{4}}12,8 секунды{{/4}}, что медленнее воспроизведения. Большая модель становится интерактивной, только если распределить её по {{5}}узлу{{/5}}.
• При 720p — 127 мс на кадр для малой модели и 116 мс для большой на восьми GPU; это тот момент, когда «интерактивность» перестаёт быть достижимой для сеанса с одним потоком.
• На H100, а не на B200 — в статье штраф оценивается в 25–50 процентов, поэтому малая модель показывает примерно 45–54 мс на кадр.
Утверждение, которое выдерживает проверку, — это утверждение о малой модели на текущем оборудовании. FastFrames-S на одном B200 действительно работает быстрее реального времени, что и делает возможным цикл живого предпросмотра, потокового аватара или управляемой модели мира без рендер-фермы. 14B интерактивна только в смысле пакетной пропускной способности.
Запуск самостоятельно
Репозиторий содержит рабочий путь инференса, а не только веса. Вам понадобятся Linux x86-64, GPU NVIDIA и CUDA 12.8; затем выполните uv sync и uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Есть скрипт бенчмарка задержки, который принимает число GPU, рабочий процесс оценки VBench и демонстрационное приложение в apps/lingbot, работающее на порту 8000. Apple также опубликовала все контрольные точки каждой стадии обучения большой модели — каузального учителя, этап дистилляции консистентности, этап DMD-дистилляции и финальный генератор с его пиксельным декодером и сетью KV-уточнения, — что необычно и делает релиз воспроизводимым так, как не бывает в большинстве случаев публикации «открытых весов».

Если у вас нет GPU, честно говоря, OrcaRouter не предоставляет FastFrames, и никто другой тоже — нет хостинговой конечной точки, на которую можно было бы перенаправить запрос. А что покрывает один ключ OrcaRouter — это облачные видеомодели, которые уже работают сегодня, включая Kling 3.0 и Kling 3 Turbo, Kling Video O1 и MiniMax H3, по ценам из прайс-листа провайдера, передаваемым с наценкой 0%, поэтому изменение цены поставщика доходит до вас в тот же день, а не в следующем расчётном цикле. Разумный подход для команды, которая интересуется FastFrames, — прототипировать идею продукта на облачной модели, задержку которой вы можете измерить, и покупать GPU-время только когда вы знаете, что цикл того стоит.
Что он не может делать
Три ограничения, и ни одно из них не будет исправлено на следующей неделе.
• Разрешение — 480p, и точка. Apple сообщает о показателях задержки для 720p, но выпущенная конфигурация — 832×480. Каждый конкурент в этом ценовом классе предлагает как минимум 1080p.
• Аудио — нет. FastFrames работает без звука. Veo, Kling, Grok Imagine и HiDream генерируют синхронизированное аудио в том же вызове.
• Длительность и управление — 81 кадр за генерацию с авторегрессионным связыванием, только текстовые подсказки. Без обусловливания изображением, без референсных ассетов, без ключевых кадров, без управления камерой, без API расширения.
• Лицензия — на веса модели распространяются условия AMLR от Apple, а компоненты LingBot-World v2 — под лицензией CC BY-NC-SA 4.0. Прочитайте это, прежде чем строить коммерческий продукт на демо-приложении; «открытые веса» и «свободная коммерциализация» — не синонимы, и этот релиз намеренно тщательно подчёркивает разницу.
То, за чем стоит следить
FastFrames лучше всего понимать как демонстрацию того, что затраты на авторегрессионную генерацию видео никогда не определялись в основном моделью. Их определяли декодирование и обновление кэша, и Apple устранила и то, и другое ценой примерно двух миллисекунд и мегабайта параметров. Этот результат переносим: пиксельный декодер обучается отдельно для каждой базовой модели, но принцип — заморозить трансформер, обучить обвязку — применим к любому стеку каузальной видеодиффузии, и в статье уже показано, что он перенесён на две сторонние системы: LingBot-World на варианте 1.3B ускорился с 1,085 до 52 миллисекунд на кадр, а на 14B — с 3,862 до 233.
Что это означает для покупателя: если вашему продукту нужна видеомодель, работающая в реальном времени в цикле, требования к оборудованию только что снизились на порядок, а потеря качества, судя по всему, невелика. Если вашему продукту нужен готовый клип в 1080p со звуком, в этом релизе для вас ничего нет, и ответом остаются облачные модели. Именно в разрыве между этими двумя сценариями использования развернётся борьба за видеомодели, которые выйдут в ближайшие двенадцать месяцев.

