
FastFrames Video Generation vs Google Veo 3.1: реальное время против готового фильма
- 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 · 87 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 · 120 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 · 187 tok/s
- 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
Эти две системы не конкурируют за одну и ту же задачу, и быстрее всего это увидеть, если спросить, от чего каждая из них отказывается. FastFrames Video Generation, которую Apple выпустила 16 ноября 2026 года, а статья вышла 17-го, не даст вам файл, который можно передать клиенту: её максимум — 480p, она без звука, и у неё вообще нет хостингового эндпоинта. Google Veo 3.1 не выдаст вам кадр быстрее чем за секунду: стандартный тариф считается по минутам готового результата, а задержка измеряется десятками секунд. Одна — инфраструктура для чего-то интерактивного. Другая — продакшн-хаус. Сравнивать их только по качеству — всё равно что сравнивать камеру со съёмочной группой.
Шесть измерений, и кто измерил каждое из них
Начните с того, что именно измеряется, и внимательно отнеситесь к тому, кто это измерил. Приведённые ниже показатели Veo 3.1 взяты из видеотаблиц Artificial Analysis, зафиксированных в октябре 2026 года, до появления FastFrames. Показатели FastFrames взяты из таблицы 1 в собственной статье Apple — на тех же промптах и с теми же сидами при 480p. Ни одна независимая организация не запускала FastFrames, и ни один рейтинг не выставлял ему оценку. Там, где вы видите показатель Veo, это измерение третьей стороны; там, где вы видите показатель FastFrames, это утверждение производителя.
• Задержка — FastFrames-S: 36 мс на кадр на одном B200, примерно 28 запросов в секунду, тогда как Veo 3.1 — десятки секунд на клип; продаётся по длительности, а не по кадрам.
• Разрешение — FastFrames при 832×480, без других вариантов, против Veo 3.1 при 720p, 1080p и нативном 4K в зависимости от тарифа.
• Звук — FastFrames вообще его не генерирует, тогда как Veo 3.1 нативно поддерживает стерео 48 кГц с диалогами, музыкой и эффектами в одном вызове, при этом generate_audio по умолчанию отключён.
• Цена — у FastFrames нет цены, поскольку у него нет эндпоинта; вы покупаете GPU, тогда как Veo 3.1 стоит $24.00 за минуту выходного материала, или $9.00 на тарифе Fast и $4.80 на Lite.
• Доступ — FastFrames в виде загружаемых весов по лицензии AMLR от Apple, самостоятельное развёртывание на Linux с CUDA 12.8 против Veo 3.1 через API Google и сторонние платформы, без весов.
• Происхождение — FastFrames ничего не публикует, тогда как Veo 3.1 встраивает водяные знаки SynthID и учётные данные контента C2PA в каждый выходной файл.

Что на самом деле даёт вам Veo 3.1
Питч Veo 3.1 — не «самая красивая картинка». Он — «готовый результат». Модель принимает текстовый промпт, до трёх референсных изображений, seed и негативный промпт и возвращает клип длительностью 4, 6 или 8 секунд с синхронизированным стерео 48 кГц — диалоги, атмосфера и эффекты генерируются вместе с изображением, а движение губ соответствует речи. Расширение сцены соединяет эти клипы в цепочку. Тарифные уровни повышают разрешение вплоть до нативного 4K. Каждый файл несёт водяной знак SynthID и учётные данные C2PA — это и есть разница между активом, который юридическая команда одобрит, и тем, который она не одобрит.
По качеству он хорош, но не лидирует. В октябрьском срезе 2026 года на доске image-to-video от Artificial Analysis Veo 3.1 занимал двенадцатое место с Elo 1 082 и интервалом ±7 на 7 040 сэмплах. Уровень Fast был семнадцатым с 1 066 ±6 на 14 688 сэмплах, а уровень Lite — пятнадцатым с 1 071 ±8 на 5 122 сэмплах: три уровня, статистически неразличимое качество, цены различаются в пять раз. На доске text-to-video он занял девятнадцатое место с 962 ±10 примерно на 3 000 сэмплах. Если читать это вместе, практический вывод таков: выбор уровня Veo 3.1 — это решение о бюджете, а не о качестве, и его настоящее преимущество — аудио, 4K и подтверждение происхождения, а не Elo.
Что на самом деле доказывает FastFrames
Интересное утверждение в релизе Apple уже, чем «более быстрая видеомодель», и гораздо труднее от него отмахнуться. Авторегрессионная видеодиффузия работает медленно по причинам, мало связанным с трансформером: вариационный автоэнкодер, превращающий латентные представления обратно в пиксели, занимает основную часть бюджета, как и обновление KV-кэша, переносящее контекст в следующий блок. Apple заменила первый пиксельным декодером на 63,87 млн параметров — три каузальных блока ConvNeXt плюс линейная голова, — а второе — сетью уточнения с общим stem и четырьмя блоками, занимающей 2 миллисекунды на малой модели и 6 — на большой. DiT заморожен на финальном этапе.
• Декодирование VAE — около 147 мс на кадр сокращается примерно до 1 мс.
• DiT, 1,3B — 41,6 мс превращаются в 16,4 мс, или 5,8 мс распределяются по восьми GPU.
• DiT, 14B — 89,2 мс сокращается до 75,6 мс, или до 20,3 мс на восьми GPU.
Causal Forcing++ в целом, 1,3 млрд — 271,8 мс сокращаются до 35,8 мс, что в 7,6 раза меньше.

Обе контрольные точки дистиллированы из Wan2.1 — FastFrames-S из Wan2.1-T2V-1.3B, FastFrames-L из Wan2.1-T2V-14B — с использованием рецепта Causal Forcing++, а пиксельный декодер обучался около недели на 32 B200 на протяжении 150 000 прогонов, с состязательным проходом на восьми B200 против замороженного дискриминатора DINOv3 ViT-S/16. По данным VBench от авторов, FastFrames-S достигает 84,23, а FastFrames-L — 84,44, тогда как базовая модель, из которой проводилась дистилляция, показывает 84,11, а Krea-Realtime — 84,42, работая со скоростью 1 675 мс на кадр.
Две вещи, для которых нельзя использовать FastFrames, и одна, для которой можно.
Это не может заменить доставленный клип
480p — жёсткий потолок в выпущенной конфигурации. Apple сообщает о задержке для 720p — 127 мс на кадр на малой модели и 116 мс на большой при использовании восьми GPU, — но ни веса, ни настройки для 720p не поставляются. Аудиотракта нет вообще, поэтому любое видео с говорящей головой, демонстрация продукта с закадровой озвучкой или что-либо, что клиент будет смотреть со звуком, требует отдельного аудиоконвейера. А при 12,8 секунды на клип для 14B на одном GPU большая модель работает медленнее воспроизведения, если у вас нет собственного узла.
Это нельзя назвать
Эндпоинта Apple не существует. FastFrames — это исследовательский релиз: веса на Hugging Face под лицензией AMLR, код на GitHub и демонстрационное приложение LingBot-World v2 под CC BY-NC-SA 4.0 — некоммерческое. Для его использования нужны Linux x86-64, GPU NVIDIA, CUDA 12.8, uv sync и каталог контрольных точек. Это проблема закупок, а уже потом техническая.

Это может заставить живой луп ощущаться по-настоящему живым
При 36 мс на кадр FastFrames-S на одном B200 генерирует видео в 1,7 раза быстрее, чем оно воспроизводится. Это тот порог, при котором генеративный предпросмотр реагирует на ввод за один-два кадра, и именно это превращает стриминговых аватаров, управляемые модели мира и интерактивное прототипирование в другие продукты, а не в более медленные версии. В собственных демонстрациях Apple две существующие системы становятся интерактивными: вариант LingBot-World с 1,3B — с 1 085 до 52 мс на кадр, снижение в 16 раз, а его 14B — с 3 862 до 233. RealWonder 1,3B — с 1 141 до 51. Впрочем, ни один из них не заменяет Veo — это то, что Veo не может сделать ни за какие деньги, потому что ни один облачный API не тарифицирует по кадрам в рамках сеанса.
Если вам нужно выпустить что-то в этом квартале
Правило выбора простое. Если результат — это файл: рекламный ролик, продуктовое видео, объясняющий ролик с озвучкой — Veo 3.1 является готовым инструментом, а FastFrames здесь не может участвовать в обсуждении, потому что не даёт ни звука, ни 1080p. Если результат — это интерактивный опыт: живая демонстрация, интерактивный персонаж, инструмент, где человек управляет процессом и сразу видит результат — сегодня ни одна хостируемая видеомодель этого не делает, FastFrames — самый убедительный открытый путь к этому, а цена — GPU и проверка лицензии.
Есть третий сценарий, и он самый распространённый: команда хочет выяснить, стоит ли создавать интерактивный сценарий. Прототипирование этого на хостируемой модели обходится дешевле, чем покупка времени B200, а в OrcaRouter хостинговая сторона доступна по одному ключу — тот же эндпоинт обслуживает Kling 3.0, Kling 3 Turbo и Kling Video O1 наряду с MiniMax H3, всё по прайс-листовым ценам провайдера с наценкой 0%, поэтому изменение тарифа поставщика отражается в вашем счёте в тот же день, когда оно происходит. Сам FastFrames отсутствует в этом каталоге, и мы его не обслуживаем; ничто в этом выпуске не меняет того, что мы хостим. Один ключ даёт возможность измерить, какую задержку ваши пользователи действительно терпят, прежде чем вы вложитесь в оборудование, чтобы её превзойти.
Что будет дальше
Разрыв между двумя системами — это разрыв в том, что кремний делает во время генерации, и он будет закрываться с обеих сторон. Поставщики хостинговых решений уже продают более быстрые тарифы, а метод пиксельного декодера в принципе не зависит от модели — он обучается для каждой базовой модели, но ничто в нём не требует Wan2.1. Важная версия этого сравнения — через восемнадцать месяцев: хостинговая модель 1080p со звуком, возвращающая клип менее чем за секунду, с ценой за секунду, а не за минуту. Пока этого не существует, честный вывод таков: FastFrames выиграл гонку задержки в категории, в которой Veo не участвует.
