Главная титульная карточка для сравнения FastFrames Video Generation и HiDream O1 Video 1.0, на которой показаны две обращённые друг к другу карточки с подписями «FastFrames — 36 мс на кадр, 480p, без звука, открытые веса» и «HiDream O1 Video 1.0 — Elo 1 175, 1080p со звуком, $5,80 в минуту», а в правом нижнем углу — логотип OrcaRouter.
Guides & Insights

FastFrames Video Generation vs HiDream O1 Video 1.0: задержка, познакомься с нарративом

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Два релиза, выпущенные с разницей в десять недель, построены на противоположных представлениях о том, для чего нужна видеомодель. HiDream O1 Video 1.0 исходил из предположения, что клип — это короткометражный фильм: он планирует повествовательную дугу, генерирует от пяти до двадцати секунд в 1080p с синхронизированным звуком и рассматривает физику как ограничение, а не как эстетику. FastFrames Video Generation исходил из предположения, что кадр — это событие, которое должно прибыть прежде, чем понадобится следующий, и оптимизировал расстояние между кадрами до 36 миллисекунд — при 480p, без звука, на весах, которые Apple опубликовала 16 ноября 2026 года вместе со статьёй, датированной 17-м. Ни один не является худшей версией другого. Это ответы на разные вопросы, и выбор одного говорит всем, какой вопрос вы задавали.

Одно измеряется таблицей лидеров, другое — секундомером.

Асимметрия в доказательствах — самое важное на этой странице. HiDream O1 Video 1.0 был оценён третьей стороной; FastFrames — нет, и не мог бы в текущем виде, потому что модель «текст-в-видео» разрешением 480p без звука не вписывается в таблицу «изображение-в-видео», которая предполагает наличие звука.

• HiDream O1 Video 1.0 — шестое место в рейтинге image-to-video от Artificial Analysis с включённым аудиофильтром, Elo 1 175 ±10 на 3 231 образце, при $5,80 за минуту, в срезе от 10 октября 2026 года. Artificial Analysis указывает датой выпуска 28 августа 2026 года, датой появления в рейтинге — 10 сентября, а датой собственного анонса HiDream.ai — 17 сентября.

• FastFrames-S и FastFrames-L — без записи в таблице, без независимой оценки. Показатели VBench 84,23 и 84,44 взяты у самих авторов из таблицы 1 статьи, на тех же промптах и сидах, что и у всех базовых моделей в этой таблице.

• Утверждение, которое их связывает, — ничего не измерено. Суммарные показатели VBench и Elo не конвертируются друг в друга, и никто не прогонял оба на одних и тех же промптах.

Честный способ сравнивать качество — это отказаться от такого сравнения. Сравнивать можно возможности, задержку, цену и доступ, и по трём из этих четырёх пунктов результат совсем не близок.

A two-column scoreboard comparing FastFrames and HiDream O1 Video 1.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p, duration about 5-second blocks against 5 to 20 seconds planned, audio none against synchronised, conditioning text only against text plus one reference image, and price GPU time only against $5.80 per minute.

Что HiDream O1 Video 1.0 даёт вам за $5.80 в минуту

Это гораздо более амбициозная система — с большим отрывом. В материалах запуска HiDream описываются три этапа — этап планирования, совместная генерация аудио и видео, а затем этап выравнивания — с постобучением на основе обучения с подкреплением для диффузионных моделей с использованием мультимодальной модели вознаграждения. На практике это проявляется в виде видеомодели, которая сама решает, какой длины должен быть клип, а не получает это указание: длительность планируется нарративно в пределах 5–20 секунд, а аудио генерируется вместе с изображением, а не накладывается afterward.

• Разрешение и длительность — 1080p, от 5 до 20 секунд; длительность планируется, а не выбирается.

• Аудио — генерируется совместно с видео и синхронизируется с ним, а не отдельным проходом.

• Conditioning — текст, изображение и видео вместе, при этом в hosted API требуется ровно одно референсное изображение.

• Физика — рассматривается как ограничение генерации, и именно это утверждение лежит в основе её Elo выше медианного.

• Доступ — размещённая конечная точка MaaS с асинхронной задачей и циклом опроса, стоимостью $5,80 за минуту вывода, что составляет около $0,097 в секунду.

• Открытые веса — нет.

API уже, чем в материалах к запуску, и именно эта деталь чаще всего застаёт команды врасплох. Публичный эндпоинт принимает ровно одно референсное изображение — в виде публичного URL или Base64 без префикса data-URL, размером от 40 КБ до 20 МБ. Промпт необязателен и по умолчанию пуст. Здесь нет ни поля для референсного видео, ни выбора разрешения — соотношение сторон наследуется от референса, — ни управления звуком. Единственный рычаг — булев параметр force_10s. И есть клиентская ловушка, о которой стоит знать до того, как вы напишете цикл опроса: когда result.status верхнего уровня достигает 1, это значит, что все подзадачи завершились, а не что они выполнились успешно. Фактические результаты лежат в sub_task_results[].task_status, где 1 — успех, 3 — ошибка генерации, а 4 — отказ по соображениям безопасности. Наивный цикл опроса пометит неудачные генерации как завершённые.

Что FastFrames даёт вам за цену одного GPU

Меньше продукта, больше машины. FastFrames — это авторегрессионная модель видео-диффузии, дистиллированная из Wan2.1: чекпойнт 1.3B из Wan2.1-T2V-1.3B, а 14B — из Wan2.1-T2V-14B, — по рецепту под названием Causal Forcing++. Её вклад — не трансформер, а то, что его окружает: VAE-декодер заменён пиксельным декодером на 63,87 млн параметров, который выдаёт 4×16×16 значений RGB на токен через три причинных блока ConvNeXt и линейную голову, сокращая декодирование примерно со 147 миллисекунд до около 1, а обновление KV-кэша превращается в небольшую уточняющую сеть — общий ствол, четыре блока внимания с 8 головами, одна остаточная голова восстановления на каждый слой DiT — стоимостью от 2 до 6 миллисекунд. Сам DiT на финальной стадии заморожен.

• Выход — 832×480, 81 кадр, 16 fps. Около 5,06 секунды на одну генерацию, с возможностью авторегрессивного связывания в цепочку.

• Задержка — 36 мс на кадр для малой модели на одном B200, 45 мс для большой модели на восьми; 158 мс для большой модели на одном GPU и 127/116 мс при 720p.

• Обусловливание — только текст. Без изображения, без видео, без ключевых кадров, без управления камерой.

• Аудио — нет.

• Доступ — веса на Hugging Face под лицензией AMLR от Apple, код на GitHub, Linux x86-64 с CUDA 12.8. Входящая в комплект демоверсия LingBot-World v2 распространяется по лицензии CC BY-NC-SA 4.0, которая запрещает коммерческое использование этой части.

• Цена — нигде нет тарифа за хостинг. Вы предоставляете оборудование.

Утверждение о качестве — если оно чего-то стоит как непроверенная цифра от вендора: общий балл VBench — 84.23 для малой модели и 84.44 для большой, против 84.11 у базового варианта Causal Forcing++ при 272 мс на кадр и 84.65 у Wan2.2 14.3B при 117 734 мс. Если эти цифры верны, модель, которая тратит на кадр всего на долю миллисекунды больше базовой, не уступает модели, работающей в две тысячи шестьсот раз медленнее. Именно это утверждение нужно проверять, а не цитировать.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both released 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.

Решение для трёх аудиторий

Разделите покупателей по тому, что они производят, и выбор перестанет быть сравнением.

Если вы создаёте готовое видео

HiDream O1 Video 1.0 — единственный из двух, кто выдаёт готовое видео. 1080p, звук, длительность подбирается под контент, цена посчитана за секунду, так что можно прогнозировать. При $0,097 за секунду двадцатисекундный клип стоит $1,94 — это обычная статья расходов в производственном бюджете. FastFrames не может участвовать в этом разговоре ни при каких объёмах, потому что не способен выдать файл, который кто-либо стал бы смотреть.

Если вы создаёте интерактивную систему

Всё ровно наоборот. Асинхронный цикл задач и опроса HiDream структурно не подходит для всего, что должно отвечать в пределах одного кадра — вы отправляете задачу, ждёте, получаете результат. FastFrames при 36 мс на кадр на одном B200 выдаёт быстрее, чем воспроизведение со скоростью 16 кадров/с, а это порог, при котором человек перестаёт замечать, что генерацию выполняет машина. Если ваш продукт — живой предпросмотр, аватар или управляемая сцена, в этой статье нет ни одной хостинговой модели, которая справляется с задачей, и релиз Apple — наиболее заслуживающий доверия открытый путь к этому, при условии проверки лицензии, которая для демонстрационных компонентов означает только некоммерческое использование.

Если вы оцениваете, стоит ли создавать что-либо из них

Тогда самый дешёвый эксперимент — это проверка на размещённой модели, и OrcaRouter — один ключ для размещённой стороны: MiniMax H3, ближайший размещённый сосед по амбициям HiDream, стоит рядом с Kling 3.0, Kling 3 Turbo и Kling Video O1 в одном каталоге, по списочным ценам провайдера, передаваемым с наценкой 0%, так что изменение тарифа поставщика отражается в вашем счёте в тот же день, когда оно происходит. Ни HiDream O1 Video 1.0, ни FastFrames там не обслуживаются — мы не маршрутизируем ни то, ни другое, и эта статья не утверждает обратного. Что даёт этот ключ — это способ измерить вашу собственную терпимость к задержке, прежде чем вы потратитесь на оборудование, необходимое FastFrames, потому что это измерение — единственное, что решает, стоят ли 36 миллисекунд 480p.

Что могло бы это уладить?

Один эксперимент: запустить обе на одних и тех же двадцати промптах и показать результаты людям, которые не знали, какая модель что создала. FastFrames проиграет на каждом промпте, где важны звук или детализация, и может выиграть на тех, где взгляд цепляется за согласованность движения, потому что авторегрессионная генерация хороша именно в этом. Пока кто-нибудь не проведёт его, защитимая позиция такова: HiDream O1 Video 1.0 — лучшая видеомодель, а FastFrames — лучший результат по задержке, и это два разных продукта, которые продаются — один по секундам, другой по GPU-часам.

The FastFrames project page from Apple and Cornell University, naming the seven authors, stating that FastFrames-S at 1.3B and FastFrames-L at 14B are autoregressive video diffusion models generating 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality-latency plots, pipeline, text-to-video samples and comparisons.