Карточка-герой, сравнивающая FastFrames Video Generation и Luma Ray 3.2: на левой карточке указано «36 мс на кадр», «832x480, без звука» и «81 кадр», на правой — «до 1080p», «10/12/16-бит EXR» и «5 или 10 секунд», а логотип OrcaRouter расположен в правом нижнем углу.
Guides & Insights

Генерация видео FastFrames против Luma Ray 3.2: поток кадров против грейженного файла

Автор

jinhao.song

Дата публикации

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

Luma Ray 3.2 и FastFrames Video Generation — обе диффузионные видеомодели, обе выпущены в 2026 году, обе выходят не раньше второй половины этого года — и они ни в каком смысле, который признал бы продюсер, не заменяют друг друга. Ray 3.2, доступный с 9 июня, на выходе даёт файл: до 1080p, пять или десять секунд, опционально 10-, 12- или 16-битный HDR в стандарте ACES2065-1 EXR — формате, в котором колорист выполняет цветокоррекцию. FastFrames, опубликованный Apple совместно с Cornell 16 ноября, на выходе даёт поток: 832×480, 81 кадр, один кадр каждые 36 миллисекунд на одном B200, без звука, только текстовый промпт, веса на Hugging Face. Одна построена так, чтобы её результат выдерживал финишный пайплайн. Другая — так, чтобы её результат приходил раньше, чем вы досмотрите предыдущий. Всё ниже следует из этого разделения, включая неудобный факт: ни у одной из моделей нет независимой оценки, с помощью которой можно было бы решить этот вопрос.

Формат вывода — это аргумент, а не спецификация.

Начните с того, что вам даёт каждая модель, потому что именно здесь и живёт сравнение.

Ray 3.2 по умолчанию выводит MP4, а по запросу — 10-, 12- или 16-битные HDR-кадры в ACES2065-1 EXR, но только в разрешениях 720p и 1080p и только для пятисекундных клипов. Бесшовное зацикливание и работа с EXR — обе эти функции ограничены пятисекундными клипами.

• {{1}}FastFrames{{/1}} выдаёт {{2}}MP4{{/2}} из 81 кадра с разрешением {{3}}832×480{{/3}} и частотой 16 кадров в секунду — это 5,06 секунды беззвучного видео. Нет варианта с {{4}}EXR{{/4}}, нет выбора битовой глубины и нет диалогового окна экспорта. Пиксельный декодер выдаёт {{5}}8-bit RGB{{/5}} на каждый токен, и на этом всё заканчивается.

• Разрешение — это потолок в 1080p против фиксированного значения 480p, но сравнение несправедливо в обе стороны, потому что режим HDR 1080p у Ray 3.2 не существует для десятисекундных клипов, а 480p у FastFrames — это не настройка, которую можно повысить.

• Панель управления: Ray 3.2 принимает текст, начальный кадр, конечный кадр или существующее видео для изменения, а также до 16 ключевых кадров на клип и отслеживание мимики для до восьми лиц. FastFrames принимает текстовый запрос и seed.

Перечитайте этот список и обратите внимание, что он говорит о покупателе. Набор возможностей Ray 3.2 — это набор возможностей кадра, который уже существует в монтаже и требует завершения, доработки или расширения. Набор возможностей FastFrames — это набор возможностей системы, которая ещё не решила, каким должен быть кадр.

Ray 3.2, рассматриваемый как инструмент постпродакшена

Путь через EXR — это главная причина, по которой эта модель существует в её нынешнем виде, и он сопряжён с ограничениями, которые большинство обзоров опускают.

Он генерирует в 540p, 720p и 1080p, клипами на пять или десять секунд, в шести соотношениях сторон, охватывающих вертикальный, квадратный и широкоэкранный форматы, — но десятисекундная генерация доступна только в режиме текст-в-видео, поэтому пути с обусловливанием кадром и видео ограничены пятью секундами. HDR — это включаемая настройка для 720p и 1080p на пять секунд: вы включаете HDR, чтобы получить экспорт EXR, а не получаете его автоматически. Аудио — другое ограничение, и оно срабатывает не так, как люди ожидают. Ray 3.2 не генерирует синхронизированное аудио для текст-в-видео или изображение-в-видео; аудио сохраняется только когда вы изменяете или перекадрируете существующие кадры, уже содержащие дорожку. Для модели, позиционируемой на этапе финишинга, это логично — звук исходит из монтажа, а не из генератора, — но всем, кто ищет модель видео со звуком «в один вызов», стоит прекратить чтение здесь.

Коммерческая структура тоже имеет значение. Ray 3.2 — первая модель в семействе Ray с полноценным API для разработчиков, разделённым на тариф Build с оплатой по мере использования и тариф Scale с зарезервированной пропускной способностью и SLA. Более ранние модели Ray были доступны только по подписке, а значит, история цен семейства не служит ориентиром для цен этой модели. Стоимость за клип зависит одновременно от разрешения, динамического диапазона и длительности; сторонние каталоги оценивают пятисекундный клип 720p примерно в $0.30, а клип 1080p — примерно в $1.20, при этом экспорт HDR или EXR умножает стоимость клипа, а не добавляет к ней. Рассматривайте эти цифры как расчёты агрегатора по тарифной сетке Luma, а не как собственные опубликованные цифры Luma.

Одна ловушка в названиях, ради которой стоит потратить целое предложение: номера версий Luma не возрастают так, как они читаются. Ray3.14 вышел 26 января 2026 года, а Ray 3.2 — 9 июня 2026 года, так что меньшее число означает более новую модель, а Luma отказалась от бренда Dream Machine, вокруг которого до сих пор построено большинство старых руководств.

FastFrames, читаемый как цикл рендеринга

FastFrames — это не уменьшенная версия Ray 3.2. Это результат дистилляции, опубликованный в виде весов, и архитектура объясняет как скорость, так и отсутствующие функции.

Обе контрольные точки — это авторегрессионные видеодиффузионные модели, построенные на Wan2.1: FastFrames-S на основе Wan2.1-T2V-1.3B и FastFrames-L на основе Wan2.1-T2V-14B, — прошедшие через рецепт, который авторы называют Causal Forcing++. Вклад статьи — не более быстрый трансформер. Это удаление двух дорогостоящих компонентов вокруг трансформера: VAE-декодера, который в базовом варианте обходился примерно в 147 миллисекунд на кадр и заменён пиксельным декодером на 63,87 млн параметров, укладывающимся примерно в 1 миллисекунду, и обновления KV-кэша, которое становится небольшой сетью уточнения, стоящей 2 миллисекунды на малой модели и 6 — на большой. Сам трансформер на финальном этапе заморожен.

Если всё сложить, на модели 1.3B 271,8 миллисекунды на кадр превращаются в 35,8. На одном B200 это примерно 28 запросов в секунду, или 5-секундный клип за 2,9 секунды. Модели 14B нужны восемь B200, чтобы держать 45 миллисекунд и 22 запроса в секунду; на одном GPU она падает до 158 миллисекунд, что медленнее воспроизведения. При 720p маленькой модели нужно 127 миллисекунд на кадр, а большой — 116 на восьми GPU, и в статье штраф для H100 оценивается в дополнительные 25–50 процентов.

Авторегрессионная генерация — это причина, по которой 81 кадр не так ограничивает, как кажется, и одновременно причина, по которой модель не может делать то, что делает Ray 3.2. Поскольку каждый блок обусловлен предыдущим, клипы выстраиваются в цепочку — но цепочка не является управлением по ключевым кадрам, и нет способа подать начальный кадр, конечный кадр, референсное изображение или существующий клип. У модели вообще нет обусловливания изображением.

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.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.

Разрыв в измерениях реален, и он проявляется в обоих направлениях.

Ни одну из моделей нельзя ранжировать, и причины настолько различаются, что их стоит рассматривать отдельно.

У Ray 3.2 нет записи на видеоарене Artificial Analysis — ни в text-to-video, ни в image-to-video; это проверено 18 сентября 2026 года для данного блога. Вместо этого Luma публикует внутренний отчёт об оценке Ray3, в котором заявляет паритет с Veo 3 и превосходство над несколькими конкурентами, не прилагая числовых оценок, а также утверждает, что его API стоит менее половины цены и имеет менее половины задержки сопоставимых моделей — тоже без количественных данных. Это материалы позиционирования. Их нельзя сравнивать с Elo арены, для которого указаны размер выборки и доверительный интервал, и ни одна страница не должна подавать их так, будто они сопоставимы.

У FastFrames противоположная проблема: у него есть числа, и все они взяты у его собственных авторов. Итоговые показатели VBench в таблице 1 статьи составляют 84.23 для FastFrames-S и 84.44 для FastFrames-L против 84.11 у Causal Forcing++ — базовой модели, из которой он был дистиллирован, — при 272 миллисекундах на кадр. Wan2.1 1.3B, базовая модель, набирает 83.80 при 30,444 миллисекундах. Wan2.2 14.3B набирает 84.65 при 117,734 миллисекундах. Никто из независимых сторон не воспроизвёл ничего из этого, а VBench — это бенчмарк, который поощряет именно ту временную гладкость, в которой сильны авторегрессионные модели. Собственная таблица статьи — это утверждение о паритете в пределах плато от 83 до 85.5, а не измерение качества.

То, что объединяет эти два разрыва, — это главное, что стоит вынести на заметку: разброс суммарных показателей VBench среди всех моделей в списке Apple составляет около двух с половиной пунктов, тогда как разброс задержки по тому же списку — четыре порядка величины. Что бы ни измерял этот бенчмарк, он уже некоторое время назад перестал различать эти системы. Обе эти модели продаются по осям, которых VBench не видит.

Стоимость одного выстрела в каждом

Сопоставьте конкретный бриф с обеими тарифными картами — и арифметика сразу перестанет быть хоть сколько-нибудь сопоставимой.

• Пятисекундный клип 1080p HDR — Ray 3.2, примерно $1,20 по указанным тарифам до применения множителя HDR, поставляется в формате EXR, который сразу идёт в цветокоррекцию. FastFrames не сможет создать этот кадр ни за какую цену.

• Пятисекундный беззвучный клип в 480p — FastFrames: один B200 за 2,9 секунды реального времени на малой модели или восемь B200 за 3,6 секунды на большой. Ray 3.2 вообще не генерирует в 480p; его минимум — 540p.

• Десять секунд чего угодно — Ray 3.2 только из текста, при 1080p или ниже. FastFrames достигает десяти секунд, сцепляя два блока по 81 кадру и надеясь, что шов выдержит.

• Девяносто дублей одного и того же кадра — вот где экономика переворачивается. Ray 3.2 берёт оплату за клип, поэтому сто попыток стоят сто клипов. FastFrames берёт оплату за GPU-секунды, поэтому сто попыток стоят сто раз по 2,9 секунды на машине, которую вы уже арендуете.

• Аппаратное обеспечение, которого у вас нет — FastFrames требует Linux x86-64, GPU NVIDIA и CUDA 12.8, а репозиторий включает рабочий путь инференса, скрипт для замера задержки, рабочий процесс оценки VBench и демонстрационное приложение. Ничто из этого не является хостинговым сервисом.

Эта граница в девяносто дублей и есть настоящее различие. Оплата за клип оценивает результат; оплата за GPU-секунду оценивает исследование. Если ваш процесс — «генерировать, пока не получится правильно», вторая модель дешевле на порядок и хуже по всем остальным осям. Если ваш процесс — «сгенерировать одну вещь, которая должна пройти оценку», первая модель — единственная из двух, способная справиться с задачей.

Лицензия решает больше, чем технические характеристики.

Веса FastFrames распространяются на условиях AMLR от Apple, а демонстрационные компоненты LingBot-World v2 в том же репозитории — под CC BY-NC-SA 4.0, то есть некоммерческой лицензией. Остальное — под Apple's Sample Code Licence. «Открытые веса» и «свободная коммерциализация» — не синонимы, и этот релиз намеренно внимателен к этой разнице — в отличие от Ray 3.2, продаваемого по коммерческому API-контракту с тарифом Build и тарифом Scale с SLA, который этим вовсе не отличается.

Так что вопрос закупки решается противоположно техническому. Ray 3.2 предлагает вам принять отношения с поставщиком: тарифную сетку, условия обслуживания, обязательство по пропускной способности, если вы покупаете Scale, endpoint, который может измениться у вас под ногами. FastFrames предлагает прочитать три лицензии и взять на себя ответственность за GPU. Для студии, у которой уже есть процесс юридической проверки поставщиков API, проще первый вариант. Для исследовательской группы, у которой уже есть B200s и комплаенс-офицер, читающий лицензии ради удовольствия, проще второй.

Где место каждому из них, и вопрос, который мог бы это изменить

Поставьте Ray 3.2 в конец конвейера, а FastFrames — в начало, и эти двое перестанут конкурировать. Ray 3.2 — это то, к чему вы обращаетесь, когда монтаж уже существует, цветовой конвейер реален, и кадр должен выйти с другой стороны пригодным для грейдинга в 10 битах или лучше — мирясь с 1080p, пятисекундными HDR-клипами, отсутствием генерируемого аудио и счётом за каждый клип, который умножается вместе с динамическим диапазоном. FastFrames — это то, к чему вы обращаетесь, когда цикл и есть продукт: живой предпросмотр, управляемая модель мира, аватар, который отвечает в рамках сессии — мирясь с 480p, тишиной, отсутствием референсных входов и лицензией, которую нужно прочитать перед выпуском.

Ни один из них не является маршрутом на OrcaRouter, и эта статья не утверждает обратного. Что действительно доступно одним ключом — это хостинговый видеослой, который уже работает сегодня: MiniMax H3 по $0.08 за секунду при 768p и $0.13 при 2K, и семейство Kling 3.0 — наряду с более чем 200 языковыми моделями, по списочным ценам провайдеров, передаваемым с 0% наценки, так что снижение тарифа поставщиком отражается здесь в тот же день, когда о нём объявляют, с автоматическим переключением при сбое, если эндпоинт деградирует посреди очереди. Для команды, оценивающей любую из моделей выше, это дешёвый способ измерить, как выглядит реальный профиль задержки и стоимости, прежде чем выделять бюджет на GPU или контракт Scale под гипотезу.

Поставить точку в этом сравнении поможет не более удачное демо от какой-либо из сторон, а одно независимое измерение Ray 3.2 на image-to-video arena — чтобы у финиширующей модели вообще появилась цифра, — и одно воспроизведение показателя FastFrames 84.4 кем-то, кто не работает в Apple или Cornell. Пока нет ни того, ни другого, честная основа для выбора — это готовый результат; а по этой оси две модели слишком далеки друг от друга, чтобы их можно было спутать.

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.