Главная карточка для сравнения FastFrames Video Generation и MiniMax H3: три бейджа слева с надписями «36 мс на кадр», «832x480, без звука» и «81 кадр», а также три бейджа справа с надписями «1 181 Elo image-to-video», «встроенное стереоаудио» и «$0,08 в секунду»; логотип OrcaRouter — в правом нижнем углу.
Engineering & Research

Генерация видео FastFrames против MiniMax H3: три платы против секундомера

Автор

Gideon Frost

Дата публикации

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

Есть версия этого сравнения, которая ставит две видеомодели рядом и выбирает более быструю, и на неё уйдёт около четырёхсот слов. Она также была бы неверной, потому что MiniMax H3 — это модель, которую можно вызывать посекундно, а FastFrames Video Generation — это набор весов, который вы скачиваете и запускаете на собственном оборудовании. H3 вышел 31 июля 2026 года как омнимодальная система, которая воспринимает текстовые, графические, видео- и аудиореференсы как единый контекст, генерирует нативный стереозвук и занимает второе место в рейтинге image-to-video Artificial Analysis с результатом 1 181 Elo по итогам 7 284 голосов по состоянию на 8 октября 2026 года. FastFrames появился 16 ноября в виде двух чекпойнтов, 1.3B и 14B, дистиллированных из Wan2.1, чтобы создавать кадр 480p за 36 миллисекунд, — и он вообще не фигурирует ни в одном независимом рейтинге. Что их разделяет — не качество. А то, что один из них — продукт с публичным результатом в рейтинге, а другой — статья с секундомером.

Три совета, одна модель и что на самом деле запрашивает каждый совет

Позиции H3 стоит излагать точно, потому что число, которое обычно цитируют, как правило, оказывается неверным.

• Видео из изображения — второе место с 1 181 Elo по итогам 7 284 голосов, позади MiniMax H3 Max с 1 195 и впереди Vidu Q4 Preview с 1 179. Шестнадцать пунктов охватывают первую тройку, что укладывается в пределы интервалов; это ничья, замаскированная под подиум.

• Текст-в-видео — четвёртое место с 1 137 Elo по результатам 8 315 голосов. Это более слабая таблица модели — и та, где соревновалась бы беззвучная исследовательская модель 480p, если бы она была заявлена.

• Видеомонтаж — четвёртое место с 1 119 Elo по итогам 7 023 голосов в рейтинге, который оценивает модели по редактированию клипа по текстовой инструкции с сохранением аудио.

Три появления означают, что были заявлены и измерены три разные возможности: генерация из неподвижного изображения, генерация из текста и преобразование уже существующего видеоматериала. Для этого сравнения важнее всего третий вариант, поскольку он требует приёма видео на вход, а FastFrames принимает только текст.

Цены указаны в карточке нашей модели: $0.08 за секунду при 768p и $0.13 за секунду при 2K, что составляет $4.80 и $7.80 в минуту — те же две цифры, что и в колонке цен на арене, и это одна и та же модель на двух уровнях разрешения, а не премиальная и дешёвая версии. Пятисекундный клип при 768p стоит $0.40.

Что не включают в себя 36 миллисекунд

Скорость FastFrames реальна, и это не универсальная скорость, а архитектура объясняет почему — так, как не может список характеристик.

Оба чекпоинта — это авторегрессионные видеодиффузионные модели, дистиллированные из Wan2.1 по рецепту под названием Causal Forcing++. Авторы почти не трогали диффузионный трансформер и заменили две окружающие его вещи, которые никогда не были главным. VAE-декодер — около 147 миллисекунд на кадр в базовой версии Causal Forcing++ — превращается в пиксельный декодер с 63,87 млн параметров, который выдаёт кадры напрямую и укладывается примерно в 1 миллисекунду. Обновление KV-кэша становится небольшой сетью уточнения, которая стоит 2 миллисекунды на модели 1.3B и 6 на 14B. Трансформер замораживается на финальном этапе.

На малой модели это сокращает время на кадр с 271,8 до 35,8 миллисекунды. На одном B200 FastFrames-S выполняет около 28 запросов в секунду и создаёт 5,06-секундный клип за 2,9 секунды. 14B удерживает 45 миллисекунд только на восьми B200; на одном GPU он деградирует до 158 миллисекунд на кадр, что медленнее, чем смотреть результат. При 720p это 127 миллисекунд на малой модели, а в статье штраф для H100 оценивается в 25–50 процентов.

То, что не включает эта цифра, — это всё, на что H3 тратит своё время. FastFrames не создаёт аудио. Он обусловливается только текстом — ни начального кадра, ни конечного кадра, ни референсного изображения, ни клипа для продления или изменения стиля. Он генерирует 81 кадр при 832×480 и 16 кадров в секунду, а также объединяет блоки в цепочку, вместо того чтобы предлагать управление ключевыми кадрами или камерой. Три из четырёх модальностей ввода, которые принимает H3, отсутствуют в пути инференса FastFrames.

A two-column scoreboard comparing FastFrames and MiniMax H3 across six dimensions: independent score none against 1,181 Elo, resolution 832x480 against 2K, clip length 81 frames against 4 to 15 seconds, audio none against native stereo, inputs text only against text, image, video and audio, and price GPU time you supply against $0.08 per second.

Почему скорость всё ещё чего-то стоит, даже несмотря на это

После предыдущего раздела легко было бы списать FastFrames со счетов, но это было бы неверной трактовкой. Эта цифра — не маркетинговый показатель; она меняет то, каким может быть продукт.

При 36 миллисекундах на кадр на одном B200 генерация завершается раньше, чем вы успеваете её посмотреть. Это тот порог, когда цикл предпросмотра перестаёт быть пакетной задачей и становится интерактивным: вы печатаете, видите, корректируете — и машина успевает за корректировкой. Модель 14B при 45 миллисекундах на узле достигает этого в смысле пакетной пропускной способности, но задержка одного потока, которую человек действительно ощущает, — это свойство маленькой модели. Ничто в опубликованной поверхности H3 не отвечает этому сценарию использования, потому что H3 тарифицируется в секундах готового материала, а не в кадрах, произведённых в секунду реального времени — это не одно и то же измерение, и тарифная карта не позволяет вывести одно из другого.

Есть побочное следствие второго порядка, которое авторы статьи явно отмечают. Пиксельный декодер обучается отдельно для каждой базовой модели, но принцип — заморозить трансформер, обучить «обвязку» — уже был перенесён на сторонние системы в собственных экспериментах авторов статьи: LingBot-World ускорился с 1 085 до 52 миллисекунд на кадр в варианте 1.3B и с 3 862 до 233 в 14B. Это результат, касающийся метода, а не продукта, и именно эта часть выпуска имеет самый широкий охват.

Честная картина состояния доказательств по каждой из сторон

Именно здесь противостояние перестаёт быть спорным в любую сторону, и об обеих половинах стоит сказать прямо.

Все заявления FastFrames о качестве исходят от его собственных авторов. Итоговые показатели VBench в таблице 1 составляют 84,23 для FastFrames-S и 84,44 для FastFrames-L против 84,11 у базовой модели при 272 миллисекундах и 84,65 у Wan2.2 14.3B при 117 734 миллисекундах. Ни один независимый исследователь их не воспроизвёл. VBench поощряет плавность во времени, которую автогрессивные модели производят по своей конструкции, а весь разброс в собственной таблице Apple составляет около двух с половиной пунктов, тогда как разброс задержки у тех же моделей — четыре порядка. Читайте таблицу как заявление о паритете, а не как его измерение.

Позиции H3 в таблицах лидеров сопровождаются объёмами выборок и доверительными интервалами — это более сильная, но и более узкая форма свидетельств. Таблица предпочтений сообщает, какой результат люди выбрали, когда им показали два клипа; она не говорит, во сколько обошлось создание каждого из клипов, был ли звук синхронизирован или выдержит ли модель всплеск из 40 запросов при 2K. Разброс в шестнадцать пунктов на вершине таблицы «изображение → видео» — хорошее напоминание о том, что эти числа ранжируют восприятие, а не возможности, и что любая страница, объявляющая победителя по разрыву в шестнадцать пунктов при доверительных интервалах ±10, принимает шум за сигнал.

Итак, сравнение сводится к следующему: за одну модель голосовали тысячи людей, и её цена рассчитывается посекундно, а у другой есть секундомер, файл лицензии и научная статья. Это разные виды доказательств, и ни один не заменяет другой.

Два пути закупок, которые не похожи друг на друга

Покупка времени на H3 и запуск FastFrames почти не имеют общих этапов — это практическая причина, по которой они редко оказываются частью одного решения.

• H3 — посекундная тарификация на размещённой конечной точке: $0.08 при 768p и $0.13 при 2K, через собственный API поставщика и через несколько сторонних платформ. Без оборудования, без проверки лицензии, без CUDA. Мы маршрутизируем его как minimax/minimax-h3 в публичном API моделей, с оплатой по прайс-листу поставщика без каких-либо наценок; он доступен на той же конечной точке, совместимой с OpenAI, что и языковые модели в каталоге.

• FastFrames — Linux x86-64, GPU NVIDIA, CUDA 12.8, затем uv sync и вызов scripts/generate.py с каталогом чекпоинтов и seed. На веса распространяются условия AMLR Apple; демонстрационные компоненты LingBot-World v2 в том же репозитории — CC BY-NC-SA 4.0, то есть некоммерческая лицензия; остальное — под Apple Sample Code Licence. Apple также опубликовала чекпоинты всех этапов обучения большой модели, что необычно и делает релиз воспроизводимым так, как большинство релизов открытых весов — нет.

• Скрытая стоимость с обеих сторон — посекундный счётчик H3 работает независимо от того, удался ли дубль, а отклонённый дубль оплачивается так же, как принятый. Счётчик GPU FastFrames работает аналогично, но по предельной ставке, которая оказывается погрешностью округления, если оборудование уже амортизировано, и крупной фиксированной стоимостью, если нет.

Одно практическое следствие {{1}}сквозного ценообразования{{/1}} с нашей стороны: когда MiniMax меняет {{2}}посекундную ставку{{/2}}, это изменение видно на маршруте в тот же день, а не при продлении договора. У FastFrames нет ставки, которую можно было бы изменить.

Для чего нужен каждый из них — в виде предложения, на которое можно опереться в действиях.

Выбирайте MiniMax H3, когда на входе не только текстовый промпт, когда в результате нужен звук или когда пятнадцатисекундный клип с многошаговым расширением ближе к вашему кадру, чем 81 кадр в 480p. Это единственный из двух, кто умеет редактировать отснятый материал, единственный, кто генерирует аудио, и единственный, чьё заявление о качестве проверяли люди, не работающие в компании, которая его создала. Кроме того, его тариф за 2K дешевле, чем у большинства конкурентов в этом сегменте.

Берите FastFrames, когда цикл — это продукт, а кадр — не конечный результат: живой предпросмотр, управляемая модель мира, аватар, который должен отвечать внутри сессии, или исследовательская программа, которая хочет изменить то, как декодирует каузальный видеостек, а не то, что он генерирует. Примите 480p, тишину, отсутствие референсных входных данных и лицензию, которую нужно прочитать, прежде чем выпускать что-либо коммерческое.

FastFrames не обслуживается OrcaRouter, и эта страница не утверждает обратное — для весов Apple нет размещённого эндпоинта. H3 — другое дело: мы маршрутизируем его как minimax/minimax-h3, наряду с семейством Kling 3.0 и более чем 200 языковыми моделями, по одному ключу по прайс-листовой цене провайдера с наценкой 0% и автоматическим переключением при сбое между эндпоинтами. Это дешёвый способ выяснить, подходит ли видеомодель с посекундной оплатой вашему пайплайну, прежде чем потратить квартальный бюджет на GPU на альтернативу.

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.

Единственный результат, который сделал бы это настоящим соревнованием

Две вещи изменили бы восприятие, и ни одна из них не является более удачной демонстрацией.

Первое — это появление FastFrames на табло арены. Для этого нужно, чтобы кто-то её разместил, а сейчас этого никто не делает — Apple опубликовала веса, но не endpoint, поэтому у теста предпочтений нет способа подавать её голосующим. Пока этого не произойдёт, заявление о качестве модели опирается исключительно на цифры VBench от её авторов, а это более слабая позиция, чем та, которую занимает любая модель на трёх табло H3.

Второй — публикация MiniMax показателя задержки. Тарифная сетка H3 выражена в секундах выходных данных, и нигде в этой структуре нет стоимости за кадр, которую читатель мог бы сравнить с 36 миллисекундами. Если бы MiniMax или независимый тестировщик опубликовал количество кадров в секунду при заданном разрешении и GPU, две модели наконец можно было бы измерить по общей оси. Они этого не сделали, и это не в коммерческих интересах поставщика — начинать.

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.