
Apples FastFrames genererar video snabbare än du kan titta på den
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 97 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNYOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaNYOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaNYOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligens
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligens
Trettiosex millisekunder per bildruta. Det är siffran högst upp i FastFrames Video Generation, utgåvan som Apple publicerade tillsammans med Cornell den 16 november 2026 – vikter på Hugging Face som FastFrames-S med 1,3 miljarder parametrar och FastFrames-L med 14 miljarder, en artikel med titeln "FastFrames: Video Generation at Interactive Latency" dagen därpå. Räkna innan du läser något annat: ett klipp är 81 bildrutor i 832×480 och 16 bildrutor per sekund, vilket är 5,06 sekunder video. Vid 36 millisekunder per bildruta på en enda B200 producerar den lilla modellen det klippet på 2,9 sekunder. Inte snabbare än alternativen – snabbare än uppspelning. Den intressanta frågan är inte om siffran är verklig. Det är vad Apple gav avkall på för att få den, och om det bytet är något du kan leva med.
Vad som faktiskt levererades, och när
Två checkpoints, båda text-till-video, båda utan åtkomstbegränsning och nedladdningsbara sedan den här veckan. Hugging Face-repositorierna skapades den 16 november 2026 och ändrades fortfarande på morgonen den 18 november; arXiv-förhandsutskriften (2611.23226) är daterad den 17 november. Det här är alltså ett två dagar gammalt släpp, inte en modell med historik, och inget här har utvärderats oberoende. Allt som följer är antingen författarnas egen mätning eller en egenskap hos de publicerade vikterna.
• Storlekar – FastFrames-S med 1,3B parametrar, FastFrames-L med 14B (14,3B inklusive de tillagda huvudena).
• Basmodeller – destillerade från Wan2.1-T2V-1.3B respektive Wan2.1-T2V-14B, med hjälp av ett recept som författarna kallar Causal Forcing++.
• Utdata — 832×480 vid 16 fps, 81 bildrutor per generering, autoregressivt så att klipp kan kedjas samman.
• Vikter – öppna på Hugging Face, märkta med Apples AMLR-licens; demokoden för LingBot-World v2 är CC BY-NC-SA 4.0, vilket är icke-kommersiellt, och resten av repositoriet omfattas av Apples Sample Code Licence.
• Prissättning – ingen. Det finns ingen hostad FastFrames-slutpunkt från Apple; du kör den på dina egna GPU:er.
Den sista raden är den du ska ta till dig. FastFrames är en forskningsrelease med nedladdningsbara vikter, vilket är ett annat slags objekt än en produkt. Det finns ingen sekundtaxa, ingen kö, inget SLA och inget sätt att anropa det utan ett NVIDIA GPU och CUDA 12.8.

Vart millisekunderna tog vägen
Den arkitektoniska idén är snävare än "en snabbare modell" och mer intressant. FastFrames är en autoregressiv videodiffusionsmodell, vilket innebär att den genererar ett block av bildrutor betingat på det som kommit före. I baslinjen som den bygger på, Causal Forcing++, kostar genereringen av ett block på 81 bildrutor 271,8 millisekunder per bildruta, och en stor del av det utgörs inte alls av transformatorn – det är den variationella autoencodern som avkodar latenta representationer tillbaka till pixlar, plus steget som uppdaterar KV-cachen så att nästa block vet vad som hände i detta.
Apples team ersatte båda ändarna av den slingan med små inlärda nätverk och lät diffusionstransformatorn vara.
• VAE-avkodaren är borta. En pixelavkodare med 63,87 miljoner parametrar – tre kausala ConvNeXt-block och ett sista linjärt lager som avger 4×16×16 RGB-värden per token – producerar bildrutor direkt. Avkodningen sjunker från cirka 147 millisekunder till ungefär 1 millisekund.
Uppdateringen av KV-cachen är nu ett litet nätverk. En delad stam, fyra självuppmärksamhetsblock med 8 huvuden och ett residual-reparationshuvud per DiT-lager, vilket kostar 2 millisekunder på den lilla modellen och 6 på den stora.
• Själva transformatorn förändrades knappt och är fryst under slutskedet. För 1.3B-modellen går DiT-tiden från 41,6 till 16,4 millisekunder; för 14B-modellen från 89,2 till 75,6.
Lägger man ihop dem på 1.3B-modellen blir 271,8 millisekunder 35,8. Det är hela tricket, och det är ett bra sådant: författarna gjorde inte en diffusionstransformer snabbare, de tog bort delarna runt den som aldrig var poängen. Pixelavkodaren tränades på 32 B200s i ungefär en vecka över 150 000 rollouts, med ett adversariellt steg på 8 B200s som använde en fryst DINOv3 ViT-S/16-diskriminator för att hindra den från att producera mjuka bildrutor.
Kvalitetspåståendet, och vem som granskade det
Här är delen som behöver en etikett. VBench-siffrorna nedan är författarnas egna, körda på samma prompter och seedar vid 480p, och rapporterade i tabell 1 i artikeln. Ingen oberoende part har reproducerat dem, och VBench är ett benchmark som belönar den typ av temporär mjukhet som autoregressiva modeller är bra på. Behandla dem som ett påstående om paritet, inte som en mätning av den.
• FastFrames-S — 84,23 VBench totalt, 85,30 kvalitet, 79,92 semantisk, vid 36 ms per bildruta.
• FastFrames-L — 84,44 totalt, 85,48 kvalitet, 80,29 semantik, vid 45 ms per bildruta på åtta B200.
• Causal Forcing++, baslinjen som den destillerades från – 84,11 totalt vid 272 ms per bildruta, alltså ungefär 7,6× långsammare för 0,1 till 0,3 poäng mindre.
• Krea-Realtime — 84,42 totalt vid 1 675 ms per bildruta; artikeln hävdar jämförbar realism, promptföljsamhet, komposition och textrendering med över tio gånger högre hastighet.
• Self-Forcing — 84,10 vid 717 ms; CausVid 83,18 vid 662 ms; LongLive2.0 83,65 vid 505 ms.
• Wan2.1 1.3B, basmodellen — 83.80 vid 30,444 ms per bildruta.
• Wan2.2 14.3B – 84,65 vid 117 734 ms per bildruta. Det är siffran som är värd att fundera över: den bästa totalen på bordet, till ungefär 2 600 gånger kostnaden per bildruta för FastFrames-L.
• MiniMax-H3 33,1B — 84,43 på 38 454 ms; HunyuanVideo1.5 8,3B — 83,18 på 1 555 508 ms.
Mönstret är en platt kvalitetsplatå från 83 till 85,5 för varje modell på listan, och en spridning i latens på fyra storleksordningar. Vad VBench total än mäter, slutade det för ett tag sedan att skilja mellan dessa system. Det som skiljer dem nu är hur snabbt de körs och vilken upplösning och vilket ljud de kan producera — och FastFrames vinner den första kolumnen med stor marginal medan det förlorar den andra helt.
Vad 36 millisekunder per bildruta faktiskt ger
Konvertera till de enheter som en produktperson bryr sig om. Författarna rapporterar både genomströmning och latens, och de två ger olika bilder beroende på hur många GPU:er du äger.
• FastFrames-S, en B200 – 36 ms per bildruta, ungefär 28 förfrågningar per sekund. Ett 5-sekundersklipp på 2,9 sekunder, eller 1,7× snabbare än du kan titta på det.
FastFrames-L, åtta B200 – 45 ms per bildruta, cirka 22 förfrågningar per sekund. Ett 5-sekundersklipp på 3,6 sekunder.
• FastFrames-L, en GPU – 158 ms per bildruta, cirka 6,3 förfrågningar per sekund. Samma klipp tar 12,8 sekunder, vilket är långsammare än uppspelning. Den stora modellen blir bara interaktiv när du sprider ut den över en nod.
• Vid 720p – 127 ms per bildruta för den lilla modellen och 116 ms för den stora på åtta GPU:er, vilket är punkten där "interaktiv" inte längre stämmer för en session med en enda ström.
• På H100 i stället för B200 – artikeln anger straffet till 25 till 50 procent, så den lilla modellen landar någonstans runt 45 till 54 ms per bildruta.
Påståendet som håller är det om den lilla modellen på nuvarande hårdvara. FastFrames-S på en B200 är verkligen snabbare än realtid, vilket är det som gör en live-förhandsgranskningsloop, en streamande avatar eller en styrbar världsmodell genomförbar utan en renderfarm. 14B är interaktiv endast i bemärkelsen batchad genomströmning.
Att köra det själv
Repot innehåller en fungerande inferensväg, inte bara vikter. Du behöver Linux x86-64, ett NVIDIA-grafikkort och CUDA 12.8; sedan uv sync, och uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Det finns ett latensbenchmarksskript som tar ett antal GPU:er; det finns också ett VBench-utvärderingsarbetsflöde och en demoapp under apps/lingbot som serverar på port 8000. Apple har också publicerat varje checkpoint för varje träningssteg för den stora modellen – den kausala läraren, det konsistensdestillerade steget, det DMD-distillerade steget och den slutliga generatorn med sin pixelavkodare och sitt KV-förfiningsnätverk – vilket är ovanligt och gör lanseringen reproducerbar på ett sätt som de flesta "open weights"-släpp inte är.

Om du inte har GPU:erna är det ärliga svaret att OrcaRouter inte tillhandahåller FastFrames, och det gör ingen annan heller – det finns ingen hostad endpoint att routa till. Det en OrcaRouter-nyckel däremot täcker är de hostade videomodeller som redan fungerar idag, inklusive Kling 3.0 och Kling 3 Turbo, Kling Video O1 och MiniMax H3, till leverantörens listpris som förs vidare med 0 % påslag, så en prisförändring från leverantören når dig samma dag i stället för vid nästa faktureringsperiod. Det kloka mönstret för ett team som är nyfiket på FastFrames är att prototypa produktidén mot en hostad modell vars latens du kan mäta, och bara köpa GPU-tid när du vet att loopen är värd det.
Vad det inte kan göra
Tre gränser, och ingen av dem kommer att lappas nästa vecka.
• Upplösning – 480p, punkt slut. Apple anger latenssiffror för 720p, men konfigurationen som släppts är 832×480. Alla konkurrenter i den här prisklassen erbjuder minst 1080p.
• Ljud – inget. FastFrames är tyst. Veo, Kling, Grok Imagine och HiDream genererar alla synkroniserat ljud i samma anrop.
• Varaktighet och kontroll – 81 bildrutor per generering med autoregressiv kedjning, endast textprompter. Ingen bildkonditionering, inga referensresurser, inga nyckelbildrutor, ingen kamerakontroll, inget tilläggs-API.
• Licens — modellvikterna omfattas av Apples AMLR-villkor, och komponenterna i LingBot-World v2 är CC BY-NC-SA 4.0. Läs det innan du bygger en kommersiell produkt på demoprogrammet; "öppna vikter" och "fria att kommersialisera" är inte synonymer, och den här utgåvan är medvetet noggrann med skillnaden.
Det man ska hålla ögonen på
FastFrames förstås bäst som en demonstration av att kostnaden för autoregressiv videogenerering aldrig huvudsakligen låg i modellen. Det var avkodningen och cacheuppdateringen, och Apple tog bort båda och landade på ungefär två millisekunder och en megabyte parametrar. Det resultatet är överförbart: pixelavkodaren tränas per basmodell, men principen – frys transformatorn, lär dig infrastrukturen – gäller för alla kausala videodiffusionsstackar, och artikeln visar redan att den har porterats till två tredjepartssystem, vilket tar LingBot-World från 1 085 till 52 millisekunder per bildruta på 1,3B-varianten och från 3 862 till 233 på 14B.
Det innebär för en köpare: om din produkt behöver en videomodell i en realtidsloop har hårdvarukravet just minskat med en storleksordning, och kvalitetskostnaden verkar vara liten. Om din produkt behöver ett färdigt klipp i 1080p med ljud riktar sig inget i den här lanseringen till dig, och de hostade modellerna är fortfarande svaret. Gapet mellan dessa två användningsfall är där de kommande tolv månadernas lanseringar av videomodeller kommer att utkämpas.

