
FastFrames videogenerering vs Grok Imagine Video: båda autoregressiva, en av dem levereras
- 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
Det som ligger närmast ett tekniskt syskon som FastFrames Video Generation har i produktion i dag är Grok Imagine Video, och likheten är inte ytlig. Båda genererar video autoregressivt – varje block betingas av bildrutorna som kom före – och båda använder den strukturen för att förlänga ett klipp i stället för att återge ett fast fönster. Apples lansering, publicerad den 16 november 2026 med forskningsartikeln den 17:e, använder den för att nå 36 millisekunder per bildruta på en enda GPU. xAI:s använder den för att låta dig hålla en tagning igång i femton sekunder med ljud. Skillnaden är att en av dem är en nedladdningsbar forskningsartefakt och den andra har funnits i ett publikt API sedan januari 2026, och den skillnaden – inte jämförelsetabellen – är det som avgör matchen för alla med en deadline.
Vad var och en kostar, i de enheter du faktiskt skulle budgetera
FastFrames har inget pris, eftersom det inte finns något att köpa. Vikterna finns på Hugging Face under Apples AMLR-licens, och den enda kostnaden är hårdvara: en B200 för 1,3B-modellen eller åtta för 14B för att den ska vara interaktiv, plus CUDA 12.8 och Linux. Grok Imagine Video säljs per sekund och rapporteras av Artificial Analysis som ett pris per minut, vilket gör aritmetiken ovanligt ren.
• Grok Imagine Video, ursprunglig version – $4.20 per minut utdata, vilket är $0.07 per sekund. Ett 15-sekundersklipp kostar cirka $1.05.
• Grok Imagine Video 1.5 — 8,40 USD per minut, 0,14 USD per sekund, ungefär 2,10 USD för samma femton sekunder.
• Grok Imagine Video 1.5 Lite på text-till-video-tavlan — även 8,40 dollar per minut, en prissättningsmärklighet som är värd att uppmärksamma snarare än att bortförklara.
• FastFrames-S – ingen taxa. En B200 för ungefär $2 till $4 per GPU-timme, som i den teoretiska gränsen genererar 28 femsekundersklipp per sekund verklig tid, så marginalkostnaden närmar sig elkostnaden.
• FastFrames-L — samma sak, på åtta GPU:er, vilket är där argumentet om "billigt" blir svårare.
Kostnadsargumentet vänder bara för FastFrames vid stora volymer, och bara om du redan äger GPU:erna. För ett team som hyr ligger brytpunkten så pass långt fram att latensen måste vara anledningen till att du väljer det, inte priset.

Där Grok Imagine Video helt enkelt ligger steget före
Tre levererade funktioner som FastFrames inte har i någon form.
• Upplösning – Grok Imagine Video ger 480p, 720p eller 1080p beroende på anropet; FastFrames är fast på 832×480.
• Ljud — xAI genererar bild och ljud tillsammans, med läppsynkroniserat tal och upp till tre förinställda röstreferenser; FastFrames producerar tyst video och har ingen ljudväg.
• Styryta – upp till 14 referensbilder, upp till fyra nyckelbilder mitt i videon plus första och sista bildrutan, samt förlängningar som kedjas från den sista bildrutan och upp till femton sekunder; FastFrames tar en textprompt, och det är hela gränssnittet.
När det gäller uppmätt kvalitet ligger Grok-familjen i mitten av listan snarare än i toppen, i Artificial Analysiss mätningar från oktober 2026: den ursprungliga versionen låg på trettonde plats på bild-till-video-listan med Elo 1 072 ±7 över 14 371 sampel, Grok Imagine Video 1.5 på nionde plats med 1 098 ±8 över 5 267 och 1.5 Lite-nivån på sextonde plats på text-till-video med 993 ±10 över 5 715. Så 1.5-uppdateringen gav cirka 26 Elo – en verklig förbättring i kanten av konfidensintervallen, inte ett stort kliv – till dubbelt pris per sekund. Det är tredjepartssiffror från oktober; FastFrames har ingen post i listan att jämföra med, och Apples egna VBench-summor på 84,23 och 84,44 för de små och stora modellerna är inte jämförbara med ett Elo.
Där FastFrames ligger före, och det är bara en axel
Hastighet, i överväldigande grad, och syftet som hastigheten tjänar. Grok Imagine Video är ett förfrågan-svar-system: du skickar en prompt, du väntar, du får ett klipp. FastFrames-S på en B200 returnerar bildrutor på 36 millisekunder var — 28 per sekund i sammanlagd genomströmning — vilket är snabbare än en ström på 16 fps spelas upp. 14B-modellen behöver åtta B200:or för att nå 45 ms per bildruta; på en enda GPU sjunker det till 158 ms och slutar vara interaktivt.
Det är inte så mycket ett nummer som får Grok att framstå som långsam, utan ett nummer som beskriver en annan produkt. xAI säljer färdiga kortklipp med ljud. Apple har publicerat en komponent för en live-loop – och demonstrerade den genom att göra andra människors system interaktiva, genom att sänka LingBot-Worlds 1,3B-variant från 1 085 till 52 ms per bildruta och dess 14B från 3 862 till 233, medan RealWonder 1,3B gick från 1 141 till 51. Inget av dessa system levererar heller ljud i 1080p. Den realistiska tolkningen är att FastFrames är en teknik som väntar på en produkt, och tekniken är bra: att ersätta VAE-avkodningen med en pixelavkodare med 63,87 miljoner parametrar tar det steget från cirka 147 ms till cirka 1 ms, och ett litet KV-förfiningsnätverk ersätter cacheuppdateringen på 2 till 6 ms.
Licensieringsfällan som ingen nämner i benchmarktabellen
FastFrames är öppet i en snäv, försiktig bemärkelse. Modellvikterna omfattas av Apples AMLR-villkor. Koden och vikterna för LingBot-World v2 som medföljer som demo är CC BY-NC-SA 4.0 – icke-kommersiell, dela-lika. Resten av kodförrådet lyder under Apples Sample Code Licence. Om du hade tänkt lägga in demappen i en kommersiell produkt stoppar licensen dig innan 480p-taket gör det. Grok Imagine Video har ingen sådan oklarhet: det är ett API, du betalar per sekund, och villkoren är ett tjänsteavtal snarare än ett beviljande av rättigheter i vikterna.
Den avvägningen förtjänar att sägas rakt ut, eftersom "öppna vikter" används som en förkortning för "fritt att använda" och den här utgåvan är inte det.

Hur man väljer mellan dem
Fråga vad som händer efter att klippet finns. Om en människa tittar på det en gång och går vidare – ett socialt inlägg, en storyboard, en annonsvariant – är Grok Imagine Video till $0,07–$0,14 per sekund med ljud och 1080p det billigare och bättre svaret, och FastFrames kan inte konkurrera om utdatakvalitet eftersom det inte producerar en färdig utdata. Om klippet är en indata till något annat – en förhandsvisning som uppdateras när en användare skriver, en karaktär som svarar inom en bildruta, en världsmodell som utforskas – då är prissättning per klipp och en förfrågningskö helt fel konstruktion, och FastFrames-S på en GPU är det enda i den här jämförelsen som passar.
För mellanfallet, där du vill testa om den interaktiva formen är värd att bygga innan du köper hårdvara, är den billigaste vägen att prototypa mot en hostad modell som du kan anropa i dag. OrcaRouter täcker de hostade videomodellerna med en enda nyckel till leverantörens listpris med 0 % påslag – bland dem Kling 3.0, Kling 3 Turbo, Kling Video O1 och MiniMax H3 – och den raka vidarefaktureringen innebär att en prisändring från leverantören når din faktura samma dag i stället för vid förnyelsen. Grok Imagine Video och FastFrames saknas båda i den katalogen: vi tillhandahåller ingendera, och inget här antyder något annat. Det som en enda nyckel ger dig är ett stabilt sätt att mäta vilken latens dina användare tolererar, och det är siffran som talar om huruvida Apples lansering överhuvudtaget är relevant för din färdplan.
Den ärliga sammanfattningen
Grok Imagine Video är den bättre videogeneratorn på alla punkter utom den som Apple optimerade, och Apple optimerade den punkten längre än någon annan har gjort. Om två år kommer den intressanta frågan inte att vara vilken av dessa två som är snabbast, eftersom den värdbaserade sidan kommer att ha kommit ikapp tillräckligt för att skillnaden slutar spela roll för de flesta produkter. Den kommer att vara om något värdbaserat låter dig styra en generering medan den fortfarande renderas. Det är förmågan som FastFrames demonstrerar, och inget API i den här jämförelsen marknadsför den.

