
FastFrames videogenerering vs HiDream O1 Video 1.0: latens, möt narrativ
- 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
Två lanseringar, tio veckor mellan, byggda på motsatta föreställningar om vad en videomodell är till för. HiDream O1 Video 1.0utgick från antagandet att ett klipp är en kortfilm: den planerar en narrativ båge, genererar fem till tjugo sekunder i 1080p med synkroniserat ljud och behandlar fysik som en begränsning snarare än en estetik. FastFrames Video Generationutgick från antagandet att en bildruta är en händelse som måste anlända innan nästa behövs, och den optimerade avståndet mellan bildrutor ner till 36 millisekunder – vid 480p, utan ljud, på vikter som Apple publicerade den 16 november 2026 tillsammans med en artikel daterad den 17:e. Ingen av dem är en sämre version av den andra. De är svar på olika frågor, och att välja en talar om för alla vilken fråga du ställde.
Den ena mäts med en resultattavla, den andra med ett tidtagarur.
Asymmetrin i bevisningen är det viktigaste på den här sidan. HiDream O1 Video 1.0 har rankats av en tredje part; FastFrames har inte rankats, och skulle inte kunna vara det i sin nuvarande form, eftersom en 480p text-till-video-modell utan ljud inte platsar på en bild-till-video-lista som förutsätter ljud.
• {{1}}HiDream O1 Video 1.0{{/1}} — på sjätte plats på {{2}}Artificial Analysis{{/2}}s bild-till-video-lista med ljudfiltret på, Elo 1 175 ±10 över 3 231 prover, till $5,80 per minut, i insamlingen från {{3}}10 oktober 2026{{/3}}. {{4}}Artificial Analysis{{/4}} noterar dess lansering som {{5}}28 augusti 2026{{/5}}, listposten som {{6}}10 september{{/6}} och {{7}}HiDream.ai{{/7}}s eget tillkännagivande som {{8}}17 september{{/8}}.
• FastFrames-S och FastFrames-L – ingen post på resultattavlan, ingen oberoende utvärdering. VBench-totalerna 84,23 och 84,44 är författarnas egna, från tabell 1 i artikeln, på samma promptar och seeds som varje baslinje i den tabellen.
• Påståendet som förbinder dem – inget har mätts. VBench-totaler och Elo är inte konverterbara, och ingen har kört båda på samma prompter.
Så det ärliga sättet att jämföra kvalitet är att avstå. Det som kan jämföras är förmåga, latens, pris och tillgång, och i tre av dessa fyra är svaret inte i närheten.

Vad HiDream O1 Video 1.0 ger dig för $5.80 per minut
Det är med bred marginal det mer ambitiösa systemet. HiDreams lanseringsmaterial beskriver tre steg – en planeringsfas, gemensam ljud- och videogenerering och sedan en anpassningsfas – med efterträning genom diffusion reinforcement learning mot en multimodell belöningsmodell. I praktiken visar det sig som en videomodell som själv avgör hur långt ett klipp bör vara i stället för att få det angivet: varaktigheten planeras narrativt inom fönstret 5 till 20 sekunder, och ljudet genereras tillsammans med bilden i stället för att läggas på i efterhand.
• Upplösning och längd — 1080p, 5 till 20 sekunder, varaktighet planerad snarare än vald.
• Ljud — genereras tillsammans med videon och synkroniseras med den, inte i ett separat steg.
• Conditioning — text, bild och video tillsammans, med exakt en referensbild som krävs på det hostade API:et.
• Fysik — behandlas som en genereringsbegränsning, vilket är påståendet bakom dess Elo över medianen.
Åtkomst – en värdbaserad MaaS-slutpunkt med en asynkron uppgift och pollningscykel, till $5,80 per minut utdata, vilket är cirka $0,097 per sekund.
• Öppna vikter — inga.
API:et är snävare än lanseringsmaterialet, och det är detaljen som överraskar team. Den publika slutpunkten tar emot exakt en referensbild, angiven som en publik URL eller Base64 utan data-URL-prefixet, mellan 40 KB och 20 MB. Prompten är valfri och är tom som standard. Det finns inget fält för referensvideo, ingen upplösningsväljare – bildförhållandet ärvs från referensen – och ingen ljudkontroll. Den enda inställningen är force_10s, en boolesk flagga. Och det finns en klientfälla värd att känna till innan du skriver pollningsloopen: att result.status på översta nivån når 1 betyder att alla deluppgifter har slutförts, inte att de lyckades. De faktiska utfallen finns i sub_task_results[].task_status, där 1 är lyckat, 3 är ett genereringsfel och 4 är en säkerhetsvägran. En naiv pollningsloop kommer att markera misslyckade genereringar som slutförda.
Vad FastFrames ger dig till priset av ett grafikkort
Mindre produkt, mer maskin. FastFrames är en autoregressiv videodiffusionsmodell destillerad från Wan2.1 — 1.3B-checkpointen från Wan2.1-T2V-1.3B, 14B från Wan2.1-T2V-14B — med ett recept som kallas Causal Forcing++. Dess bidrag är inte transformatorn utan det som omger den: VAE-avkodaren ersätts av en pixelavkodare med 63,87 miljoner parametrar som avger 4×16×16 RGB-värden per token genom tre kausala ConvNeXt-block och ett linjärt huvud, vilket minskar avkodningen från ungefär 147 millisekunder till cirka 1, och uppdateringen av KV-cachen blir ett litet förfiningsnätverk — delad stam, fyra uppmärksamhetsblock med 8 huvuden, ett residualreparationshuvud per DiT-lager — med en kostnad på 2 till 6 millisekunder. Själva DiT är fryst i det slutliga skedet.
• Utdata – 832×480, 81 bildrutor, 16 fps. Cirka 5,06 sekunder per generering, kan kedjas autoregressivt.
• Latens — 36 ms per bildruta för den lilla modellen på en B200, 45 ms för den stora modellen på åtta; 158 ms för den stora modellen på en GPU, och 127/116 ms vid 720p.
• Villkorning — endast text. Ingen bild, ingen video, inga nyckelbildrutor, ingen kamerakontroll.
• Ljud — inget.
• Åtkomst — vikter på Hugging Face under Apples AMLR-licens, kod på GitHub, Linux x86-64 med CUDA 12.8. Den medföljande LingBot-World v2-demon är CC BY-NC-SA 4.0, vilket förbjuder kommersiell användning av den delen.
• Pris — ingen hostad avgift någonstans. Du tillhandahåller hårdvaran.
Kvalitetspåståendet, för vad det är värt som en overifierad leverantörssiffra: 84,23 VBench totalt för den lilla modellen och 84,44 för den stora, mot 84,11 för Causal Forcing++-baslinjen vid 272 ms per bildruta och 84,65 för Wan2.2 14.3B vid 117 734 ms. Om de håller, matchar en modell som körs på en bråkdel av en millisekund mer per bildruta än baslinjen en modell som körs två tusen sex hundra gånger långsammare. Det är påståendet som ska testas, inte citeras.

Beslutet om de tre målgrupperna
Dela upp köparna efter vad de tillverkar, så är valet inte längre en jämförelse.
Om du producerar en färdig video
HiDream O1 Video 1.0 är den enda av de två som producerar en färdig video. 1080p, ljud, en längd anpassad efter innehållet, prissatt per sekund så att du kan prognostisera. Till $0,097 per sekund kostar ett tjugosekunders klipp $1,94, vilket är en normal budgetpost i en produktionsbudget. FastFrames kan inte delta i den här diskussionen oavsett volym, eftersom det inte kan leverera en fil som någon skulle vilja titta på.
Om du bygger ett interaktivt system
Det omvända gäller helt. HiDreams asynkrona cykel med uppgifter och pollning är strukturellt felaktig för allt som måste svara inom en bildruta – du skickar in, du väntar, du hämtar. FastFrames med 36 ms per bildruta på en B200 ger en hastighet som är snabbare än 16 fps uppspelning, vilket är tröskeln där en människa slutar märka att en maskin genererar. Om din produkt är en liveförhandsvisning, en avatar eller en styrbar scen finns det ingen hostad modell i den här artikeln som klarar jobbet, och Apples lansering är den mest trovärdiga öppna vägen dit – med förbehåll för licensgranskningen, som för demokomponenterna innebär endast icke-kommersiell användning.
Om du överväger att bygga någon av dem
Då är det billigaste experimentet att testa mot en hostad modell, och OrcaRouter är en enda nyckel för den hostade sidan: MiniMax H3, den närmaste hostade grannen till HiDreams ambitioner, står tillsammans med Kling 3.0, Kling 3 Turbo och Kling Video O1 i samma katalog, till leverantörens listpris som förs vidare med 0 % påslag så att en prisändring från leverantören hamnar på din faktura samma dag som den sker. Varken HiDream O1 Video 1.0 eller FastFrames serveras där – vi routar ingen av dem, och den här artikeln är inte ett påstående att vi gör det. Vad nyckeln ger är ett sätt att mäta din egen latenstolerans innan du spenderar på hårdvaran som FastFrames kräver, eftersom den mätningen är det enda som avgör om 36 millisekunder är värt 480p.
Vad skulle avgöra detta
Ett experiment: kör båda på samma tjugo promptar och lägg resultaten framför personer som inte visste vilken modell som hade skapat vilket. FastFrames kommer att förlora på varje prompt där ljud eller detaljer spelar roll, och det kan vinna på de där det är rörelsekoherensen som ögat fångar, eftersom autoregressiv generering är bra på precis det. Tills någon kör det är den försvarbara ståndpunkten att HiDream O1 Video 1.0 är den bättre videomodellen och att FastFrames är det bättre latensresultatet, och att det är två olika produkter som säljs — en per sekund, en per GPU-timme.

