
FastFrames videogenerering vs Luma Ray 3.2: En ström av bildrutor mot en färgkorrigerad fil
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens
- 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 · 91 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 · 118 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 · 187 tok/s
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1M tokens · 143 tok/s
Luma Ray 3.2 och FastFrames Video Generation är båda diffusionsmodeller för video, båda lanserade 2026, båda levereras tidigast under andra halvåret i år – och de är inte utbytbara mot varandra i någon bemärkelse som en producent skulle känna igen. Ray 3.2, ute sedan 9 juni, slutar i en fil: upp till 1080p, fem eller tio sekunder, valfritt 10-, 12- eller 16-bitars HDR i ACES2065-1 EXR-standard, vilket är formatet en colorist graderar i. FastFrames, publicerad av Apple med Cornell den 16 november, slutar i en ström: 832×480, 81 bildrutor, en bildruta var 36:e millisekund på en enda B200, tyst, endast textprompt, vikter på Hugging Face. Den ena är byggd så att dess utdata överlever en efterbearbetningspipeline. Den andra är byggd så att dess utdata anländer innan du har tittat klart på den föregående. Allt nedan följer av den uppdelningen, inklusive det obekväma faktumet att ingen av modellerna har en oberoende poäng att avgöra frågan med.
Utdataformatet är argumentet, inte specifikationsbladet.
Börja med det som varje modell ger dig, för det är här jämförelsen faktiskt ligger.
• Ray 3.2 levererar MP4 som standard och levererar på begäran 10-, 12- eller 16-bitars HDR-bilder i ACES2065-1 EXR – men bara vid 720p och 1080p, och bara för fem sekunder långa klipp. Sömlös looping och EXR-vägen är båda funktioner för fem sekunder.
FastFrames levererar en MP4 med 81 bildrutor i 832×480 och 16 bildrutor per sekund, vilket är 5,06 sekunder tyst material. Det finns ingen EXR-väg, inget val av bitdjup och ingen exportdialog. Pixelavkodaren avger 8-bitars RGB per token och det är allt.
• Upplösningen har ett tak på 1080p mot en fast punkt på 480p – men jämförelsen är orättvis åt båda hållen, eftersom Ray 3.2:s 1080p HDR-läge inte finns för klipp på tio sekunder, och FastFrames 480p är inte en inställning som du kan höja.
• Kontrollgränssnitt: Ray 3.2 tar text, en startbildruta, en slutbildruta eller en befintlig video att ändra, plus upp till 16 nyckelbildrutor per klipp och spårning av ansiktsuttryck över upp till åtta ansikten. FastFrames tar en textprompt och ett seed.
Läs den listan igen och lägg märke till vad den antyder om köparen. Ray 3.2:s funktionsuppsättning är funktionsuppsättningen hos en tagning som redan finns i en redigering och behöver färdigställas, revideras eller förlängas. FastFrames funktionsuppsättning är funktionsuppsättningen hos ett system som ännu inte har bestämt vad tagningen är.
Ray 3.2, läs som ett verktyg för efterproduktion
EXR-vägen är hela anledningen till att den här modellen finns i sin nuvarande form, och den medför begränsningar som de flesta genomgångar hoppar över.
Den genererar i 540p, 720p och 1080p, i klipp på fem eller tio sekunder, över sex bildförhållanden som täcker vertikalt, kvadratiskt och bredbild – men generering på tio sekunder är endast text-till-video, så de bildvillkorade och videovillkorade vägarna är begränsade till fem sekunder. HDR är en inställning för 720p och 1080p på fem sekunder som måste aktiveras: du aktiverar HDR för att få EXR-exporten i stället för att få den automatiskt. Ljud är den andra begränsningen, och den slår till på sätt som folk inte förväntar sig. Ray 3.2 genererar inte synkroniserat ljud för text-till-video eller bild-till-video; ljud överlever bara när du ändrar eller omramar befintligt material som redan har ett ljudspår. För en modell som är positionerad för finishing är det konsekvent – ljudet kommer från redigeringen, inte från generatorn – men den som letar efter en modell för video med ljud i ett enda anrop bör sluta läsa här.
Den kommersiella strukturen spelar också roll. Ray 3.2 är den första modellen i Ray-familjen med ett fullständigt API för utvecklare, uppdelat i Build-nivån med betala vid användning och Scale-nivån med reserverad genomströmning och SLA. Tidigare Ray-modeller var enbart prenumerationsbaserade, vilket innebär att familjens prishistorik inte är någon vägledning för den här modellens. Kostnaden per klipp varierar med upplösning, dynamiskt omfång och längd tillsammans; tredjepartslistningar anger ett femsekunders 720p-klipp till nära $0,30 och ett 1080p-klipp till nära $1,20, och HDR- eller EXR-export multiplicerar klippkostnaden i stället för att lägga till något. Betrakta dem som aggregatoraritmetik mot Lumas prislista snarare än som Lumas egen publicerade siffra.
En namnfälla värd den mening den kostar: Lumas versionsnummer stiger inte på det sätt de ser ut att göra. Ray3.14 släpptes den 26 januari 2026 och Ray 3.2 den 9 juni 2026, så det lägre numret är den nyare modellen, och Luma har övergett varumärket Dream Machine som de flesta äldre guider fortfarande bygger på.
FastFrames, läs som en renderingsloop
FastFrames är inte en mindre Ray 3.2. Det är ett destillationsresultat publicerat som vikter, och arkitekturen förklarar både hastigheten och de saknade funktionerna.
Båda checkpointarna är autoregressiva videodiffusionsmodeller byggda på Wan2.1 – FastFrames-S från Wan2.1-T2V-1.3B och FastFrames-L från Wan2.1-T2V-14B – som körts genom ett recept som författarna kallar Causal Forcing++. Artikelns bidrag är inte en snabbare transformer. Det är borttagandet av två dyra komponenter runt transformern: VAE-dekodern, som kostade ungefär 147 millisekunder per bildruta i baslinjen och ersätts av en pixeldekoder med 63,87 miljoner parametrar som landar nära 1 millisekund, och KV-cache-uppdateringen, som blir ett litet förfiningsnätverk som kostar 2 millisekunder på den lilla modellen och 6 på den stora. Själva transformern är fryst i det slutliga steget.
Räknar man samman det för 1,3B-modellen blir 271,8 millisekunder per bildruta 35,8. På en B200 är det cirka 28 förfrågningar per sekund, eller ett 5-sekundersklipp på 2,9 sekunder. 14B-modellen behöver åtta B200 för att ligga på 45 millisekunder och 22 förfrågningar per sekund; på en enda GPU faller den till 158 millisekunder, vilket är långsammare än uppspelning. Vid 720p behöver den lilla modellen 127 millisekunder per bildruta och den stora 116 på åtta GPU:er, och enligt artikeln tillkommer 25 till 50 procent i H100-straff.
Autoregressiv generering är anledningen till att 81 bildrutor inte är så begränsande som det låter, och också anledningen till att modellen inte kan göra det som Ray 3.2 gör. Eftersom varje block betingas av det föregående kedjas klipp samman – men kedjning är inte nyckelbildsstyrning, och det finns ingen väg att mata in en startbildruta, en slutbildruta, en referensbild eller ett befintligt klipp. Modellen har ingen form av bildbetingning.


Mätgapet är verkligt, och det går åt båda hållen
Ingen av modellerna kan rangordnas, och skälen skiljer sig tillräckligt mycket för att vara värda att hållas åtskilda.
Ray 3.2 finns inte med i Artificial Analysis videoarena — varken för text-till-video eller bild-till-video, kontrollerat den 18 september 2026 för den här bloggen. Det Luma i stället publicerar är en intern Ray3-utvärderingsrapport som hävdar paritet med Veo 3 och ett försprång framför flera konkurrenter, utan att några numeriska poäng bifogas, samt ett påstående att dess API har mindre än halva priset och latensen jämfört med jämförbara modeller, också utan kvantifiering. Det är positioneringsdokument. De är inte jämförbara med ett arena-Elo med urvalsstorlek och konfidensintervall, och ingen sida bör presentera dem som om de vore det.
FastFrames har det motsatta problemet: det har siffror, och alla kommer från dess egna författare. VBench-totalerna i tabell 1 i artikeln är 84,23 för FastFrames-S och 84,44 för FastFrames-L, mot 84,11 för Causal Forcing++, baslinjen som den destillerades från, vid 272 millisekunder per bildruta. Wan2.1 1.3B, basmodellen, får 83,80 vid 30 444 millisekunder. Wan2.2 14.3B får 84,65 vid 117 734. Ingen oberoende aktör har reproducerat något av det, och VBench är ett riktmärke som belönar exakt den tidsmässiga jämnhet som autoregressiva modeller är bra på. Artikelns egen tabell är ett påstående om likvärdighet över en platå från 83 till 85,5, inte en mätning av kvalitet.
Det de två gapen har gemensamt är det viktigaste att ta med sig: spridningen i VBench-totaler över varje modell på Apples lista är ungefär två och en halv poäng, medan spridningen i latens över samma lista är fyra storleksordningar. Vad det benchmarket än mäter, så slutade det för ett tag sedan att skilja mellan dessa system. Båda dessa modeller säljs på axlar som VBench inte ser.
Kostar ett skott i varje
Ställ en konkret brief mot båda prislistorna, och då går matematiken inte längre att jämföra alls.
• Ett 1080p HDR-klipp på fem sekunder – Ray 3.2, cirka 1,20 USD enligt listpriser före HDR-multiplikatorn, levererat som EXR som går direkt in i en grade. FastFrames kan inte producera den här tagningen till något pris.
• Ett tyst 480p-klipp på fem sekunder — FastFrames, en B200 i 2,9 sekunders väggklockstid på den lilla modellen, eller åtta B200:or i 3,6 sekunder på den stora. Ray 3.2 genererar inte alls vid 480p; dess lägsta nivå är 540p.
• Tio sekunder av vad som helst – Ray 3.2 endast från text, vid 1080p eller lägre. FastFrames når tio sekunder genom att kedja två block på 81 bildrutor och hoppas att skarven håller.
• Nittio tagningar av samma scen – det är här ekonomin vänds. Ray 3.2 tar betalt per klipp, så hundra försök kostar hundra klipp. FastFrames tar betalt per GPU-sekund, så hundra försök kostar hundra gånger 2,9 sekunder av en maskin du redan hyr.
• Hårdvaran du inte har — FastFrames kräver Linux x86-64, ett NVIDIA GPU och CUDA 12.8, och repositoryt levererar en fungerande inferensväg, ett skript för latensbenchmark, ett VBench-utvärderingsarbetsflöde och en demoapp. Inget av detta är en hostad tjänst.
Den där linjen om nittio tagningar är den verkliga skillnaden. Fakturering per klipp prissätter en leverabel; fakturering per GPU-sekund prissätter utforskande. Om din process är "generera tills det blir rätt" är den andra modellen en storleksordning billigare och sämre på alla andra axlar. Om din process är "generera en enda sak som måste klara en färgkorrigering" är den första modellen den enda av de två som kan göra jobbet.
Licensen avgör mer än databladet.
FastFrames vikter omfattas av Apples AMLR-villkor, och demo-komponenterna för LingBot-World v2 i samma repository är CC BY-NC-SA 4.0 – icke-kommersiellt. Resten omfattas av Apples Sample Code Licence. "Öppna vikter" och "fritt att kommersialisera" är inte synonymer, och den här utgåvan är medvetet noggrann med skillnaden på ett sätt som Ray 3.2, som säljs under ett kommersiellt API-avtal med en Build-nivå och en Scale-nivå med SLA, helt enkelt inte är.
Så upphandlingsfrågan går i motsatt riktning mot den tekniska. Ray 3.2 ber dig acceptera en leverantörsrelation: prislista, användarvillkor, genomströmningsåtagande om du köper Scale, en endpoint som kan förändras under dig. FastFrames ber dig läsa tre licenser och ta ansvar för GPU:erna. För en studio som redan har en juridisk granskningsprocess för API-leverantörer är det första enklare. För en forskargrupp som redan har B200:or och en complianceansvarig som läser licenser för nöjes skull är det andra enklare.
Var var och en hör hemma, och frågan som skulle ändra på detta
Sätt Ray 3.2 i slutet av pipelinen och FastFrames i början av den, så slutar de två konkurrera. Ray 3.2 är det du tar till när redigeringen finns, färgpipelinen är verklig och tagningen måste komma ut på andra sidan färgkorrigerbar i 10 bitar eller bättre – med acceptans för 1080p, fem sekunder långa HDR-klipp, inget genererat ljud och en kostnad per klipp som multipliceras med det dynamiska omfånget. FastFrames är det du tar till när loopen är produkten: en liveförhandsvisning, en styrbar världsmodell, en avatar som svarar inom en session – med acceptans för 480p, tystnad, inga referensindata och en licens du måste läsa innan du levererar.
Ingen av dessa är en route på OrcaRouter, och den här texten påstår inte motsatsen. Det en nyckel faktiskt når är det hostade videolager som redan fungerar i dag – MiniMax H3 för 0,08 USD per sekund vid 768p och 0,13 USD vid 2K, och Kling 3.0-familjen – tillsammans med över 200 språkmodeller, till leverantörernas listpriser som förs vidare med 0 % påslag så att en leverantörsprissänkning slår igenom här samma dag som den tillkännages, med automatisk failover om en endpoint försämras mitt i kön. För ett team som utvärderar någon av modellerna ovan är det det billiga sättet att mäta hur en verklig latens- och kostnadsprofil ser ut innan man satsar GPU-budget eller ett Scale-avtal på en hypotes.
Det som skulle avgöra den här jämförelsen är inte en bättre demo från någon av sidorna. Det är en oberoende mätning av Ray 3.2 på image-to-video-arenan, så att den avslutande modellen överhuvudtaget har en siffra, och en reproduktion av FastFrames 84,4 av någon som inte arbetar på Apple eller Cornell. Tills båda finns är det ärliga underlaget för att välja leveransen – och på den axeln är dessa två modeller inte tillräckligt nära för att förväxlas.

