
FastFrames videogenerering vs MiniMax H3: Tre brädor mot ett stoppur
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens
- 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
Det finns en version av den här jämförelsen som ställer två videomodeller sida vid sida och väljer den snabbare, och den skulle ta ungefär fyrahundra ord. Den skulle också vara felaktig, eftersom MiniMax H3 är en modell som du kan anropa per sekund och FastFrames Video Generation är en uppsättning vikter som du laddar ned och kör på hårdvara som du äger. H3 lanserades den 31 juli 2026 som ett omnimodalt system som läser text-, bild-, video- och ljudreferenser som en och samma kontext, genererar native stereoljud och ligger på andraplats på Artificial Analysiss resultattavla för bild-till-video med 1 181 Elo över 7 284 röster enligt avläsning den 8 oktober 2026. FastFrames kom den 16 november som två checkpoints, 1,3B och 14B, destillerade från Wan2.1 för att producera en 480p-bildruta på 36 millisekunder – och den förekommer inte på någon oberoende resultattavla alls. Det som skiljer dem åt är inte kvaliteten. Det är att en av dem är en produkt med ett offentligt resultat på en resultattavla och den andra är en artikel med ett stoppur.
Tre styrelser, en modell och vad varje styrelse faktiskt frågar
H3:s positioner är värda att anges exakt, eftersom siffran folk brukar citera oftast är fel.
• Bild-till-video — tvåa på 1 181 Elo över 7 284 röster, bakom MiniMax H3 Max på 1 195 och före Vidu Q4 Preview på 1 179. Sexton poäng täcker topp tre, vilket ligger inom intervallen; det är ett oavgjort resultat utklätt till en prispall.
• Text-till-video — på fjärde plats med 1 137 Elo baserat på 8 315 röster. Modellens svagare topplista, och den där en ljudlös 480p-forskningsmodell skulle tävla om den hade ett bidrag.
• Videoredigering — fjärdeplats med 1 119 Elo över 7 023 röster, på en lista som rangordnar modeller efter förmågan att redigera ett klipp enligt en textinstruktion med ljudet bevarat.
Tre förekomster innebär att tre olika förmågor har skickats in och mätts: generering från en stillbild, generering från text och omvandling av redan befintligt videomaterial. Den tredje är den som spelar störst roll för den här jämförelsen, eftersom den kräver att video kan tas emot som indata, och FastFrames accepterar inget annat än text.
Priserna finns på vårt eget modellkort: 0,08 USD per sekund vid 768p och 0,13 USD per sekund vid 2K, vilket är 4,80 USD och 7,80 USD per minut — samma två siffror som visas i arenans priskolumn, och samma modell i två upplösningsnivåer snarare än en premiumversion och en billig version. Ett 5-sekundersklipp vid 768p kostar 0,40 USD.
Vad 36 millisekunder inte inkluderar
FastFrames hastighet är verklig, och det är inte en hastighet för allmänna ändamål, och arkitekturen förklarar varför på ett sätt som en specifikationslista inte gör.
Båda checkpointarna är autoregressiva videodiffusionsmodeller destillerade från Wan2.1 via ett recept som kallas Causal Forcing++. Författarna lämnade i stort sett diffusionstransformatorn orörd och ersatte de två sakerna runt den som aldrig var poängen. VAE-dekodern – cirka 147 millisekunder per bildruta i Causal Forcing++-baslinjen – blir en pixeldekoder med 63,87 miljoner parametrar som producerar bildrutor direkt och hamnar nära 1 millisekund. KV-cacheuppdateringen blir ett litet förfiningsnätverk som kostar 2 millisekunder på 1,3B-modellen och 6 på 14B. Transformatorn är fryst under det sista steget.
På den lilla modellen minskar det från 271,8 millisekunder per bildruta till 35,8. På en B200 kör FastFrames-S ungefär 28 förfrågningar per sekund och producerar ett 5,06 sekunder långt klipp på 2,9 sekunder. 14B-modellen når 45 millisekunder bara med åtta B200; på en enda GPU försämras den till 158 millisekunder per bildruta, vilket är långsammare än att titta på resultatet. Vid 720p är det 127 millisekunder på den lilla modellen, och artikeln anger H100-straffet till 25 till 50 procent.
Det talet inte omfattar är allt som H3 ägnar sin tid åt. FastFrames genererar inget ljud. Det betingas enbart på text – ingen startbildruta, ingen slutbildruta, ingen referensbild, inget klipp att förlänga eller omstyla. Det genererar 81 bildrutor i 832×480 och 16 bildrutor per sekund, och det kedjar block i stället för att erbjuda nyckelbilds- eller kamerakontroll. Tre av de fyra indatamodaliteter som H3 accepterar finns inte i FastFrames inferensväg.

Varför hastigheten fortfarande är värd något ändå
Det skulle vara lätt att avfärda FastFrames efter föregående avsnitt, och det vore en felaktig tolkning. Siffran är inte en marknadsföringssiffra; den förändrar vilken typ av produkt som är möjlig.
Med 36 millisekunder per bildruta på en B200 blir en generering klar innan du hinner titta på den. Det är tröskeln där en förhandsvisningsloop slutar vara ett batchjobb och blir interaktiv: du skriver, du ser, du justerar, och maskinen håller jämna steg med justeringen. En 14B-modell på 45 millisekunder över en nod når dit i bemärkelsen batchad genomströmning, men den latens för en enskild ström som en person faktiskt upplever är den lilla modellens egenskap. Inget i H3:s offentliggjorda yta tar upp det användningsfallet, eftersom H3 mäts i sekunder färdig film snarare än i bildrutor som produceras per sekund i väggklockstid – de två är inte samma mätning och prislistan låter dig inte härleda den ena från den andra.
En andra ordningens konsekvens som artikeln uttryckligen lyfter fram: pixelavkodaren tränas per basmodell, men principen – frys transformatorn, lär in anslutningarna – har redan porterats till tredjepartssystem i artikelns egna experiment, vilket tar LingBot-World från 1 085 till 52 millisekunder per bildruta i 1,3B-varianten och från 3 862 till 233 i 14B. Det är ett resultat om en teknik, inte en produkt, och det är den del av den här lanseringen som har störst räckvidd.
Det ärliga läget för bevisningen på varje sida
Det är här matchningen slutar vara diskutabel i någon riktning, och det är värt att vara rak om båda delarna.
Allt som FastFrames hävdar om kvalitet kommer från dess egna författare. VBench-totalerna i tabell 1 är 84,23 för FastFrames-S och 84,44 för FastFrames-L, jämfört med 84,11 för baslinjen vid 272 millisekunder och 84,65 för Wan2.2 14.3B vid 117 734 millisekunder. Ingen oberoende aktör har reproducerat dem. VBench belönar den tidsmässiga jämnhet som autoregressiva modeller är byggda för att producera, och hela spridningen i Apples egen tabell är omkring två och en halv poäng medan latensspridningen över samma modeller är fyra storleksordningar. Läs tabellen som ett påstående om paritet, inte som en mätning av den.
H3:s positioner på listorna anger antal sampel och konfidensintervall, vilket är en starkare form av bevis och samtidigt en snävare sådan. En preferenslista talar om vilken utdata folk valde när de fick se två klipp; den säger inte vad något av klippen kostade att producera, om ljudet var i synk, eller om modellen skulle klara en burst på 40 förfrågningar vid 2K. Spridningen på sexton punkter högst upp på bild-till-video-listan är en bra påminnelse om att dessa siffror rangordnar uppfattningar, inte förmågor, och att varje sida som utser en vinnare utifrån en sextonpunktskillnad med ±10-intervall tolkar brus.
Så jämförelsen kokar ner till detta: den ena modellen har fått röster från tusentals människor och prissatts per sekund, och den andra har ett stoppur, en licensfil och en artikel. Det är olika typer av bevis, och ingendera ersätter den andra.
Två upphandlingsvägar som inte liknar varandra
Att köpa tid på H3 och att köra FastFrames omfattar nästan inga gemensamma steg, vilket är det praktiska skälet till att de sällan hamnar i samma beslut.
• H3 – ett pris per sekund på en hostad slutpunkt, 0,08 USD vid 768p och 0,13 USD vid 2K, på leverantörens eget API och via flera tredjepartsplattformar. Ingen hårdvara, ingen licensgranskning, ingen CUDA. Vi dirigerar det som minimax/minimax-h3 via det publika modell-API:et, debiterat enligt leverantörens listpris som förs vidare utan påslag, anropbart via samma OpenAI-kompatibla slutpunkt som språkmodellerna i katalogen.
• FastFrames — Linux x86-64, ett NVIDIA-grafikkort, CUDA 12.8, sedan uv sync och ett anrop till scripts/generate.py med en checkpoint-katalog och ett seed. Vikterna omfattas av Apples AMLR-villkor; demo-komponenterna för LingBot-World v2 i samma repository är CC BY-NC-SA 4.0, vilket är icke-kommersiellt; resten ligger under Apples Sample Code Licence. Apple har också publicerat varje checkpoint för varje träningssteg för den stora modellen, vilket är ovanligt och gör släppet reproducerbart på ett sätt som de flesta släpp med öppna vikter inte är.
• Den dolda kostnaden på båda sidor — H3:s per-sekund-mätare tickar oavsett om tagningen blev bra eller inte, och en underkänd tagning kostar lika mycket som en godkänd. FastFrames GPU-mätare fungerar på samma sätt, men till en marginell kostnad som är ett avrundningsfel om hårdvaran redan är avskriven och en stor fast kostnad om den inte är det.
En praktisk konsekvens av pass-through-prissättning hos oss: när MiniMax ändrar en per-sekund-taxa blir den ändringen synlig på rutten samma dag i stället för vid avtalsförnyelsen. FastFrames har ingen taxa att ändra.
Vad var och en är till för, formulerat som en mening du kan agera utifrån
Välj MiniMax H3 när indata är något annat än en textprompt, när leveransen behöver ljud, eller när ett femton sekunder långt klipp med förlängning över flera omgångar ligger närmare din tagning än 81 bildrutor i 480p. Det är den enda av de två som kan redigera filmmaterial, den enda som genererar ljud och den enda vars kvalitetspåstående har testats av personer som inte arbetar för företaget som gjorde den. Dess 2K-pris är också lägre än hos större delen av konkurrenterna på den nivån.
Välj FastFrames när loopen är produkten och bildrutan inte är slutleveransen — en liveförhandsvisning, en styrbar världsmodell, en avatar som måste svara inom en session, eller ett forskningsprogram som vill ändra hur en kausal videostack avkodar snarare än vad den genererar. Acceptera 480p, tystnad, inga referensindata och en licens som du måste läsa innan du släpper något kommersiellt.
FastFrames tillhandahålls inte av OrcaRouter, och den här sidan hävdar inte att så är fallet – det finns ingen hostad slutpunkt för Apples vikter. H3 är en annan sak: vi routar den som minimax/minimax-h3, tillsammans med Kling 3.0-familjen och över 200 språkmodeller, med en enda nyckel till leverantörens listpris med 0 % påslag och automatisk failover mellan slutpunkter. Det är det billiga sättet att ta reda på om en videomodell som prissätts per sekund passar din pipeline innan du lägger en fjärdedels GPU-budget på alternativet.

Det enda resultatet som skulle göra det här till en riktig tävling
Två saker skulle ändra tolkningen, och ingen av dem är en bättre demo.
Det första är FastFrames som dyker upp på en arena-tavla. Det kräver att någon är värd för det, och just nu gör ingen det – Apple har publicerat vikter men ingen slutpunkt, så det finns inget sätt för ett preferenstest att servera det till röstare. Tills det händer vilar modellens kvalitetspåstående helt på författarnas VBench-siffror, vilket är en svagare position än någon modell på H3:s tre tavlor intar.
Det andra är att MiniMax publicerar en latenssiffra. H3:s prislista anges i sekunder av utdata, och ingenstans i den strukturen finns en kostnad per bildruta som en läsare skulle kunna jämföra med 36 millisekunder. Om MiniMax eller en oberoende testare publicerade bildrutor per sekund vid en given upplösning och GPU, skulle de två modellerna äntligen gå att mäta på en gemensam axel. Det har de inte gjort, och det ligger inte i leverantörens kommersiella intresse att börja.

