Hero-kort som jämför FastFrames Video Generation och Seedance 2.5, där det vänstra kortet visar ”81 bildrutor, 5,06 s”, ”832x480, tyst” och ”36 ms per bildruta”, och det högra kortet visar ”30 sekunder i en körning”, ”30 bild- och 10 videoreferenser” samt ”tokenmätt”, med OrcaRouter-logotypen nere till höger.
Engineering & Research

FastFrames videogenerering vs Seedance 2.5: trettio sekunder mot åttioen bildrutor

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

En brief på trettio sekunder och en budget på åttioen bildrutor är två olika svar på samma fråga, och frågan är inte "hur snabbt". Seedance 2.5, ByteDances långformsalternativ från 31 juli 2026, genererar trettio sekunder i en enda körning och sträcker sig bortom det över flera turer, och läser upp till 30 bildreferenser, 10 videoreferenser och 10 ljudklipp som kontext. FastFrames Video Generation, Apples lansering den 16 november tillsammans med Cornell, genererar 81 bildrutor vid 832×480 och 16 bildrutor per sekund – 5,06 sekunder – på cirka 2,9 sekunder klocktid på en B200, utan referensindata av något slag. Om du någonsin har sett en regissör försöka hålla en prestation över ett klipp, vet du redan vilket av dessa två tal som är det svårare ingenjörsproblemet och vilket som är det svårare schemaläggningsproblemet. Den här sidan handlar om det andra, eftersom det är det som avgör budgetarna.

Två mätfilosofier, och ingen av dem är en prislista

Börja med hur varje modell fakturerar, eftersom enheterna inte kan omvandlas och varje jämförelse som låtsas något annat är aritmetik på ett kategorifel.

• Seedance 2.5 – mäts i videotokens av ByteDance enligt den officiella prislistan, publicerad via Volcano Engine Ark i Kina och BytePlus ModelArk internationellt. Vad ett klipp kostar beror på upplösning, längd och faktisk tokenanvändning, så en siffra per sekund gäller endast för en upplösning och en längd. Misslyckade tagningar debiteras samma som lyckade.

• Tredjepartsleverantörer för Seedance 2.5 – var och en lägger på sin egen marginal och publicerar sin egen taxa per sekund eller per klipp, vilket är anledningen till att ett dussin sidor anger ett dussin siffror och ingen av dem är leverantörens.

• {{1}}FastFrames — ingen mätare. Du köper GPU:n. En B200 för 1,3B-modellen, åtta för 14B för att förbli interaktiv. En generering som misslyckas kostar samma sekunder som en som lyckas, och båda mäts i el i stället för i dollar per utdata.{{/1}}

• Den enda oberoende datapunkten – Artificial Analysis registrerar Dreamina Seedance 2.5 till $34,12 per minut på text-till-video-tavlan och $40,82 för redigering, avläst 8 oktober 2026. Den kolumnen är kostnaden för en minut 1080p-utdata med modellens standardinställningar, och Seedance 2.5 använder som standard den längre, tyngre konfiguration som dess prislista tar betalt för. Använd den för storleksordningar, inte för en budgetpost.

Vilket innebär att det ärliga påståendet är att en av dessa modeller har ett pris som du inte kan förutse utifrån, och den andra har inget pris alls. FastFrames oförutsägbarhet ligger på din sida av räkenskapen – du vet hur många GPU-timmar du förbrukade – och Seedance 2.5:s ligger på leverantörens, eftersom antalet tokens beror på hur modellen väljer att lägga tokens på din prompt. Mellan dessa två är den andra den farligare att planera mot.

Vad referensbudgeten faktiskt köper

De publicerade referenssiffrorna framstår som en specifikationstävling och är egentligen ett påstående om förmåga.

• Bilder – Seedance 2.5 tar emot upp till 30 jämfört med FastFrames noll. Det finns ingen väg för bildkonditionering i FastFrames överhuvudtaget.

• Video — upp till 10 klipp som referenser. Det är den här som förändrar vad modellen är till för: en referensuppsättning som innehåller rörelse, tempo och kamerabeteende hämtat från befintligt material är ett annat slags objekt än en referensuppsättning som bara förmedlar utseende.

• Ljud — upp till 10 klipp. Seedance 2.5 genererar med ljud; FastFrames är tyst, och det finns ingen ljudväg i den släppta konfigurationen.

{{1}}Promptlängd{{/1}} — ingen publicerad gräns som spelar roll på den här detaljnivån för {{2}}Seedance{{/2}}; {{3}}FastFrames{{/3}} tar en textprompt och ett seed, och dess fönster på 81 bildrutor innebär att du beskriver en enda sammanhängande tagning snarare än en scen.

Trettio sekunder med en videoreferens är en tagning du kan regissera. Åttioen bildrutor från en prompt är en tagning du kan sampla. Båda är legitima produktionsmetoder; de är inte samma jobb, och referensbudgeten är det som gör dem till olika jobb snarare än olika kvalitetsnivåer.

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

Varför ett femsekundersfönster inte är den begränsning det ser ut att vara

Fem sekunder låter diskvalificerande i jämförelse med trettio, och arkitekturen är anledningen till att det är mindre dåligt än det låter — samtidigt som den också är anledningen till att det inte kan åtgärdas genom att be om fler bildrutor.

FastFrames är autoregressiv: varje block på 81 bildrutor betingas av det föregående, vilket är anledningen till att klippen överhuvudtaget kedjas samman. Författarnas bidrag är inte en snabbare transformer utan borttagandet av de två komponenterna runt omkring som aldrig var poängen. En pixelavkodare med 63,87 miljoner parametrar ersätter VAE-avkodaren och tar avkodningen från cirka 147 millisekunder per bildruta till ungefär 1. Ett litet förfiningsnätverk ersätter KV-cacheuppdateringen på 2 millisekunder i 1,3B-modellen och 6 i 14B-modellen. Själva transformatorn är fryst i slutskedet. I den lilla modellen blir 271,8 millisekunder per bildruta 35,8.

Att kedja ihop är dock inte detsamma som att förlänga. Det finns ingen nyckelbild, ingen startbild, ingen slutbild, ingen referensbild, inget klipp att fortsätta – så en enminutssekvens byggd av FastFrames är elva sammankedjade block utan någon mekanism för att behålla en karaktärs ansikte, en kostym eller en ljusriktning över skarvarna. Trettio sekunder i en enda körning ger Seedance 2.5 ett enda kontextfönster där konsistensen är modellens problem snarare än redigerarens. Den skillnaden är värd mer än den sexfaldiga varaktighetssiffran antyder, och det är inte något som hårdvaruförbättringar kommer att överbrygga.

Var hastigheten tar dig, och var den inte gör det

Omvandla 36 millisekunder till de enheter en produktperson bryr sig om, och bilden är snävare och mer intressant än rubriken.

• FastFrames-S på en B200 – 36 millisekunder per bildruta, cirka 28 förfrågningar per sekund, ett 5-sekundersklipp på 2,9 sekunder. Snabbare än uppspelning med en faktor på cirka 1,7.

• FastFrames-L på åtta B200 – 45 millisekunder per bildruta, cirka 22 förfrågningar per sekund, 3,6 sekunder för samma klipp.

• FastFrames-L på en GPU – 158 millisekunder per bildruta, vilket blir 12,8 sekunder för ett klipp på 5 sekunder. Långsammare än att titta på det. Den stora modellen är bara interaktiv via en nod.

• Vid 720p — 127 millisekunder på den lilla modellen, 116 på den stora över åtta GPU:er. Det är där interaktiviteten för enkel ström upphör.

• På H100 i stället för B200 – ett prestandastraff på 25 till 50 procent enligt uppsatsens egen uppskattning, vilket landar den lilla modellen på omkring 45 till 54 millisekunder per bildruta.

Seedance 2.5 publicerar inget jämförbart, eftersom det säljs i sekunder utdata snarare än i bildrutor per sekund i väggklockstid, och ingen tredje part har publicerat en latens per bildruta för det som den här sidan skulle kunna verifiera. Den asymmetrin är inte en kritik; det är en påminnelse om att de två modellerna är instrumenterade för att svara på olika frågor.

Vad den oberoende dokumentationen säger, på den enda sidan där den finns

Seedance 2.5 har en styrelsepost och det har inte FastFrames, och båda fakta behöver sägas rakt ut.

På Artificial Analysis videoediteringstavla, avläst den 8 oktober 2026, ligger Seedance 2.5 tvåa med 1 161 Elo över 5 162 röster – för redigering av ett klipp utifrån en textinstruktion med ljudet bevarat. Det ligger nedströms om videoreferensförmågan, och det är den typ av siffra som betyder något specifikt: flera tusen människor valde dess utdata framför en annan modells utdata i en uppgift som båda ombads utföra. Det är inte en dom över kvaliteten i allmänhet, och det säger inget om vad klippet kostade.

FastFrames har ingen post på listan eftersom det saknar en värd. Apple publicerade vikter och ingen endpoint, så inget preferenstest kan erbjuda det till röstare, och modellens kvalitetsanspråk vilar helt och hållet på dess egna författares tabell 1: VBench-totaler på 84,23 för FastFrames-S och 84,44 för FastFrames-L mot 84,11 för Causal Forcing++-baslinjen vid 272 millisekunder per bildruta, med Wan2.2 14.3B på 84,65. Oreproducerat, och på ett riktmärke som belönar precis den tidsmässiga jämnhet som autoregressiva modeller är byggda för att producera. Spridningen över Apples hela tabell är omkring två och en halv poäng medan latensspridningen över samma modeller är fyra storleksordningar — vilket är det starkaste argumentet i artikeln, och det är ett argument om vad riktmärken mäter snarare än om FastFrames kvalitet.

Kostnadsberäkning av en riktig brief

Ställ båda mot ett verkligt jobb, så krockar enheterna på ett sätt som är mer användbart än någon tabell.

• "En trettio sekunder lång produktfilm med en låst voice-over" – Seedance 2.5 kan göra det i en enda körning med flerstegsförlängning, genom att ta rösten som ljudreferens och produktstillbilderna som bildreferenser. FastFrames kan inte hålla ljudet, kan inte ta stillbilderna och skulle behöva flera kedjade block vars skarvar du sedan skulle behöva dölja. Jobbet går till en modell på kapacitetsgrunder innan priset ens kommer in i samtalet.

• "Hundra varianter av en femsekundersloop för en interaktiv display" – FastFrames på ett B200 producerar var och en på under tre sekunders reell tid, till en marginalkostnad som är ett avrundningsfel när kortet väl är avskrivet. Seedance 2.5 skulle debitera hundra genereringar, varav flera skulle förkastas, enligt en prislista som inte publicerar någon tydlig siffra per sekund att planera med.

• "En hero shot som måste se ut som materialet vi redan har klippt" — Seedance 2.5, eftersom videoreferensen är det enda sättet som någon av modellerna kan riktas mot befintligt material. FastFrames har ingen väg från ett klipp in till ett klipp ut.

• "Bevisa interaktionskonceptet innan vi köper hårdvara" – inget av dem, direkt. Seedance 2.5:s kostnad per sekund går bara att veta i efterhand, och FastFrames behöver hårdvaran först. Det billigaste draget är att prototypa mot en modell med publicerad sekundtaxa och en verklig latenssiffra och sedan bestämma sig.

OrcaRouter does not serve FastFrames — there is no hosted endpoint for Apple's weights anywhere, which is a statement about the release rather than about routing. What one key does reach today is the hosted video layer with published rates: MiniMax H3 at $0.08 per second at 768p and $0.13 at 2K, and the Kling 3.0 family, alongside 200-plus language models on one OpenAI-compatible endpoint at provider list price with 0% markup. Seedance 2.5 is not a route here either — ByteDance sells it through its own platforms and the token card is theirs — and this page is not pretending otherwise. The practical use of that catalogue in this comparison is measurement: get a real latency and cost baseline from a model whose meter you can read, before committing to either a GPU fleet or a token bill you cannot forecast.

Den öppna frågan, och den handlar om mätare snarare än modeller

Om ByteDance publicerade en exempeltabell över tokenpriser för fler inställningar skulle asymmetrin mellan förbrukningsbaserad och förutsägbar prissättning bli mycket lättare att planera kring, och en läsare skulle äntligen kunna jämföra Seedance 2.5 med en modell med prissättning per sekund utan att göra leverantörens räknearbete åt dem. Om Apple hostade FastFrames till vilket pris som helst skulle modellen få en arena-post och en latenssiffra som någon annan mätt — de två saker som skulle göra att dess 36 millisekunder kunde bedömas i stället för beundras.

Inget av dem har hänt. Tills ett av dem gör det är sättet att välja att lägga märke till vilken fråga du faktiskt ställer. Trettio sekunder i en körning svarar på "kan den här modellen hålla ihop en scen". Trettiosex millisekunder per bildruta svarar på "kan den här modellen hänga med en person". De är båda svåra, de är båda värda att betala för, och ingen enskild prislista prissätter båda.

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.