
FastFrames ของ Apple สร้างวิดีโอได้เร็วกว่าที่คุณจะดูทัน
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
สามสิบหกมิลลิวินาทีต่อเฟรม นั่นคือตัวเลขที่อยู่ด้านบนของ FastFrames Video Generation ซึ่งเป็นรีลีสที่ Apple เผยแพร่ร่วมกับ Cornell เมื่อวันที่ 16 พฤศจิกายน 2026 — น้ำหนักบน Hugging Face ในชื่อ FastFrames-S ที่ 1.3 พันล้านพารามิเตอร์ และ FastFrames-L ที่ 14 พันล้านพารามิเตอร์ พร้อมเปเปอร์ชื่อ "FastFrames: Video Generation at Interactive Latency" ในวันถัดมา ลองคำนวณก่อนอ่านอย่างอื่น: คลิปหนึ่งคือ 81 เฟรมที่ 832×480 และ 16 เฟรมต่อวินาที ซึ่งเท่ากับวิดีโอ 5.06 วินาที ที่ 36 มิลลิวินาทีต่อเฟรมบน B200 ตัวเดียว โมเดลขนาดเล็กสร้างคลิปนั้นใน 2.9 วินาที ไม่ใช่เร็วกว่าทางเลือกอื่น — แต่เร็วกว่าการเล่นกลับ คำถามที่น่าสนใจไม่ใช่ว่าตัวเลขนั้นเป็นจริงหรือไม่ แต่คือสิ่งที่ Apple แลกไปเพื่อให้ได้มา และการแลกเปลี่ยนนั้นเป็นสิ่งที่คุณอยู่ด้วยได้หรือไม่
อะไรที่ปล่อยออกมาจริง และเมื่อไหร่
เช็กพอยต์สองตัว ทั้งคู่เป็นแบบข้อความเป็นวิดีโอ ทั้งคู่ไม่มีการจำกัดการเข้าถึงและดาวน์โหลดได้ ณ สัปดาห์นี้ รีโพซิทอรีบน Hugging Face ถูกสร้างเมื่อวันที่ 16 พฤศจิกายน 2026 และยังมีการแก้ไขอยู่จนถึงเช้าวันที่ 18 พฤศจิกายน ส่วน arXiv preprint (2611.23226) ลงวันที่ 17 พฤศจิกายน ดังนั้นนี่คือรีลีสที่ออกมาได้สองวัน ไม่ใช่โมเดลที่มีผลงานเป็นที่ประจักษ์ และไม่มีสิ่งใดในนี้ที่ถูกประเมินอย่างอิสระ ทุกอย่างที่ตามมาคือการวัดของผู้เขียนเองหรือคุณลักษณะของเวตที่เผยแพร่
• ขนาด — FastFrames-S ที่ 1.3B พารามิเตอร์, FastFrames-L ที่ 14B (14.3B เมื่อนับรวมหัวที่เพิ่มเข้ามา)
• โมเดลพื้นฐาน — กลั่นมาจาก Wan2.1-T2V-1.3B และ Wan2.1-T2V-14B ตามลำดับ โดยใช้สูตรที่ผู้เขียนเรียกว่า Causal Forcing++
• เอาต์พุต — 832×480 ที่ 16 fps, 81 เฟรมต่อการสร้าง, เป็นแบบ autoregressive จึงสามารถเชื่อมคลิปต่อกันได้
• เวต — เปิดบน Hugging Face พร้อมติดแท็กสัญญาอนุญาต AMLR ของ Apple; โค้ดเดโม LingBot-World v2 อยู่ภายใต้ CC BY-NC-SA 4.0 ซึ่งเป็นแบบไม่ใช้เชิงพาณิชย์ และส่วนที่เหลือของรีโพซิทอรีอยู่ภายใต้ Apple's Sample Code Licence
• การกำหนดราคา — ไม่มี ไม่มีเอนด์พอยต์ FastFrames ที่โฮสต์โดย Apple; คุณรันมันบน GPU ของคุณเอง
บรรทัดสุดท้ายคือบรรทัดที่ต้องซึมซับให้ขึ้นใจ FastFrames เป็นการเผยแพร่ผลงานวิจัยพร้อมน้ำหนักที่ดาวน์โหลดได้ ซึ่งเป็นสิ่งที่แตกต่างจากผลิตภัณฑ์ ไม่มีอัตราค่าบริการต่อวินาที ไม่มีคิว ไม่มี SLA และไม่มีวิธีเรียกใช้งานได้หากไม่มี NVIDIA GPU และ CUDA 12.8

มิลลิวินาทีหายไปไหน
แนวคิดทางสถาปัตยกรรมนี้เจาะจงแคบกว่า "โมเดลที่เร็วกว่า" และน่าสนใจกว่า FastFrames เป็นโมเดลการแพร่กระจายวิดีโอแบบ autoregressive ซึ่งหมายความว่ามันสร้างบล็อกของเฟรมโดยมีเงื่อนไขจากสิ่งที่เกิดขึ้นก่อนหน้า ในฐานไลน์ที่มันสร้างขึ้นมา Causal Forcing++ การสร้างบล็อก 81 เฟรมหนึ่งบล็อกมีต้นทุน 271.8 มิลลิวินาทีต่อเฟรม และส่วนแบ่งจำนวนมากของต้นทุนนั้นไม่ใช่ทรานส์ฟอร์เมอร์เลย — แต่เป็นการถอดรหัสเลเทนต์กลับเป็นพิกเซลด้วย variational autoencoder บวกกับขั้นตอนที่อัปเดต KV cache เพื่อให้บล็อกถัดไปรู้ว่าเกิดอะไรขึ้นในบล็อกนี้
ทีมของ Apple แทนที่ปลายทั้งสองข้างของลูปนั้นด้วยเครือข่ายขนาดเล็กที่ผ่านการเรียนรู้ และปล่อย diffusion transformer ไว้เหมือนเดิม
• VAE decoder หายไปแล้ว — pixel decoder ที่มีพารามิเตอร์ 63.87 ล้านตัว ซึ่งประกอบด้วยบล็อก ConvNeXt แบบ causal สามบล็อกและเลเยอร์เชิงเส้นสุดท้ายที่ส่งออกค่า RGB ขนาด 4×16×16 ต่อโทเค็น จะสร้างเฟรมโดยตรง การถอดรหัสลดลงจากประมาณ 147 มิลลิวินาทีเหลือราว 1 มิลลิวินาที
• การอัปเดต KV cache ตอนนี้เป็นเครือข่ายขนาดเล็ก ประกอบด้วย shared stem, บล็อก self-attention แบบ 8 หัว จำนวนสี่บล็อก และ residual repair head หนึ่งตัวต่อเลเยอร์ DiT โดยใช้เวลา 2 มิลลิวินาทีบนโมเดลขนาดเล็ก และ 6 มิลลิวินาทีบนโมเดลขนาดใหญ่
• ตัว transformer เองแทบไม่เปลี่ยนแปลง และถูกแช่แข็ง (frozen) ไว้ในช่วงขั้นตอนสุดท้าย บนโมเดล 1.3B เวลา DiT ลดลงจาก 41.6 เหลือ 16.4 มิลลิวินาที ส่วนบนโมเดล 14B ลดลงจาก 89.2 เหลือ 75.6
พอรวมตัวเลขเหล่านั้นบนโมเดล 1.3B แล้ว 271.8 มิลลิวินาทีก็กลายเป็น 35.8 นั่นคือกลเม็ดทั้งหมด และเป็นกลเม็ดที่ดีด้วย: ผู้เขียนไม่ได้ทำให้ diffusion transformer เร็วขึ้น แต่พวกเขาเอาส่วนต่างๆ รอบๆ มันออกไปซึ่งไม่เคยเป็นประเด็นสำคัญเลย ตัวถอดรหัสพิกเซลถูกฝึกบน B200 จำนวน 32 ตัวเป็นเวลาประมาณหนึ่งสัปดาห์ด้วย rollout 150,000 ครั้ง โดยมีขั้นตอนแบบ adversarial บน B200 จำนวน 8 ตัวโดยใช้ discriminator DINOv3 ViT-S/16 แบบ frozen เพื่อป้องกันไม่ให้มันสร้างเฟรมที่ดูนุ่มนวล
ข้อกล่าวอ้างด้านคุณภาพ และผู้ที่ตรวจสอบข้อกล่าวอ้างนั้น
นี่คือส่วนที่ต้องมีป้ายกำกับ ตัวเลข VBench ด้านล่างเป็นตัวเลขของผู้เขียนเอง รันบนพรอมป์และซีดเดียวกันที่ 480p และรายงานไว้ใน Table 1 ของ論文 ยังไม่มีใครที่เป็นอิสระทำซ้ำตัวเลขเหล่านี้ได้ และ VBench เป็นเบนช์มาร์กที่ให้รางวัลกับความเนียนเชิงเวลาชนิดที่โมเดล autoregressive เก่ง มองตัวเลขเหล่านี้เป็นข้ออ้างเรื่องความเท่าเทียม ไม่ใช่การวัดความเท่าเทียมนั้น
• FastFrames-S — คะแนน VBench รวม 84.23, คุณภาพ 85.30, เชิงความหมาย 79.92 ที่ 36 ms ต่อเฟรม
• FastFrames-L — คะแนนรวม 84.44, คุณภาพ 85.48, เชิงความหมาย 80.29 ใช้เวลา 45 มิลลิวินาทีต่อเฟรมบน B200s จำนวนแปดตัว
• Causal Forcing++ ซึ่งเป็น baseline ที่ถูก distill มา — ได้ 84.11 คะแนนรวมที่ 272 ms ต่อเฟรม ช้ากว่าประมาณ 7.6 เท่า โดยได้คะแนนน้อยกว่า 0.1 ถึง 0.3 คะแนน
• Krea-Realtime — คะแนนรวม 84.42 ที่ 1,675 มิลลิวินาทีต่อเฟรม; บทความอ้างว่ามีความสมจริง การปฏิบัติตามพรอมต์ องค์ประกอบภาพ และการเรนเดอร์ข้อความที่เทียบเคียงได้ ด้วยความเร็วมากกว่าสิบเท่า
• Self-Forcing — 84.10 ที่ 717 มิลลิวินาที; CausVid 83.18 ที่ 662 มิลลิวินาที; LongLive2.0 83.65 ที่ 505 มิลลิวินาที
• Wan2.1 1.3B ซึ่งเป็นโมเดลพื้นฐาน — 83.80 ที่ 30,444 มิลลิวินาทีต่อเฟรม
• Wan2.2 14.3B — 84.65 ที่ 117,734 ms ต่อเฟรม นั่นคือตัวเลขที่ควรหยุดคิดดู: เป็นยอดรวมที่ดีที่สุดบนโต๊ะ โดยมีต้นทุนต่อเฟรมสูงกว่า FastFrames-L ประมาณ 2,600 เท่า
• MiniMax-H3 33.1B — 84.43 ที่ 38,454 ms; HunyuanVideo1.5 8.3B — 83.18 ที่ 1,555,508 ms
รูปแบบคือจุดอิ่มตัวของคุณภาพที่แบนราบตั้งแต่ 83 ถึง 85.5 ในทุกโมเดลในรายการ และการกระจายของ latency ที่กว้างถึงสี่ลำดับขนาด ไม่ว่า VBench total จะวัดอะไร มันหยุดแยกความแตกต่างระหว่างระบบเหล่านี้ไปสักพักแล้ว สิ่งที่แยกพวกมันตอนนี้คือความเร็วในการทำงาน และความละเอียดกับเสียงที่พวกมันผลิตได้ — และ FastFrames ชนะคอลัมน์แรกแบบทิ้งห่าง ขณะที่แพ้คอลัมน์ที่สองแบบขาดลอย
36 มิลลิวินาทีต่อเฟรมให้อะไรได้จริงบ้าง
แปลงให้เป็นหน่วยที่คนสายผลิตภัณฑ์สนใจ ผู้เขียนรายงานทั้งทรูพุตและความหน่วง ซึ่งสองสิ่งนี้เล่าเรื่องที่แตกต่างกัน ขึ้นอยู่กับว่าคุณมี GPU จำนวนเท่าใด
• FastFrames-S บน B200 หนึ่งเครื่อง — 36 มิลลิวินาทีต่อเฟรม ประมาณ 28 คำขอต่อวินาที คลิปความยาว 5 วินาทีใช้เวลา 2.9 วินาที หรือเร็วกว่าความเร็วที่คุณรับชมได้ 1.7 เท่า
• FastFrames-L พร้อม B200 จำนวนแปดตัว — 45 มิลลิวินาทีต่อเฟรม ประมาณ 22 คำขอต่อวินาที คลิป 5 วินาทีใช้เวลา 3.6 วินาที
• FastFrames-L บน GPU หนึ่งตัว — 158 ms ต่อเฟรม ประมาณ 6.3 คำขอต่อวินาที คลิปเดียวกันใช้เวลา 12.8 วินาที ซึ่งช้ากว่าการเล่นแบบเรียลไทม์ โมเดลขนาดใหญ่จะใช้งานแบบอินเทอร์แอกทีฟได้ก็ต่อเมื่อกระจายโมเดลไปทั่วทั้งโหนด
• ที่ 720p — 127 ms ต่อเฟรมสำหรับโมเดลขนาดเล็ก และ 116 ms สำหรับโมเดลขนาดใหญ่บน GPU จำนวนแปดตัว ซึ่งเป็นจุดที่คำว่า “อินเทอร์แอกทีฟ” ไม่เป็นจริงอีกต่อไปสำหรับเซสชันแบบสตรีมเดียว
• บน H100 แทนที่จะเป็น B200 — เปเปอร์ระบุว่าค่าปรับอยู่ที่ 25 ถึง 50 เปอร์เซ็นต์ ดังนั้นโมเดลเล็กจึงอยู่ที่ประมาณ 45 ถึง 54 มิลลิวินาทีต่อเฟรม
ข้อกล่าวอ้างที่ยังคงอยู่คือข้อกล่าวอ้างเกี่ยวกับโมเดลขนาดเล็กบนฮาร์ดแวร์ปัจจุบัน FastFrames-S บน B200 หนึ่งตัวเร็วกว่าเวลาจริงอย่างแท้จริง ซึ่งเป็นสิ่งที่ทำให้ลูปพรีวิวสด อวตารแบบสตรีมมิ่ง หรือเวิลด์โมเดลที่ควบคุมได้เป็นไปได้โดยไม่ต้องมีฟาร์มเรนเดอร์ ส่วน 14B เป็นแบบโต้ตอบได้เฉพาะในความหมายของทรูพุตแบบแบตช์เท่านั้น
การรันด้วยตนเอง
รีโพซิทอรีนี้มาพร้อมเส้นทางการอนุมานที่ใช้งานได้จริง ไม่ใช่แค่น้ำหนักโมเดล คุณต้องใช้ Linux x86-64, GPU NVIDIA และ CUDA 12.8 จากนั้นรัน uv sync และ uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4 มีสคริปต์วัดประสิทธิภาพด้าน latency ที่รับจำนวน GPU, เวิร์กโฟลว์การประเมิน VBench และแอปเดโมภายใต้ apps/lingbot ที่ให้บริการบนพอร์ต 8000 Apple ยังเผยแพร่เช็กพอยต์ของทุกขั้นตอนการฝึกสำหรับโมเดลขนาดใหญ่ — ได้แก่ teacher แบบ causal, ขั้นตอนที่กลั่นด้วย consistency distillation, ขั้นตอนที่กลั่นด้วย DMD และตัวสร้างขั้นสุดท้ายพร้อมตัวถอดรหัสพิกเซลและเครือข่ายปรับแต่ง KV — ซึ่งเป็นเรื่องผิดปกติและทำให้การเปิดตัวนี้สามารถทำซ้ำได้ในแบบที่การปล่อย "open weights" ส่วนใหญ่ทำไม่ได้

หากคุณไม่มี GPU คำตอบตามตรงคือ OrcaRouter ไม่ได้ให้บริการ FastFrames และก็ไม่มีใครอื่นให้บริการเช่นกัน — ไม่มีปลายทางแบบโฮสต์ให้ส่งต่อไป สิ่งที่คีย์ OrcaRouter หนึ่งคีย์ครอบคลุมได้คือโมเดลวิดีโอแบบโฮสต์ที่ใช้งานได้จริงในวันนี้ รวมถึง Kling 3.0 และ Kling 3 Turbo, Kling Video O1 และ MiniMax H3 ในราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยไม่บวกราคาเพิ่ม 0% ดังนั้นการเปลี่ยนแปลงราคาจากผู้ขายจะถึงคุณภายในวันเดียวกัน ไม่ใช่รอบบิลถัดไป รูปแบบที่สมเหตุสมผลสำหรับทีมที่สนใจ FastFrames คือการสร้างต้นแบบไอเดียผลิตภัณฑ์กับโมเดลแบบโฮสต์ที่คุณวัดเวลาตอบสนองได้ และซื้อเวลา GPU ก็ต่อเมื่อคุณรู้ว่าลูปนั้นคุ้มค่าแล้ว
สิ่งที่มันทำไม่ได้
ข้อจำกัดสามข้อ และไม่มีข้อไหนที่จะถูกแพตช์ในสัปดาห์หน้า
• ความละเอียด — 480p เท่านั้น Apple รายงานตัวเลขความหน่วงที่ 720p แต่การกำหนดค่าที่วางจำหน่ายจริงคือ 832×480 คู่แข่งทุกรายในระดับราคานี้เสนออย่างน้อย 1080p
• เสียง — ไม่มี FastFrames เป็นแบบไม่มีเสียง ส่วน Veo, Kling, Grok Imagine และ HiDream ต่างสร้างเสียงที่ซิงโครไนซ์กันในคำขอเดียวกัน
• ระยะเวลาและการควบคุม — 81 เฟรมต่อการสร้างหนึ่งครั้ง พร้อมการเชื่อมโยงแบบออโตเรเกรสซีฟ ใช้เพียงพรอมต์ข้อความเท่านั้น ไม่มีการกำหนดเงื่อนไขด้วยภาพ ไม่มีแอสเซ็ตอ้างอิง ไม่มีคีย์เฟรม ไม่มีการควบคุมกล้อง ไม่มี API สำหรับส่วนขยาย
• สัญญาอนุญาต — น้ำหนักของโมเดลอยู่ภายใต้ข้อกำหนด AMLR ของ Apple และคอมโพเนนต์ของ LingBot-World v2 อยู่ภายใต้สัญญาอนุญาต CC BY-NC-SA 4.0 โปรดอ่านข้อกำหนดเหล่านี้ก่อนที่คุณจะสร้างผลิตภัณฑ์เชิงพาณิชย์บนแอปตัวอย่าง; "open weights" กับ "free to commercialise" ไม่ใช่คำที่มีความหมายเหมือนกัน และการเผยแพร่นี้จงใจให้ความสำคัญกับความแตกต่างนั้นอย่างระมัดระวัง
สิ่งที่ต้องจับตา
วิธีที่ดีที่สุดในการทำความเข้าใจ FastFrames คือมองว่าเป็นสาธิตที่แสดงให้เห็นว่าต้นทุนของการสร้างวิดีโอแบบ autoregressive ไม่เคยได้อยู่ที่ตัวโมเดลเป็นส่วนใหญ่เลย แต่คือการ decode และการอัปเดตแคช และ Apple ได้กำจัดทั้งสองออกไปโดยแลกกับเวลาประมาณสองมิลลิวินาทีและพารามิเตอร์หนึ่งเมกะไบต์ ผลลัพธ์นั้นถ่ายทอดได้: pixel decoder ถูกฝึกแยกตาม base model แต่หลักการ — แช่แข็ง transformer ไว้ แล้วเรียนรู้ระบบเชื่อมต่อ — ใช้ได้กับ causal video diffusion stack ใดก็ตาม และบทความได้แสดงแล้วว่ามันถูกพอร์ตไปยังระบบของบุคคลที่สามสองระบบ โดยทำให้ LingBot-World ลดจาก 1,085 เหลือ 52 มิลลิวินาทีต่อเฟรมในรุ่น 1.3B และจาก 3,862 เหลือ 233 ในรุ่น 14B
สำหรับผู้ซื้อ นั่นหมายความว่า: หากผลิตภัณฑ์ของคุณต้องใช้โมเดลวิดีโอในลูปแบบเรียลไทม์ ข้อกำหนดด้านฮาร์ดแวร์เพิ่งลดลงถึงหนึ่งลำดับขนาด และดูเหมือนว่าต้องแลกด้วยคุณภาพเพียงเล็กน้อย หากผลิตภัณฑ์ของคุณต้องการคลิปที่เสร็จสมบูรณ์ที่ความละเอียด 1080p พร้อมเสียง ไม่มีสิ่งใดในรีลีสนี้ที่มุ่งเป้ามาที่คุณ และโมเดลแบบโฮสต์ยังคงเป็นคำตอบ ช่องว่างระหว่างกรณีการใช้งานทั้งสองนี้คือจุดที่การเปิดตัวโมเดลวิดีโอในอีกสิบสองเดือนข้างหน้าจะถูกช่วงชิงกัน

