
FastFrames của Apple tạo video nhanh hơn tốc độ bạn có thể xem.
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 89 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 134 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 trên 1 triệu token · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 trên 1 triệu token
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
Ba mươi sáu mili giây mỗi khung hình. Đó là con số nằm ở đầu FastFrames Video Generation, bản phát hành mà Apple công bố cùng Cornell vào ngày 16 tháng 11 năm 2026 — trọng số trên Hugging Face với tên FastFrames-S ở 1,3 tỷ tham số và FastFrames-L ở 14 tỷ, cùng một bài báo có tiêu đề "FastFrames: Video Generation at Interactive Latency" vào ngày hôm sau. Hãy làm phép tính trước khi đọc bất cứ điều gì khác: một clip gồm 81 khung hình ở 832×480 và 16 khung hình mỗi giây, tức 5,06 giây video. Với 36 mili giây mỗi khung hình trên một chiếc B200 duy nhất, mô hình nhỏ tạo ra clip đó trong 2,9 giây. Không phải nhanh hơn các lựa chọn thay thế — mà nhanh hơn cả tốc độ phát lại. Câu hỏi thú vị không phải là con số đó có thật hay không. Mà là Apple đã đánh đổi những gì để có được nó, và liệu sự đánh đổi đó có phải là thứ bạn có thể sống chung hay không.
Những gì thực sự được phát hành, và khi nào
Hai checkpoint, cả hai đều là text-to-video, cả hai đều không bị gated và có thể tải xuống tính đến tuần này. Các kho Hugging Face được tạo vào ngày 16 tháng 11 năm 2026 và vẫn đang được chỉnh sửa vào sáng ngày 18 tháng 11; bản preprint arXiv (2611.23226) có ngày 17 tháng 11. Vì vậy, đây là một bản phát hành mới hai ngày, không phải một mô hình đã có thành tích, và không có gì ở đây được đánh giá độc lập. Mọi thứ sau đây hoặc là phép đo của chính các tác giả hoặc là một thuộc tính của các trọng số đã công bố.
• Kích thước — FastFrames-S với 1,3 tỷ tham số, FastFrames-L với 14 tỷ (14,3 tỷ nếu tính cả các head được thêm vào).
• Các mô hình cơ sở — được chưng cất lần lượt từ Wan2.1-T2V-1.3B và Wan2.1-T2V-14B, bằng một công thức mà các tác giả gọi là Causal Forcing++.
• Đầu ra — 832×480 ở 16 fps, 81 khung hình mỗi lần tạo, tự hồi quy nên có thể nối chuỗi các clip.
• Trọng số — mở trên Hugging Face, được gắn giấy phép AMLR của Apple; mã demo LingBot-World v2 là CC BY-NC-SA 4.0, tức phi thương mại, và phần còn lại của kho lưu trữ thuộc Giấy phép Mã Mẫu của Apple.
• Giá cả — không có. Không có endpoint FastFrames được lưu trữ nào từ Apple; bạn tự chạy nó trên GPU của riêng mình.
Dòng cuối cùng đó là điều cần ghi nhớ. FastFrames là một bản phát hành nghiên cứu với các trọng số có thể tải xuống, một thứ khác với một sản phẩm. Không có mức giá theo giây, không có hàng đợi, không có SLA và không có cách nào gọi nó mà không cần GPU NVIDIA và CUDA 12.8.

Những mili giây đó đã đi đâu
Ý tưởng kiến trúc hẹp hơn {{1}}"một mô hình nhanh hơn"{{/1}} và {{2}}thú vị hơn{{/2}}. FastFrames là một mô hình khuếch tán video tự hồi quy, nghĩa là nó tạo ra một khối khung hình dựa trên những gì đã đến trước đó. Trong mô hình cơ sở mà nó được xây dựng dựa trên, Causal Forcing++, việc tạo một khối 81 khung hình tốn 271,8 mili giây mỗi khung hình, và phần lớn trong đó hoàn toàn không phải transformer — mà là bộ tự mã hóa biến phân giải mã các latent trở lại thành pixel, cộng với bước cập nhật KV cache để khối tiếp theo biết điều gì đã xảy ra trong khối này.
Nhóm của Apple đã thay thế cả hai đầu của vòng lặp đó bằng những mạng nhỏ đã được huấn luyện và giữ nguyên diffusion transformer.
• Bộ giải mã VAE không còn nữa. Một bộ giải mã pixel 63,87 triệu tham số — ba khối ConvNeXt nhân quả và một lớp tuyến tính cuối cùng xuất ra giá trị RGB 4×16×16 cho mỗi token — tạo ra khung hình trực tiếp. Việc giải mã giảm từ khoảng 147 mili giây xuống còn khoảng 1 mili giây.
Cập nhật KV cache giờ đây là một mạng nhỏ. Một phần thân dùng chung, bốn khối self-attention 8 đầu và một đầu sửa phần dư cho mỗi lớp DiT, tốn 2 mili giây trên mô hình nhỏ và 6 trên mô hình lớn.
• Bản thân transformer hầu như không thay đổi và được đóng băng trong giai đoạn cuối. Trên mô hình 1.3B, thời gian DiT giảm từ 41.6 xuống 16.4 mili giây; trên mô hình 14B, từ 89.2 xuống 75.6.
Cộng những con số đó lại trên mô hình 1.3B và 271.8 mili giây trở thành 35.8. Đó chính là toàn bộ mẹo, và đó là một mẹo hay: các tác giả không làm cho một diffusion transformer nhanh hơn, họ đã loại bỏ những phần xung quanh nó vốn chưa từng là điểm cốt lõi. Bộ giải mã pixel được huấn luyện trên 32 B200 trong khoảng một tuần với 150.000 rollout, cùng một giai đoạn đối kháng trên 8 B200 sử dụng bộ phân biệt DINOv3 ViT-S/16 đóng băng để giữ cho nó không tạo ra những khung hình mờ nhòe.
Tuyên bố về chất lượng và người đã kiểm tra nó
Đây là phần cần được gắn nhãn. Các con số VBench dưới đây là của chính các tác giả, được chạy trên cùng các prompt và seed ở 480p, và được báo cáo trong Bảng 1 của bài báo. Chưa có ai độc lập tái lập được chúng, và VBench là một benchmark thưởng cho kiểu mượt mà theo thời gian mà các mô hình tự hồi quy vốn giỏi. Hãy coi chúng như một tuyên bố về sự ngang bằng, chứ không phải một phép đo sự ngang bằng.
• FastFrames-S — tổng điểm VBench 84,23, chất lượng 85,30, ngữ nghĩa 79,92, đạt 36 ms mỗi khung hình.
• FastFrames-L — tổng 84,44, chất lượng 85,48, ngữ nghĩa 80,29, với 45 ms mỗi khung hình trên tám B200.
• Causal Forcing++, mô hình cơ sở mà nó được chưng cất từ đó — tổng 84,11 ở 272 ms mỗi khung hình, tức là chậm hơn khoảng 7,6× để đổi lấy ít hơn 0,1 đến 0,3 điểm.
• Krea-Realtime — tổng 84.42 ở 1,675 ms mỗi khung hình; bài báo tuyên bố có độ chân thực, độ bám sát lời nhắc, bố cục và kết xuất văn bản tương đương với tốc độ nhanh hơn mười lần.
• Self-Forcing — 84.10 ở 717 ms; CausVid 83.18 ở 662 ms; LongLive2.0 83.65 ở 505 ms.
• Wan2.1 1.3B, mô hình cơ sở — 83.80 ở 30,444 ms mỗi khung hình.
• Wan2.2 14.3B — 84,65 với 117.734 ms mỗi khung hình. Đó là con số đáng để ngẫm lại: tổng điểm tốt nhất trên bảng, với chi phí mỗi khung hình gấp khoảng 2.600 lần so với FastFrames-L.
• MiniMax-H3 33.1B — 84.43 tại 38,454 ms; HunyuanVideo1.5 8.3B — 83.18 tại 1,555,508 ms.
Mô hình chung là một vùng cao nguyên chất lượng bằng phẳng từ 83 đến 85,5 trên mọi mô hình trong danh sách, và độ trễ trải rộng bốn bậc độ lớn. Dù tổng điểm VBench đo lường điều gì, nó đã ngừng phân biệt giữa các hệ thống này từ lâu. Điều tách biệt chúng bây giờ là tốc độ chạy và độ phân giải cùng âm thanh mà chúng có thể tạo ra — và FastFrames thắng cột đầu tiên với khoảng cách rất xa trong khi thua cột thứ hai hoàn toàn.
36 mili giây mỗi khung hình thực sự mang lại được gì
Hãy quy đổi sang những đơn vị mà người làm sản phẩm quan tâm. Các tác giả báo cáo cả thông lượng lẫn độ trễ, và hai chỉ số này kể những câu chuyện khác nhau tùy thuộc vào việc bạn sở hữu bao nhiêu GPU.
• FastFrames-S, một B200 — 36 ms mỗi khung hình, khoảng 28 yêu cầu mỗi giây. Một clip 5 giây trong 2,9 giây, tức nhanh hơn 1,7 lần so với tốc độ bạn có thể xem.
• FastFrames-L, tám B200 — 45 ms mỗi khung hình, khoảng 22 yêu cầu mỗi giây. Một clip 5 giây trong 3,6 giây.
• FastFrames-L, một GPU — 158 ms mỗi khung hình, khoảng 6,3 yêu cầu mỗi giây. Cùng clip đó trong 12,8 giây, tức là chậm hơn tốc độ phát lại. Mô hình lớn chỉ trở nên tương tác khi bạn phân bổ nó trên một node.
• Ở 720p — 127 ms mỗi khung hình đối với mô hình nhỏ và 116 ms đối với mô hình lớn trên tám GPU, đây là điểm mà "tương tác" không còn đúng đối với một phiên đơn luồng.
• Trên H100 thay vì B200 — bài báo đưa ra mức phạt 25 đến 50 phần trăm, nên mô hình nhỏ rơi vào khoảng 45 đến 54 ms mỗi khung hình.
Tuyên bố còn đứng vững là tuyên bố về mô hình nhỏ trên phần cứng hiện tại. FastFrames-S trên một B200 thực sự nhanh hơn thời gian thực, và chính điều đó khiến một vòng xem trước trực tiếp, một avatar phát trực tuyến hoặc một mô hình thế giới có thể điều khiển trở nên khả thi mà không cần một render farm. Mô hình 14B chỉ mang tính tương tác theo nghĩa thông lượng theo lô.
Tự chạy
Kho lưu trữ cung cấp một luồng suy luận hoạt động được, không chỉ trọng số. Bạn cần Linux x86-64, GPU NVIDIA và CUDA 12.8; sau đó chạy uv sync, và uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4. Có một script benchmark độ trễ nhận vào số lượng GPU, một quy trình đánh giá VBench, và một ứng dụng demo trong apps/lingbot phục vụ trên cổng 8000. Apple cũng đã công bố mọi checkpoint của từng giai đoạn huấn luyện cho mô hình lớn — teacher nhân quả, giai đoạn chưng cất nhất quán, giai đoạn chưng cất DMD, và bộ sinh cuối cùng với bộ giải mã pixel và mạng tinh chỉnh KV — điều này là bất thường và khiến bản phát hành có thể tái lập theo cách mà hầu hết các bản phát hành "open weights" không làm được.

Nếu bạn không có GPU, thì cần nói thẳng rằng OrcaRouter không phục vụ FastFrames, và cũng không ai khác làm vậy — không có endpoint được lưu trữ nào để định tuyến tới. Điều mà một khóa OrcaRouter bao phủ là các mô hình video được lưu trữ đã hoạt động ngay hôm nay, bao gồm Kling 3.0 và Kling 3 Turbo, Kling Video O1, và MiniMax H3, ở mức giá niêm yết của nhà cung cấp được chuyển qua với 0% phụ phí, nên thay đổi giá từ nhà cung cấp đến với bạn ngay trong ngày thay vì vào kỳ thanh toán tiếp theo. Cách làm hợp lý cho một nhóm tò mò về FastFrames là tạo nguyên mẫu ý tưởng sản phẩm dựa trên một mô hình được lưu trữ mà bạn có thể đo độ trễ, và chỉ mua thời gian GPU khi bạn biết vòng lặp này đáng giá.
Những gì nó không thể làm
Ba giới hạn, và không giới hạn nào trong số đó sẽ được vá vào tuần tới.
• Độ phân giải — 480p, chấm hết. Apple công bố thông số độ trễ 720p nhưng cấu hình phát hành lại là 832×480. Mọi đối thủ trong phân khúc giá này đều cung cấp ít nhất 1080p.
• Âm thanh — không có. FastFrames im lặng. Veo, Kling, Grok Imagine và HiDream đều tạo âm thanh đồng bộ trong cùng một lần gọi.
• Thời lượng và khả năng kiểm soát — 81 khung hình mỗi lần tạo với chuỗi tự hồi quy, chỉ dùng lời nhắc văn bản. Không điều kiện hóa bằng hình ảnh, không tài nguyên tham chiếu, không khung hình khóa, không điều khiển camera, không API mở rộng.
• Giấy phép — trọng số mô hình tuân theo các điều khoản AMLR của Apple, và các thành phần LingBot-World v2 là CC BY-NC-SA 4.0. Hãy đọc điều đó trước khi bạn xây dựng sản phẩm thương mại trên ứng dụng demo; “trọng số mở” và “được tự do thương mại hóa” không đồng nghĩa với nhau, và bản phát hành này cố ý cẩn trọng về sự khác biệt đó.
Điều cần chú ý
FastFrames dễ được hiểu nhất như một minh chứng rằng chi phí của việc tạo video tự hồi quy chưa bao giờ chủ yếu nằm ở mô hình. Mà là ở bước giải mã và cập nhật bộ nhớ đệm, và Apple đã loại bỏ cả hai với chi phí chỉ khoảng hai mili giây và một megabyte tham số. Kết quả đó có thể chuyển giao: bộ giải mã pixel được huấn luyện riêng cho từng mô hình cơ sở, nhưng nguyên lý — đóng băng transformer, học phần đường ống — áp dụng cho bất kỳ ngăn xếp khuếch tán video nhân quả nào, và bài báo đã cho thấy nó được chuyển sang hai hệ thống bên thứ ba, đưa LingBot-World từ 1.085 xuống 52 mili giây mỗi khung hình trên biến thể 1,3B và từ 3.862 xuống 233 trên 14B.
Điều đó có ý nghĩa gì đối với người mua: nếu sản phẩm của bạn cần một mô hình video trong vòng lặp thời gian thực, yêu cầu phần cứng vừa giảm đi một bậc độ lớn và chi phí về chất lượng có vẻ là nhỏ. Nếu sản phẩm của bạn cần một clip hoàn chỉnh ở 1080p có âm thanh, không có gì trong bản phát hành này nhắm đến bạn, và các mô hình hosted vẫn là câu trả lời. Khoảng cách giữa hai trường hợp sử dụng đó chính là nơi các bản phát hành mô hình video trong mười hai tháng tới sẽ diễn ra cuộc tranh đấu.

