Thẻ hero so sánh FastFrames Video Generation và Luma Ray 3.2, thẻ bên trái ghi '36 ms mỗi khung hình', '832x480, không âm thanh' và '81 khung hình', thẻ bên phải ghi 'lên đến 1080p', '10/12/16-bit EXR' và '5 hoặc 10 giây', với logo OrcaRouter ở góc dưới bên phải.
Guides & Insights

FastFrames Video Generation so với Luma Ray 3.2: Luồng khung hình đối đầu với tệp đã chỉnh màu

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Luma Ray 3.2 và FastFrames Video Generation đều là các mô hình video khuếch tán, đều ra mắt vào năm 2026, đều không phát hành sớm hơn nửa cuối năm nay — và chúng không thể thay thế cho nhau theo bất kỳ nghĩa nào mà một nhà sản xuất có thể nhận ra. Ray 3.2, ra mắt từ ngày 9 tháng 6, kết thúc bằng một tệp: tối đa 1080p, năm hoặc mười giây, tùy chọn HDR 10-, 12- hoặc 16-bit theo chuẩn ACES2065-1 EXR, tức định dạng mà chuyên gia chỉnh màu dùng để grading. FastFrames, được Apple công bố cùng Cornell vào ngày 16 tháng 11, kết thúc bằng một luồng: 832×480, 81 khung hình, một khung hình mỗi 36 mili giây trên một B200 duy nhất, không âm thanh, chỉ dùng lời nhắc văn bản, trọng số trên Hugging Face. Một mô hình được xây dựng để đầu ra của nó sống sót qua quy trình hoàn thiện. Mô hình kia được xây dựng để đầu ra của nó đến trước khi bạn xem xong cái trước đó. Mọi điều dưới đây đều suy ra từ sự phân tách đó, kể cả thực tế khó chịu rằng không mô hình nào có điểm đánh giá độc lập để giải đáp câu hỏi này.

Định dạng đầu ra chính là lý lẽ, chứ không phải bản đặc tả.

Hãy bắt đầu với những gì mỗi mô hình trao cho bạn, vì đây chính là nơi cuộc so sánh thực sự diễn ra.

Ray 3.2 xuất MP4 theo mặc định và khi được yêu cầu sẽ xuất khung HDR 10, 12 hoặc 16 bit ở định dạng ACES2065-1 EXR — nhưng chỉ ở 720p và 1080p, và chỉ cho các clip năm giây. Tính năng lặp liền mạch và luồng EXR đều là các tính năng dành cho clip năm giây.

• FastFrames cung cấp một MP4 gồm 81 khung hình ở 832×480 và 16 khung hình/giây, tức 5,06 giây cảnh quay không tiếng. Không có đường dẫn EXR, không có lựa chọn độ sâu bit và không có hộp thoại xuất. Bộ giải mã điểm ảnh xuất ra RGB 8 bit cho mỗi token và chỉ có vậy.

• Độ phân giải là mức trần 1080p so với một mốc cố định 480p — nhưng phép so sánh này không công bằng theo cả hai chiều, vì chế độ HDR 1080p của Ray 3.2 không tồn tại đối với các clip mười giây, còn 480p của FastFrames không phải là một thiết lập bạn có thể nâng lên.

• Giao diện điều khiển: Ray 3.2 nhận văn bản, khung hình bắt đầu, khung hình kết thúc hoặc một video hiện có cần chỉnh sửa, cùng với tối đa 16 khung hình chính mỗi clip và tính năng theo dõi biểu cảm khuôn mặt trên tối đa tám khuôn mặt. FastFrames nhận câu lệnh văn bản và một seed.

Hãy đọc lại danh sách đó và để ý xem nó ngụ ý gì về người mua. Bộ tính năng của Ray 3.2 là bộ tính năng của một cảnh quay đã tồn tại trong bản dựng và cần được hoàn thiện, chỉnh sửa hoặc mở rộng. Bộ tính năng của FastFrames là bộ tính năng của một hệ thống chưa quyết định cảnh quay đó sẽ là gì.

Ray 3.2, được hiểu là một công cụ hậu kỳ

Đường dẫn EXR chính là lý do mô hình này tồn tại ở dạng hiện tại, và nó đi kèm những ràng buộc mà hầu hết các bài viết đều bỏ qua.

Nó tạo ra ở 540p, 720p và 1080p, dưới dạng clip năm hoặc mười giây, trên sáu tỷ lệ khung hình bao gồm dọc, vuông và màn hình rộng — nhưng tạo mười giây chỉ hỗ trợ text-to-video, nên các luồng được điều kiện hóa bằng khung hình và bằng video bị giới hạn ở năm giây. HDR là một thiết lập tùy chọn năm giây ở 720p và 1080p: bạn bật HDR để nhận xuất EXR thay vì nhận nó tự động. Âm thanh là ràng buộc còn lại, và nó cắt theo cách người ta không ngờ tới. Ray 3.2 không tạo âm thanh đồng bộ cho text-to-video hoặc image-to-video; âm thanh chỉ tồn tại khi bạn đang chỉnh sửa hoặc đóng khung lại đoạn phim hiện có vốn đã có sẵn một track âm thanh. Đối với một mô hình được định vị ở khâu hoàn thiện, điều đó là mạch lạc — âm thanh đến từ khâu dựng, không phải từ bộ tạo — nhưng bất kỳ ai đang tìm một mô hình video kèm âm thanh chỉ với một lần gọi nên dừng đọc ở đây.

Cấu trúc thương mại cũng quan trọng. Ray 3.2 là mô hình đầu tiên trong dòng Ray có API dành cho nhà phát triển đầy đủ, được chia thành gói Build trả theo mức sử dụng và gói Scale có thông lượng dành riêng kèm SLA. Các mô hình Ray trước đó chỉ có hình thức đăng ký, nghĩa là lịch sử định giá của dòng này không phải là căn cứ cho mô hình này. Chi phí mỗi clip thay đổi theo độ phân giải, dải động và thời lượng cùng nhau; các niêm yết của bên thứ ba đặt một clip 720p dài năm giây ở khoảng $0.30 và một clip 1080p ở khoảng $1.20, còn xuất HDR hoặc EXR sẽ nhân chi phí clip lên chứ không cộng thêm vào. Hãy coi đó là phép tính tổng hợp dựa trên bảng giá của Luma chứ không phải con số do chính Luma công bố.

Một cái bẫy về cách đặt tên đáng để dành hẳn một câu: số phiên bản của Luma không tăng theo đúng như cách chúng được đọc. Ray3.14 ra mắt ngày 26 tháng 1 năm 2026 và Ray 3.2 vào ngày 9 tháng 6 năm 2026, vì vậy con số thấp hơn lại là mẫu mới hơn, và Luma đã khai tử thương hiệu Dream Machine mà hầu hết các hướng dẫn cũ vẫn còn dựa vào.

FastFrames, hiểu là một vòng lặp render

FastFrames không phải là một Ray 3.2 nhỏ hơn. Đây là kết quả chưng cất được công bố dưới dạng trọng số, và kiến trúc giải thích cả tốc độ lẫn các tính năng còn thiếu.

Cả hai checkpoint đều là các mô hình khuếch tán video tự hồi quy được xây dựng trên Wan2.1 — FastFrames-S từ Wan2.1-T2V-1.3B và FastFrames-L từ Wan2.1-T2V-14B — được đưa qua một công thức mà các tác giả gọi là Causal Forcing++. Đóng góp của bài báo không phải là một transformer nhanh hơn. Mà là việc loại bỏ hai thành phần tốn kém xung quanh transformer: bộ giải mã VAE, vốn tốn khoảng 147 mili-giây mỗi khung hình trong đường cơ sở và được thay bằng một bộ giải mã điểm ảnh 63,87 triệu tham số đạt gần 1 mili-giây, và cập nhật KV-cache, vốn trở thành một mạng tinh chỉnh nhỏ tốn 2 mili-giây trên mô hình nhỏ và 6 trên mô hình lớn. Bản thân transformer được đóng băng trong giai đoạn cuối.

Cộng lại trên mô hình 1.3B, 271,8 mili giây mỗi khung hình trở thành 35,8. Trên một B200, tức khoảng 28 yêu cầu mỗi giây, hay một clip 5 giây trong 2,9 giây. Mô hình 14B cần tám B200 để giữ 45 mili giây và 22 yêu cầu mỗi giây; trên một GPU đơn lẻ, nó tụt xuống 158 mili giây, chậm hơn cả tốc độ phát lại. Ở 720p, mô hình nhỏ cần 127 mili giây mỗi khung hình và mô hình lớn cần 116 trên tám GPU, và bài báo cho rằng H100 bị cộng thêm 25 đến 50 phần trăm.

Sinh tự hồi quy là lý do 81 khung hình không hạn chế như vẻ ngoài của nó, và cũng là lý do mô hình không thể làm được điều mà Ray 3.2 làm. Bởi vì mỗi khối được điều kiện hóa dựa trên khối trước đó, các clip nối chuỗi với nhau — nhưng nối chuỗi không phải là điều khiển khung hình then chốt, và không có cách nào để đưa vào một khung bắt đầu, một khung kết thúc, một ảnh tham chiếu hay một clip sẵn có. Mô hình không có bất kỳ hình thức điều kiện hóa bằng hình ảnh nào.

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.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.

Khoảng cách trong đo lường là có thật và nó tồn tại theo cả hai chiều.

Không thể xếp hạng mô hình nào, và các lý do đủ khác nhau để đáng được tách riêng.

Ray 3.2 không có mục nào trên video arena của Artificial Analysis — không ở text-to-video, cũng không ở image-to-video, đã kiểm tra ngày 18 tháng 9 năm 2026 cho bài blog này. Thay vào đó, Luma công bố một báo cáo đánh giá nội bộ Ray3 tuyên bố ngang bằng với Veo 3 và dẫn trước một số đối thủ, mà không kèm điểm số nào, cùng một tuyên bố rằng API của mình chạy với mức giá và độ trễ chưa bằng một nửa so với các mô hình tương đương, cũng không được định lượng. Đó là những tài liệu định vị. Chúng không thể so sánh với Elo của arena có số mẫu và khoảng tin cậy, và không trang nào nên trình bày chúng như thể chúng so sánh được.

FastFrames gặp vấn đề ngược lại: nó có số liệu, và tất cả đều đến từ chính các tác giả của nó. Tổng điểm VBench trong Bảng 1 của bài báo là 84,23 cho FastFrames-S và 84,44 cho FastFrames-L, so với 84,11 cho Causal Forcing++, mô hình cơ sở mà nó được chưng cất từ đó, ở mức 272 mili giây mỗi khung hình. Wan2.1 1.3B, mô hình nền, đạt 83,80 ở 30.444 mili giây. Wan2.2 14.3B đạt 84,65 ở 117.734. Không ai độc lập tái lập được bất kỳ phần nào trong đó, và VBench là một bộ đánh giá thưởng chính xác cho độ mượt mà theo thời gian — điều mà các mô hình tự hồi quy làm tốt. Bảng của chính bài báo là một tuyên bố về sự ngang bằng trong một vùng cao nguyên 83 đến 85,5, chứ không phải là một phép đo chất lượng.

Điểm chung của hai khoảng cách này chính là điều cần rút ra: mức chênh lệch về tổng điểm VBench giữa mọi mô hình trong danh sách của Apple chỉ khoảng hai điểm rưỡi, trong khi mức chênh lệch độ trễ trong cùng danh sách lên tới bốn bậc độ lớn. Bất kể phép đánh giá đó đo lường điều gì, nó đã từ lâu không còn phân biệt được giữa các hệ thống này. Cả hai mô hình này đều đang được bán dựa trên những khía cạnh mà VBench không nhìn thấy.

Tiêu tốn một phát cho mỗi cái.

Chỉ cần đặt một bản brief cụ thể đối chiếu với cả hai bảng giá là các con số tính toán không còn so sánh được với nhau nữa.

• Một clip HDR 1080p dài năm giây — Ray 3.2, khoảng $1.20 theo giá niêm yết trước hệ số nhân HDR, được giao dưới dạng EXR để đưa thẳng vào bước chỉnh màu. FastFrames không thể tạo ra cảnh quay này với bất kỳ mức giá nào.

• Một clip không tiếng 480p dài năm giây — FastFrames, một B200 chạy 2,9 giây thời gian thực trên mô hình nhỏ, hoặc tám B200 chạy 3,6 giây trên mô hình lớn. Ray 3.2 hoàn toàn không tạo được ở 480p; mức tối thiểu của nó là 540p.

• Mười giây của bất cứ thứ gì — Ray 3.2 chỉ từ văn bản, ở 1080p hoặc thấp hơn. FastFrames đạt mười giây bằng cách nối hai khối 81 khung hình và hy vọng đường nối giữ được.

• Chín mươi lần quay cho cùng một cảnh — đây là lúc logic kinh tế đảo ngược. Ray 3.2 tính phí theo clip, nên một trăm lần thử tốn một trăm clip. FastFrames tính phí theo giây GPU, nên một trăm lần thử tốn một trăm lần 2,9 giây của một cỗ máy bạn đã thuê sẵn.

• Phần cứng mà bạn không có — FastFrames yêu cầu Linux x86-64, GPU NVIDIA và CUDA 12.8, đồng thời kho lưu trữ cung cấp một luồng suy luận hoạt động được, một script đo độ trễ, một quy trình đánh giá VBench và một ứng dụng demo. Không có thứ nào trong số đó là dịch vụ được lưu trữ.

Ranh giới chín mươi lần quay đó mới là sự khác biệt thực sự. Tính phí theo từng clip là định giá một sản phẩm bàn giao; tính phí theo từng giây GPU là định giá việc khám phá. Nếu quy trình của bạn là "tạo cho đến khi đúng", mô hình thứ hai rẻ hơn một bậc độ lớn và kém hơn ở mọi khía cạnh khác. Nếu quy trình của bạn là "tạo ra một thứ phải trụ được qua khâu chấm điểm", mô hình thứ nhất là mô hình duy nhất trong hai mô hình có thể làm được việc đó.

Giấy phép quyết định nhiều hơn bảng thông số kỹ thuật.

Trọng số của FastFrames tuân theo các điều khoản AMLR của Apple, và các thành phần demo LingBot-World v2 trong cùng kho lưu trữ được cấp phép CC BY-NC-SA 4.0 — phi thương mại. Phần còn lại nằm dưới Giấy phép Mã mẫu của Apple. "Open weights" và "free to commercialise" không phải là từ đồng nghĩa, và bản phát hành này cố ý cẩn trọng về sự khác biệt đó theo cách mà Ray 3.2, vốn được bán theo một hợp đồng API thương mại với gói Build và gói Scale có SLA, đơn giản là không hề như vậy.

Vậy câu hỏi về mua sắm đi theo hướng ngược lại với câu hỏi kỹ thuật. Ray 3.2 yêu cầu bạn chấp nhận một mối quan hệ với nhà cung cấp: bảng giá, điều khoản dịch vụ, cam kết thông lượng nếu bạn mua Scale, một endpoint có thể thay đổi ngay dưới chân bạn. FastFrames yêu cầu bạn đọc ba giấy phép và chịu trách nhiệm về các GPU. Với một studio đã có quy trình rà soát pháp lý cho các nhà cung cấp API, cái đầu tiên dễ hơn. Với một nhóm nghiên cứu đã có B200 và một cán bộ tuân thủ đọc giấy phép để giải trí, cái thứ hai dễ hơn.

Mỗi thứ thuộc về đâu, và câu hỏi sẽ thay đổi điều này

Đặt Ray 3.2 ở cuối pipeline và FastFrames ở đầu pipeline, hai bên sẽ thôi cạnh tranh. Ray 3.2 là lựa chọn của bạn khi bản dựng đã có, pipeline màu là thật, và cảnh quay phải đi qua được để vẫn grade được ở 10 bit hoặc tốt hơn — chấp nhận clip HDR 1080p dài năm giây, không có âm thanh được tạo, và chi phí mỗi clip nhân lên theo dải động. FastFrames là lựa chọn của bạn khi vòng lặp chính là sản phẩm: xem trước trực tiếp, một mô hình thế giới có thể điều khiển, một avatar phản hồi ngay trong phiên — chấp nhận 480p, im lặng, không có đầu vào tham chiếu, và một giấy phép bạn phải đọc trước khi phát hành.

Cả hai đều không phải là tuyến trên OrcaRouter, và bài viết này không hề khẳng định điều ngược lại. Thứ mà một key thực sự chạm tới là lớp video được host vốn đã hoạt động ngay hôm nay — MiniMax H3 với giá 0,08 USD mỗi giây ở 768p và 0,13 USD ở 2K, cùng với dòng Kling 3.0 — song hành cùng hơn 200 mô hình ngôn ngữ, theo đúng giá niêm yết của nhà cung cấp được chuyển nguyên với mức markup 0%, nhờ đó một đợt giảm giá từ nhà cung cấp sẽ có mặt tại đây ngay trong ngày được công bố, kèm cơ chế chuyển đổi dự phòng tự động nếu một endpoint suy giảm giữa hàng đợi. Với một đội đang đánh giá một trong hai mô hình nêu trên, đó là cách rẻ để đo xem hồ sơ độ trễ và chi phí thực tế trông ra sao trước khi cam kết ngân sách GPU hay một hợp đồng Scale cho một giả thuyết.

Điều có thể phân xử so sánh này không phải là một bản demo tốt hơn từ bất kỳ bên nào. Mà là một phép đo độc lập về Ray 3.2 trên đấu trường image-to-video, để mô hình hoàn thiện ít nhất có một con số, và một lần tái lập con số 84.4 của FastFrames bởi một người không làm việc tại Apple hay Cornell. Cho đến khi cả hai điều đó tồn tại, cơ sở trung thực để lựa chọn là sản phẩm bàn giao — và trên trục đó, hai mô hình này không đủ gần nhau để có thể bị nhầm lẫn.

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.