
Tạo video bằng FastFrames so với MiniMax H3: Ba bảng đấu với đồng hồ bấm giây
- OrcaMỚIOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 trên 1 triệu token
- tencentMỚITencent: Hy4 Flash2026-11-16$0.02 / $0.07 trên 1 triệu token
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 trên 1 triệu token
- 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 · 91 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 · 118 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 · 187 tok/s
Có một phiên bản của sự so sánh này đặt hai mô hình video cạnh nhau và chọn mô hình nhanh hơn, và nó sẽ mất khoảng bốn trăm từ. Nó cũng sẽ sai, bởi vì MiniMax H3 là một mô hình bạn có thể gọi theo giây và FastFrames Video Generation là một bộ trọng số bạn tải về và chạy trên phần cứng bạn sở hữu. H3 ra mắt ngày 31 tháng 7 năm 2026 dưới dạng một hệ thống đa phương thức toàn diện, đọc các tham chiếu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh duy nhất, tạo âm thanh stereo gốc và giữ vị trí thứ hai trên bảng image-to-video của Artificial Analysis với 1.181 Elo trên 7.284 phiếu bầu tính đến ngày 8 tháng 10 năm 2026. FastFrames xuất hiện vào ngày 16 tháng 11 dưới dạng hai checkpoint, 1.3B và 14B, được chưng cất từ Wan2.1 để tạo ra một khung hình 480p trong 36 mili giây — và nó không xuất hiện trên bất kỳ bảng độc lập nào cả. Điều phân biệt chúng không phải là chất lượng. Mà là một trong hai là một sản phẩm có thành tích trên bảng điểm công khai còn cái kia là một bài báo với một chiếc đồng hồ bấm giây.
Ba bảng, một mô hình, và điều mà mỗi bảng thực sự đang hỏi
Các vị trí của H3 đáng được nêu chính xác, vì con số mà người ta trích dẫn thường là con số sai.
• Hình ảnh thành video — đứng thứ hai với 1.181 Elo qua 7.284 phiếu bầu, xếp sau MiniMax H3 Max ở 1.195 và xếp trên Vidu Q4 Preview ở 1.179. Mười sáu điểm bao trùm ba vị trí dẫn đầu, nằm trong các khoảng tin cậy; đó là một thế hòa được khoác lên vẻ ngoài của một bục trao giải.
• Văn bản thành video — đứng thứ tư với 1.137 Elo sau 8.315 phiếu bầu. Đây là bảng xếp hạng mà mô hình này yếu hơn, và cũng là bảng mà một mô hình nghiên cứu 480p không âm thanh sẽ phải cạnh tranh nếu nó có tên trong đó.
• Chỉnh sửa video — đứng thứ tư với 1.119 Elo sau 7.023 phiếu bầu, trên một bảng xếp hạng đánh giá các mô hình về việc chỉnh sửa một clip theo chỉ dẫn văn bản với âm thanh được giữ nguyên.
Ba lần xuất hiện nghĩa là ba khả năng khác nhau đã được gửi đi và đo lường: tạo từ ảnh tĩnh, tạo từ văn bản, và biến đổi đoạn phim đã có sẵn. Cái thứ ba là cái quan trọng nhất cho so sánh này, vì nó đòi hỏi chấp nhận video làm đầu vào, còn FastFrames chỉ chấp nhận văn bản.
Giá được ghi trên thẻ mô hình của chính chúng tôi là $0,08 mỗi giây ở 768p và $0,13 mỗi giây ở 2K, tức $4,80 và $7,80 mỗi phút — cùng cặp con số xuất hiện ở cột giá của arena, và là cùng một mô hình ở hai bậc độ phân giải chứ không phải một phiên bản cao cấp và một phiên bản rẻ. Một clip 5 giây ở 768p có giá $0,40.
36 mili giây không bao gồm những gì
Tốc độ của {{1}}FastFrames{{/1}} là thật và đó không phải là tốc độ đa dụng, và kiến trúc giải thích lý do theo cách mà một danh sách thông số không thể làm được.
Cả hai checkpoint đều là mô hình khuếch tán video tự hồi quy được chưng cất từ Wan2.1 bằng một công thức có tên Causal Forcing++. Các tác giả gần như giữ nguyên transformer khuếch tán và thay thế hai thứ xung quanh nó vốn chưa bao giờ là trọng tâm. Bộ giải mã VAE — khoảng 147 mili giây mỗi khung hình trong baseline Causal Forcing++ — trở thành một bộ giải mã pixel 63,87 triệu tham số, xuất trực tiếp khung hình và đạt gần 1 mili giây. Cập nhật KV-cache trở thành một mạng tinh chỉnh nhỏ, tốn 2 mili giây trên mô hình 1,3B và 6 trên mô hình 14B. Transformer được đóng băng trong giai đoạn cuối.
Trên mô hình nhỏ, thời gian đó giảm từ 271,8 mili giây mỗi khung hình xuống còn 35,8. Trên một B200, FastFrames-S chạy khoảng 28 yêu cầu mỗi giây và tạo ra một clip dài 5,06 giây trong 2,9 giây. Mô hình 14B chỉ giữ được 45 mili giây khi chạy trên tám B200; trên một GPU đơn lẻ, nó giảm xuống còn 158 mili giây mỗi khung hình, chậm hơn cả việc xem kết quả. Ở 720p, con số này là 127 mili giây trên mô hình nhỏ, và bài báo ước tính mức phạt của H100 là 25 đến 50 phần trăm.
Điều mà con số này không bao gồm là mọi thứ H3 dành thời gian cho. FastFrames không tạo ra âm thanh. Nó chỉ điều kiện trên văn bản — không có khung bắt đầu, không có khung kết thúc, không có hình ảnh tham chiếu, không có clip để mở rộng hoặc tạo lại phong cách. Nó tạo 81 khung hình ở 832×480 và 16 khung hình mỗi giây, và nó nối chuỗi các khối thay vì cung cấp điều khiển khung hình chính hoặc camera. Ba trong bốn phương thức đầu vào mà H3 chấp nhận không tồn tại trong đường suy luận của FastFrames.

Vì sao tốc độ vẫn có chút giá trị dù vậy
Sẽ rất dễ để gạt bỏ FastFrames sau phần trước, và đó sẽ là cách hiểu sai lầm. Con số đó không phải là một chiêu tiếp thị; nó thay đổi loại sản phẩm mà ta có thể tạo ra.
Ở {{1}}36 mili giây một khung hình trên một B200{{/1}}, một lần tạo xong trước cả khi bạn kịp xem. Đó là ngưỡng mà tại đó một vòng lặp xem trước không còn là một tác vụ theo lô nữa mà trở nên tương tác: bạn gõ, bạn thấy, bạn điều chỉnh, và cỗ máy bắt kịp với điều chỉnh đó. {{2}}Một mô hình 14B ở 45 mili giây trên toàn một nút đạt được điều đó theo nghĩa thông lượng theo lô, nhưng độ trễ một luồng mà một người thực sự cảm nhận được lại là đặc tính của mô hình nhỏ.{{/2}} Không có gì trong bề mặt được công bố của H3 đề cập đến trường hợp sử dụng đó, bởi vì H3 được tính giá theo giây của cảnh quay hoàn chỉnh thay vì theo số khung hình được tạo ra mỗi giây đồng hồ — hai thứ đó không phải là cùng một phép đo và bảng giá không cho phép bạn suy ra cái này từ cái kia.
Có một hệ quả bậc hai mà bài báo nêu rõ. Bộ giải mã pixel được huấn luyện riêng cho từng mô hình cơ sở, nhưng nguyên tắc — đóng băng transformer, học phần kết nối — đã được chuyển sang các hệ thống bên thứ ba trong chính các thí nghiệm của bài báo, 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 bản 14B. Đó là một kết quả về một kỹ thuật, không phải một sản phẩm, và đây là phần của bản phát hành này có phạm vi ảnh hưởng rộng nhất.
Tình trạng trung thực của bằng chứng ở mỗi bên
Đây là điểm mà cuộc đối đầu không còn gì phải tranh cãi theo cả hai hướng, và đáng nói thẳng về cả hai phần.
Mọi tuyên bố của FastFrames về chất lượng đều xuất phát từ chính các tác giả của nó. Tổng điểm VBench trong Bảng 1 là 84,23 cho FastFrames-S và 84,44 cho FastFrames-L, so với 84,11 của mô hình cơ sở ở 272 mili giây và 84,65 của Wan2.2 14.3B ở 117.734 mili giây. Chưa có ai độc lập tái lập được chúng. VBench thưởng cho độ mượt theo thời gian mà các mô hình tự hồi quy được thiết kế để tạo ra, và toàn bộ khoảng chênh trong bảng của chính Apple chỉ khoảng hai điểm rưỡi, trong khi khoảng chênh về độ trễ giữa cùng các mô hình đó là bốn bậc độ lớn. Hãy đọc bảng đó như một tuyên bố về sự ngang bằng, chứ không phải một phép đo sự ngang bằng đó.
Vị trí của H3 trên bảng xếp hạng đi kèm số lượng mẫu và khoảng tin cậy, một dạng bằng chứng mạnh hơn nhưng cũng hẹp hơn. Một bảng ưu tiên cho bạn biết mọi người đã chọn đầu ra nào khi được xem hai clip; nó không cho bạn biết chi phí tạo ra mỗi clip, liệu âm thanh có đồng bộ hay không, hoặc liệu mô hình có trụ nổi 40 yêu cầu dồn dập ở 2K hay không. Khoảng cách mười sáu điểm ở đầu bảng image-to-video là lời nhắc tốt rằng những con số này xếp hạng cảm nhận, không phải năng lực, và rằng bất kỳ trang nào tuyên bố người thắng từ khoảng cách mười sáu điểm trên các khoảng tin cậy ±10 đều đang đọc nhiễu.
Vậy nên phép so sánh quy về thế này: một mô hình đã được hàng nghìn người bình chọn và được định giá theo từng giây, còn mô hình kia có một chiếc đồng hồ bấm giây, một tệp giấy phép và một bài báo. Đó là những loại bằng chứng khác nhau, và không loại nào thay thế được loại kia.
Hai lộ trình mua sắm không giống nhau
Việc mua thời gian sử dụng trên H3 và chạy FastFrames hầu như không có bước nào chung, đó là lý do thực tế khiến chúng hiếm khi nằm trong cùng một quyết định.
• H3 — mức giá tính theo giây trên một endpoint được lưu trữ, ở mức $0,08 cho 768p và $0,13 cho 2K, trên API riêng của nhà cung cấp và thông qua một số nền tảng bên thứ ba. Không cần phần cứng, không cần rà soát giấy phép, không cần CUDA. Chúng tôi định tuyến nó dưới dạng minimax/minimax-h3 trên API mô hình công khai, tính phí theo giá niêm yết của nhà cung cấp được chuyển nguyên không cộng thêm, có thể gọi trên cùng endpoint tương thích OpenAI như các mô hình ngôn ngữ trong danh mục.
• FastFrames — Linux x86-64, một GPU NVIDIA, CUDA 12.8, sau đó chạy uv sync và gọi scripts/generate.py với thư mục checkpoint và một seed. Các trọng số mang các điều khoản AMLR của Apple; các thành phần demo LingBot-World v2 trong cùng kho lưu trữ theo CC BY-NC-SA 4.0, tức là phi thương mại; phần còn lại nằm dưới Sample Code Licence của Apple. Apple cũng đã công bố mọi checkpoint của từng giai đoạn huấn luyện cho mô hình lớn, điều này không thường thấy và khiến bản phát hành có thể tái tạo theo cách mà hầu hết các bản phát hành trọng số mở không có được.
• Chi phí ẩn ở cả hai phía — đồng hồ tính theo giây của H3 vẫn chạy dù cảnh quay có tốt hay không, và một cảnh bị loại vẫn bị tính phí y như cảnh được chấp nhận. Đồng hồ GPU của FastFrames cũng chạy theo cách tương tự, nhưng ở mức chi phí cận biên mà nếu phần cứng đã được khấu hao thì chỉ là một sai số làm tròn, còn nếu chưa thì lại là một chi phí cố định lớn.
Một hệ quả thực tế của cơ chế định giá chuyển tiếp về phía chúng tôi: khi MiniMax điều chỉnh mức giá theo giây, thay đổi đó sẽ hiển thị trên tuyến ngay trong cùng ngày thay vì tại thời điểm gia hạn hợp đồng. FastFrames không có mức giá nào để điều chỉnh.
Mỗi thứ dùng để làm gì, hãy diễn đạt thành một câu mà bạn có thể hành động theo.
Hãy chọn MiniMax H3 khi đầu vào không phải là lời nhắc văn bản, khi sản phẩm đầu ra cần có âm thanh, hoặc khi một clip mười lăm giây có thể mở rộng qua nhiều lượt sát với cảnh quay bạn muốn hơn là 81 khung hình ở 480p. Đây là một trong hai lựa chọn duy nhất có thể chỉnh sửa cảnh quay, là lựa chọn duy nhất tạo ra âm thanh và là lựa chọn duy nhất có tuyên bố về chất lượng được kiểm chứng bởi những người không làm việc cho công ty đã tạo ra nó. Mức giá 2K của nó cũng rẻ hơn phần lớn thị trường ở phân khúc đó.
Hãy chọn FastFrames khi vòng lặp chính là sản phẩm và khung hình không phải là thứ bàn giao — một bản xem trước trực tiếp, một mô hình thế giới có thể điều khiển, một avatar phải trả lời trong một phiên, hoặc một chương trình nghiên cứu muốn thay đổi cách một ngăn xếp video nhân quả giải mã thay vì thứ nó tạo ra. Chấp nhận 480p, im lặng, không đầu vào tham chiếu và một giấy phép bạn phải đọc trước khi phát hành bất cứ thứ gì thương mại.
FastFrames không được OrcaRouter phục vụ và trang này không khẳng định rằng có — không có endpoint được lưu trữ nào cho trọng số của Apple. H3 là chuyện khác: chúng tôi định tuyến nó dưới dạng minimax/minimax-h3, cùng với dòng Kling 3.0 và hơn 200 mô hình ngôn ngữ, trên một khóa với giá niêm yết của nhà cung cấp, mức cộng thêm 0% và tự động chuyển đổi dự phòng giữa các endpoint. Đó là cách rẻ để biết liệu một mô hình video tính theo giây có phù hợp với quy trình của bạn trước khi bạn chi ngân sách GPU của cả một quý cho phương án thay thế hay không.

Kết quả duy nhất có thể biến đây thành một cuộc đua thực sự
Hai điều sẽ thay đổi cách diễn giải, và cả hai đều không phải là một bản demo tốt hơn.
Đầu tiên là FastFrames xuất hiện trên một bảng đấu trường. Điều đó đòi hỏi phải có người đứng ra lưu trữ nó, và hiện tại không ai làm vậy — Apple đã công bố trọng số nhưng không có endpoint, nên không có cách nào để một bài kiểm tra ưu tiên phục vụ nó cho người bình chọn. Cho đến khi điều đó xảy ra, tuyên bố về chất lượng của mô hình hoàn toàn dựa vào số liệu VBench của chính các tác giả, một vị thế yếu hơn bất kỳ mô hình nào đang có trên ba bảng của H3.
Điều thứ hai là việc MiniMax công bố một con số độ trễ. Bảng giá của H3 được tính bằng giây đầu ra, và trong cấu trúc đó không có chỗ nào cho một chi phí mỗi khung hình mà người đọc có thể so sánh với 36 mili giây. Nếu MiniMax hoặc một bên kiểm thử độc lập công bố số khung hình mỗi giây ở một độ phân giải và GPU nhất định, thì cuối cùng hai mô hình sẽ có thể được đo trên cùng một trục. Họ chưa làm vậy, và việc bắt đầu làm điều đó không nằm trong lợi ích thương mại của nhà cung cấp.

