
FastFrames Video Generation so với Seedance 2.5: Ba mươi giây đối đầu tám mươi mốt khung hình
- 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
Một bản tóm tắt ba mươi giây và một ngân sách tám mươi mốt khung hình là hai câu trả lời khác nhau cho cùng một câu hỏi, và câu hỏi không phải là “nhanh đến mức nào”. Seedance 2.5, mục nhập dài kỳ của ByteDance từ ngày 31 tháng 7 năm 2026, tạo ra ba mươi giây trong một lần chạy và mở rộng vượt quá mức đó qua nhiều lượt, đọc tối đa 30 tham chiếu hình ảnh, 10 tham chiếu video và 10 clip âm thanh làm ngữ cảnh. FastFrames Video Generation, bản phát hành ngày 16 tháng 11 của Apple cùng với Cornell, tạo ra 81 khung hình ở 832×480 và 16 khung hình mỗi giây — 5,06 giây — trong khoảng 2,9 giây thời gian thực trên một B200, không có bất kỳ đầu vào tham chiếu nào. Nếu bạn từng chứng kiến một đạo diễn cố gắng giữ mạch diễn xuất xuyên qua một cú cắt, bạn đã biết trong hai con số đó đâu là bài toán kỹ thuật khó hơn và đâu là bài toán lập lịch khó hơn. Trang này nói về con số thứ hai, vì chính nó là thứ quyết định ngân sách.
Hai triết lý đo lường mức sử dụng, và không cái nào là bảng giá
Hãy bắt đầu với cách mỗi mô hình tính phí, vì các đơn vị không quy đổi được và mọi so sánh giả vờ rằng có thể quy đổi chỉ là phép tính số học dựa trên một lỗi phạm trù.
• Seedance 2.5 — được ByteDance tính phí theo token video trên bảng giá chính thức, công bố qua Volcano Engine Ark tại Trung Quốc và BytePlus ModelArk trên phạm vi quốc tế. Chi phí của một clip phụ thuộc vào độ phân giải, thời lượng và mức sử dụng token thực tế, vì vậy con số mỗi giây chỉ có giá trị cho một độ phân giải và một thời lượng duy nhất. Các lần tạo thất bại vẫn bị tính phí giống như các lần thành công.
• Các nhà cung cấp dịch vụ lưu trữ bên thứ ba cho Seedance 2.5 — mỗi bên cộng thêm biên lợi nhuận riêng và công bố mức giá theo giây hoặc theo clip riêng của mình, đó là lý do một tá trang đưa ra một tá con số và không con số nào là của nhà cung cấp gốc.
FastFrames — không có đồng hồ đo. Bạn mua GPU. Một B200 cho mô hình 1.3B, tám chiếc cho 14B để duy trì tương tác. Một lần tạo sinh thất bại tốn số giây y như một lần thành công, và cả hai đều được đo bằng điện năng thay vì đô-la trên mỗi đầu ra.
• Điểm dữ liệu độc lập duy nhất — Artificial Analysis ghi nhận Dreamina Seedance 2.5 ở mức 34,12 USD mỗi phút trên bảng text-to-video và 40,82 USD trên bảng biên tập, số liệu truy cập ngày 8 tháng 10 năm 2026. Cột đó là chi phí cho một phút đầu ra 1080p ở cài đặt mặc định của mô hình, và Seedance 2.5 mặc định dùng cấu hình dài hơn, nặng hơn mà bảng giá của nó định giá. Hãy dùng nó để nắm bậc độ lớn, đừng dùng cho một dòng ngân sách.
Điều đó có nghĩa là cách nói trung thực nhất là: một trong hai mô hình này có mức giá mà bạn không thể dự đoán từ bên ngoài, còn mô hình kia thì không có giá nào cả. Tính không thể dự đoán của FastFrames nằm ở phía bạn trong sổ sách — bạn biết mình đã đốt bao nhiêu giờ GPU — còn của Seedance 2.5 nằm ở phía nhà cung cấp, vì số token phụ thuộc vào cách mô hình chọn dùng token cho câu lệnh của bạn. Giữa hai điều đó, cái thứ hai là cái nguy hiểm hơn để lập kế hoạch đối phó.
Ngân sách tham chiếu thực sự mua được gì
Những con số tham chiếu được công bố trông giống như một cuộc thi thông số kỹ thuật, và thực chất chúng là một lời khẳng định về năng lực.
• Hình ảnh — Seedance 2.5 chấp nhận tối đa 30, so với con số không của FastFrames. FastFrames hoàn toàn không có bất kỳ đường dẫn điều kiện hóa hình ảnh nào.
• Video — tối đa 10 clip làm tham chiếu. Đây chính là điểm thay đổi bản chất mục đích của model: một tập tham chiếu bao gồm chuyển động, nhịp điệu và hành vi camera lấy từ đoạn phim có sẵn là một đối tượng khác hẳn so với một tập tham chiếu chỉ truyền tải diện mạo.
• Âm thanh — tối đa 10 clip. Seedance 2.5 tạo kèm âm thanh; FastFrames không có âm thanh và không có luồng âm thanh trong cấu hình phát hành.
• Độ dài prompt — không có giới hạn nào được công bố mà đáng kể ở mức độ cụ thể này đối với Seedance; FastFrames nhận một prompt văn bản và một seed, và cửa sổ 81 khung hình của nó nghĩa là bạn đang mô tả một cú quay liên tục thay vì một cảnh.
Ba mươi giây với một tham chiếu video là một cảnh quay bạn có thể đạo diễn. Tám mươi mốt khung hình từ một câu lệnh là một cảnh quay bạn có thể lấy mẫu. Cả hai đều là những phương thức sản xuất hợp lệ; chúng không phải cùng một công việc, và ngân sách tham chiếu chính là thứ khiến chúng trở thành những công việc khác nhau thay vì những cấp độ chất lượng khác nhau.

Vì sao cửa sổ năm giây không phải là giới hạn như nó có vẻ
Năm giây nghe như đủ để bị loại khi đặt cạnh ba mươi, và kiến trúc chính là lý do nó không tệ như những gì đọc thấy — đồng thời cũng là lý do không thể khắc phục bằng cách yêu cầu thêm khung hình.
FastFrames là tự hồi quy: mỗi khối 81 khung được điều kiện hóa dựa trên khối trước đó, đó là lý do các clip có thể nối chuỗi được với nhau. Đóng góp của các tác giả không phải là một transformer nhanh hơn mà là việc loại bỏ hai thành phần xung quanh nó vốn chưa bao giờ là điểm cốt lõi. Một bộ giải mã pixel 63,87 triệu tham số thay thế bộ giải mã VAE và đưa thời gian giải mã từ khoảng 147 mili giây mỗi khung xuống còn khoảng 1. Một mạng tinh chỉnh nhỏ thay thế bước cập nhật KV-cache tốn 2 mili giây trên mô hình 1,3B và 6 trên mô hình 14B. Bản thân transformer được đóng băng ở giai đoạn cuối. Trên mô hình nhỏ, 271,8 mili giây mỗi khung trở thành 35,8.
Tuy nhiên, việc nối chuỗi không phải là gia hạn. Không có keyframe, không có khung bắt đầu, không có khung kết thúc, không có ảnh tham chiếu, không có clip để tiếp nối — vì vậy một chuỗi dài một phút được dựng từ FastFrames là mười một khối nối tiếp nhau mà không có cơ chế nào để giữ nguyên khuôn mặt nhân vật, trang phục hay hướng ánh sáng qua các đường nối. Ba mươi giây trong một lần chạy cho Seedance 2.5 một cửa sổ ngữ cảnh duy nhất, trong đó tính nhất quán là vấn đề của mô hình chứ không phải của người biên tập. Sự khác biệt đó đáng giá hơn con số thời lượng gấp sáu lần gợi ý, và đó không phải là thứ mà các cải tiến phần cứng sẽ lấp đầy.
Tốc độ đưa bạn đến đâu, và đến đâu thì không.
Quy đổi 36 mili giây sang những đơn vị mà một người làm sản phẩm quan tâm, và bức tranh sẽ hẹp hơn và thú vị hơn cả tiêu đề.
• FastFrames-S trên một B200 — 36 mili giây mỗi khung hình, khoảng 28 yêu cầu mỗi giây, một clip 5 giây trong 2,9 giây. Nhanh hơn phát lại khoảng 1,7 lần.
• FastFrames-L trên tám B200 — 45 mili giây mỗi khung hình, khoảng 22 yêu cầu mỗi giây, 3,6 giây cho cùng một clip.
• FastFrames-L trên một GPU — 158 mili giây mỗi khung hình, tức 12,8 giây cho một clip 5 giây. Chậm hơn cả việc xem nó. Mô hình lớn chỉ tương tác được trên một node.
• Ở 720p — 127 mili giây trên mô hình nhỏ, 116 trên mô hình lớn trên tám GPU. Đó là điểm mà khả năng tương tác một luồng dừng lại.
• Trên H100 thay vì B200 — mức chậm trễ 25 đến 50 phần trăm theo ước tính của chính bài báo, khiến mô hình nhỏ rơi vào khoảng 45 đến 54 mili giây mỗi khung hình.
Seedance 2.5 không công bố số liệu nào tương đương, bởi vì nó được bán theo số giây đầu ra chứ không phải theo số khung hình trên giây của thời gian thực, và không có bên thứ ba nào công bố độ trễ trên mỗi khung hình cho nó mà trang này có thể xác minh. Sự bất đối xứng đó không phải là lời chê; đó là lời nhắc rằng hai mô hình được đo đạc để trả lời những câu hỏi khác nhau.
Điều mà hồ sơ độc lập nói, ở một phía mà nó tồn tại
Seedance 2.5 có một vị trí trên bảng, còn FastFrames thì không, và cả hai sự thật đó đều cần được nói rõ ràng.
Trên bảng biên tập video của Artificial Analysis, tính đến ngày 8 tháng 10 năm 2026, Seedance 2.5 đứng thứ hai với 1.161 Elo qua 5.162 phiếu bầu — biên tập một clip từ chỉ dẫn văn bản với âm thanh được giữ nguyên. Đó là kết quả hạ nguồn của khả năng tham chiếu video, và đó là kiểu con số mang ý nghĩa cụ thể: vài nghìn người đã chọn đầu ra của nó thay vì đầu ra của một mô hình khác trong một tác vụ mà cả hai đều được yêu cầu thực hiện. Đây không phải là phán quyết về chất lượng nói chung, và nó không cho bạn biết clip đó tốn bao nhiêu.
FastFrames không có mục trên bảng xếp hạng vì nó không có host. Apple công bố trọng số mà không có endpoint, nên không bài kiểm tra sở thích nào có thể phục vụ nó cho người bỏ phiếu, và tuyên bố về chất lượng của mô hình hoàn toàn dựa vào Bảng 1 của chính các tác giả: tổng điểm VBench là 84,23 cho FastFrames-S và 84,44 cho FastFrames-L so với 84,11 cho baseline Causal Forcing++ ở 272 mili giây mỗi khung hình, với Wan2.2 14.3B ở 84,65. Chưa được tái lập, và trên một benchmark thưởng chính xác cho độ mượt thời gian mà các mô hình tự hồi quy được xây dựng để tạo ra. Độ chênh lệch trên toàn bộ bảng của Apple là khoảng hai phẩy năm điểm, trong khi độ chênh lệch độ trễ trên cùng các mô hình đó là bốn bậc độ lớn — đó là lập luận mạnh nhất trong bài báo, và đó là lập luận về việc các benchmark đo cái gì chứ không phải về chất lượng của FastFrames.
Tính chi phí cho một brief thực tế
Hãy đặt một công việc thực tế để đối chiếu cả hai, và các đơn vị sẽ va chạm theo cách hữu ích hơn bất kỳ bảng nào.
• "Một phim sản phẩm dài ba mươi giây với phần thuyết minh đã khóa" — Seedance 2.5 có thể làm được trong một lần chạy với tính năng mở rộng nhiều lượt, lấy giọng đọc làm tham chiếu âm thanh và ảnh tĩnh sản phẩm làm tham chiếu hình ảnh. FastFrames không giữ được âm thanh, không nhận được ảnh tĩnh, và sẽ cần nhiều khối nối tiếp mà sau đó bạn sẽ phải che các đường nối. Công việc được giao cho một mô hình dựa trên năng lực trước khi giá cả được đem ra bàn.
• “Một trăm biến thể của một vòng lặp năm giây cho màn hình tương tác” — FastFrames trên B200 tạo ra mỗi biến thể trong chưa đầy ba giây đồng hồ thực, với chi phí biên chỉ là sai số làm tròn khi card đã được khấu hao. Seedance 2.5 sẽ tính phí một trăm lần tạo, trong đó một số sẽ bị loại, theo một bảng giá không công bố con số rõ ràng theo giây để lập kế hoạch.
• "Một cảnh chủ đạo mà phải trông giống hệt đoạn phim chúng ta đã dựng" — Seedance 2.5, vì tham chiếu video là cách duy nhất để hướng một trong hai mô hình tới đoạn phim có sẵn. FastFrames không có con đường nào từ clip đầu vào đến clip đầu ra.
• "Chứng minh khái niệm tương tác trước khi chúng ta mua phần cứng" — không bên nào, một cách trực tiếp. Chi phí mỗi giây của Seedance 2.5 chỉ có thể biết được sau khi phát sinh thanh toán, và FastFrames cần phần cứng trước. Cách rẻ nhất là tạo nguyên mẫu dựa trên một mô hình có mức giá mỗi giây được công bố và số liệu độ trễ thực tế, rồi quyết định.
OrcaRouter không phục vụ FastFrames — không có endpoint được host nào cho trọng số của Apple ở bất kỳ đâu, đây là nhận định về bản phát hành chứ không phải về định tuyến. Điều mà một khóa thực sự truy cập được hôm nay là lớp video được host với mức giá công bố: MiniMax H3 với $0.08 mỗi giây ở 768p và $0.13 ở 2K, cùng dòng Kling 3.0, cùng hơn 200 mô hình ngôn ngữ trên một endpoint tương thích OpenAI theo giá niêm yết của nhà cung cấp với mức markup 0%. Seedance 2.5 cũng không phải là một tuyến ở đây — ByteDance bán nó qua các nền tảng riêng của họ và thẻ token là của họ — và trang này không giả vờ khác đi. Công dụng thực tế của danh mục đó trong so sánh này là đo lường: lấy đường cơ sở về độ trễ và chi phí thực tế từ một mô hình mà bạn có thể đọc được đồng hồ đo, trước khi cam kết với một cụm GPU hoặc một hóa đơn token mà bạn không thể dự báo trước.
Câu hỏi còn bỏ ngỏ, và nó liên quan đến thước đo chứ không phải mô hình.
Nếu ByteDance công bố bảng ví dụ về tốc độ token ở nhiều mức cài đặt hơn, sự bất đối xứng giữa tính theo mức dùng và tính dự đoán được sẽ trở nên dễ lập kế hoạch hơn nhiều, và người đọc cuối cùng có thể so sánh Seedance 2.5 với một mô hình tính theo giây mà không phải tự thực hiện phép tính thay cho nhà cung cấp. Nếu Apple vận hành FastFrames ở bất kỳ mức giá nào, mô hình sẽ có được một mục trong đấu trường và một con số độ trễ do người khác đo — hai thứ sẽ cho phép 36 mili giây của nó được đánh giá thay vì chỉ được ngưỡng mộ.
Cả hai đều chưa xảy ra. Cho đến khi một trong hai xảy ra, cách để chọn là nhận ra bạn đang thực sự hỏi câu nào. Ba mươi giây trong một lần chạy trả lời câu hỏi "liệu mô hình này có giữ được một cảnh liền mạch không". Ba mươi sáu mili giây một khung hình trả lời câu hỏi "liệu mô hình này có theo kịp một người không". Cả hai đều khó, cả hai đều đáng để trả tiền, và không một bảng giá duy nhất nào định giá được cả hai.


