
Apple 的 FastFrames 生成视频的速度比你观看它的速度还快
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 119 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百万 tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
每帧三十六毫秒。这就是 FastFrames Video Generation 最醒目的数字——这是 Apple 与康奈尔于 2026 年 11 月 16 日联合发布的版本;权重在 Hugging Face 上以 FastFrames-S(13 亿参数)和 FastFrames-L(140 亿参数)的形式提供,次日还发表了一篇题为“FastFrames: Video Generation at Interactive Latency”的论文。先算一算,再读其他内容:一个片段是 832×480 下的 81 帧,每秒 16 帧,也就是 5.06 秒视频。在单块 B200 上以每帧 36 毫秒计算,小模型用 2.9 秒就能生成这个片段。不是比替代方案更快——而是比播放还快。有趣的问题不是这个数字是否真实,而是 Apple 为了得到它牺牲了什么,以及这种取舍你是否能接受。
实际发布的是什么,以及何时发布
两个检查点,都是文生视频,截至本周都无需申请且可下载。这些 Hugging Face 仓库创建于 2026 年 11 月 16 日,直到 11 月 18 日上午仍在被改动;arXiv 预印本(2611.23226)的日期是 11 月 17 日。所以这是一个仅发布两天的版本,而不是一个有历史验证记录的模型,这里的一切都尚未经过独立评估。接下来的所有内容,要么是作者自己的测量结果,要么是已发布权重本身的属性。
• 尺寸 — FastFrames-S 为 1.3B 参数,FastFrames-L 为 14B(计入新增头后为 14.3B)。
• 基础模型——分别从 Wan2.1-T2V-1.3B 和 Wan2.1-T2V-14B 蒸馏而来,采用作者称为 Causal Forcing++ 的方法。
• 输出 — 832×480、16 fps,每次生成 81 帧,自回归式,因此片段可以串联。
• 权重 — 已在 Hugging Face 上开放,标注为 Apple 的 AMLR 许可;LingBot-World v2 演示代码采用 CC BY-NC-SA 4.0 许可,即非商业性使用,而仓库其余部分则遵循 Apple 的示例代码许可(Sample Code Licence)。
• 定价 — 无。Apple 没有提供托管的 FastFrames 端点;你需要在自己的 GPU 上运行它。
最后那句话才是需要牢记的。FastFrames 是一个研究发布版,提供可下载的权重,这与产品是不同性质的东西。它没有按秒计费,没有队列,没有 SLA,而且没有 NVIDIA GPU 和 CUDA 12.8 就无法调用它。

毫秒都去哪儿了
这个架构思路比“更快的模型”更聚焦,也更有意思。FastFrames 是一种自回归视频扩散模型,这意味着它会基于此前的帧生成一个帧块。在它所基于的基线模型 Causal Forcing++ 中,生成一个 81 帧的块时,每帧耗时 271.8 毫秒,而其中很大一部分根本不在 transformer 上——而是变分自编码器将潜变量解码回像素,再加上更新 KV 缓存的步骤,以便下一个块知道这个块中发生了什么。
苹果团队用小型学习网络替换了该循环的两端,并保持扩散Transformer不变。
• VAE 解码器已被移除。一个拥有 6387 万参数的像素解码器——由三个因果 ConvNeXt 块和一个最终线性层组成,每个 token 直接输出 4×16×16 的 RGB 值——直接生成帧。解码耗时从约 147 毫秒降至约 1 毫秒。
• KV 缓存更新现在是一个小型网络。一个共享主干、四个 8 头自注意力块,以及每个 DiT 层一个残差修复头,在小模型上耗时 2 毫秒,在大模型上耗时 6 毫秒。
• 变换器本身几乎没有变化,并且在最后阶段被冻结。在 1.3B 模型上,DiT 时间从 41.6 毫秒降至 16.4 毫秒;在 14B 模型上,从 89.2 毫秒降至 75.6 毫秒。
在 1.3B 模型上把这些加起来,271.8 毫秒就变成了 35.8。这就是全部诀窍,而且是个好诀窍:作者并没有让扩散 Transformer 变得更快,而是去掉了它周围那些从来都不是重点的部分。像素解码器在 32 块 B200 上训练了大约一周,覆盖 150,000 次 rollout;其中还有一个在 8 块 B200 上进行的对抗阶段,使用冻结的 DINOv3 ViT-S/16 判别器,防止它生成发虚的帧。
质量声明,以及由谁核查
这是需要加标签的部分。下面的 VBench 数字是作者自己的结果,是在 480p 下使用相同的提示词和随机种子运行得到的,并报告在论文的表 1 中。没有独立第三方复现过这些数字,而 VBench 是一个奖励自回归模型所擅长的那种时间平滑性的基准。应把它们视为关于达到同等水平的主张,而不是对同等水平的实测。
• FastFrames-S — VBench 总分 84.23,质量 85.30,语义 79.92,每帧耗时 36 毫秒。
• FastFrames-L — 总分 84.44,质量 85.48,语义 80.29,在八块 B200 上每帧 45 毫秒。
• Causal Forcing++,即其蒸馏所基于的基线——每帧 272 ms 时总分为 84.11,因此约慢 7.6 倍,却只低 0.1 到 0.3 分。
• Krea-Realtime — 在每帧 1,675 毫秒下总分 84.42;论文声称,其以超过十倍的速度实现可比的真实感、提示词遵循度、构图和文本渲染。
• Self-Forcing — 717 毫秒时 84.10;CausVid 662 毫秒时 83.18;LongLive2.0 505 毫秒时 83.65。
• Wan2.1 1.3B,基础模型 — 每帧 30,444 ms 下为 83.80。
• Wan2.2 14.3B —— 每帧 117,734 毫秒下达到 84.65。这个数字值得好好琢磨:它是全场最佳总成绩,但每帧成本约为 FastFrames-L 的 2,600 倍。
• MiniMax-H3 33.1B — 84.43,耗时 38,454 毫秒;HunyuanVideo1.5 8.3B — 83.18,耗时 1,555,508 毫秒。
这张图呈现的是一个平坦的质量平台期:榜单上每个模型都落在 83 到 85.5 之间,而延迟跨度达到四个数量级。无论 VBench 总分衡量的是什么,它早就不再能区分这些系统了。如今拉开它们差距的,是它们的运行速度,以及它们能生成的分辨率和音频——而 FastFrames 在第一列遥遥领先,却在第二列彻底落败。
每帧 36 毫秒究竟能换来什么
换算成产品人员关心的单位。作者既报告了吞吐量,也报告了延迟,而这两者所反映的情况会因你拥有多少块 GPU 而有所不同。
• FastFrames-S,单块 B200 — 每帧 36 毫秒,约每秒 28 个请求。一段 5 秒的片段只需 2.9 秒,即比你正常观看它的速度快 1.7 倍。
• FastFrames-L,八块 B200 — 每帧 45 毫秒,约每秒 22 个请求。5 秒片段用时 3.6 秒。
• FastFrames-L,单块 GPU——每帧 158 毫秒,约每秒 6.3 次请求。同一段剪辑耗时 12.8 秒,比播放速度还慢。只有将大型模型分布到整个节点上,它才具备交互性。
• 在 720p 分辨率下——小模型每帧耗时 127 毫秒,大模型为 116 毫秒,且这是在八块 GPU 上的结果;此时对于单流会话而言,“交互式”已不再成立。
• 在 H100 而非 B200 上——论文给出的性能损失为 25% 到 50%,因此小模型每帧大约落在 45 到 54 毫秒。
站得住脚的说法,是关于小模型在当前硬件上的那一个。FastFrames-S 在单台 B200 上确实快于实时,这正是让实时预览循环、流式虚拟形象或可控世界模型无需渲染农场即可实现的原因。14B 只有在批处理吞吐的意义上才具备交互性。
自己运行
该仓库提供的是一条可用的推理路径,而不仅仅是权重。你需要 Linux x86-64、NVIDIA GPU 和 CUDA 12.8;然后运行 uv sync,以及 uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4。有一个延迟基准测试脚本(接收 GPU 数量)、一个 VBench 评估工作流,以及 apps/lingbot 下一个在 8000 端口提供服务的演示应用。Apple 还发布了大模型每个训练阶段的检查点——因果教师、一致性蒸馏阶段、DMD 蒸馏阶段,以及带有像素解码器和 KV 精炼网络的最终生成器——这很不寻常,并使该发布具有大多数“开放权重”发布所不具备的可复现性。

如果你没有 GPU,那么实话实说:OrcaRouter 并不提供 FastFrames,其他任何人也不提供——根本不存在可供路由的托管端点。一个 OrcaRouter 密钥确实覆盖的是如今已经可用的托管视频模型,包括 Kling 3.0 和 Kling 3 Turbo、Kling Video O1 以及 MiniMax H3,价格按供应商列表价透传,0% 加价,因此供应商调价当天就会反映到你这里,而不是等到下一个计费周期。对于对 FastFrames 好奇的团队,明智的做法是先用一个可以测量延迟的托管模型来验证产品想法,只有在确认这个闭环值得投入后,才购买 GPU 时间。
它不能做什么
三个限制,而且下周一个都不会被修补。
• 分辨率——480p,句号。Apple 报告的是 720p 下的延迟数据,但实际发布的配置是 832×480。这一价位段的所有竞品都至少提供 1080p。
• 音频——无。FastFrames 是无声的。Veo、Kling、Grok Imagine 和 HiDream 均在同一个调用中生成同步音频。
• 时长与控制 — 每次生成 81 帧,支持自回归链式续接,仅限文本提示。不支持图像条件输入,不支持参考素材,不支持关键帧,不支持镜头控制,不提供扩展 API。
• 许可 — 模型权重适用 Apple 的 AMLR 条款,LingBot-World v2 组件则采用 CC BY-NC-SA 4.0。在基于该演示应用构建商业产品之前,请先阅读这些条款;“开放权重”与“可自由商业化”并非同义词,本次发布有意对二者的区别保持审慎。
值得关注的事
FastFrames 最好被理解为一个证明:自回归视频生成的代价从来主要都不在模型本身,而在于解码和缓存更新;Apple 用大约两毫秒和一兆字节的参数就把这两者都消除了。这个结果可以迁移:像素解码器是按基础模型分别训练的,但原则——冻结 transformer、学习配套管线——适用于任何因果视频扩散技术栈,而且论文已经展示了它被移植到两个第三方系统:在 1.3B 变体上让 LingBot-World 从每帧 1,085 毫秒降到 52 毫秒,在 14B 上从 3,862 降到 233。
这对买家意味着什么:如果你的产品需要在实时循环中运行视频模型,硬件要求刚刚降低了一个数量级,而质量上的代价似乎很小。如果你的产品需要带声音的 1080p 成品片段,那么本次发布中没有任何内容是针对你的,托管模型仍然是答案。这两种用例之间的差距,正是未来十二个月视频模型发布将要角逐的战场。

