
FastFrames 视频生成 vs Google Veo 3.1:实时生成对阵成品影片
- 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 · 87 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 · 120 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 · 187 tok/s
- 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
这两个系统并不是在争抢同一项任务,看清这一点的最快方式,就是问问它们各自拒绝做什么。 FastFrames Video Generation由 Apple 于 2026 年 11 月 16 日发布,论文于 17 日跟进,它不会给你一个能直接交给客户的文件:最高只有 480p,没有声音,而且根本没有托管端点。 Google Veo 3.1不会在不到一秒内给你一帧画面:标准档按成品输出每分钟计价,而它的延迟以数十秒计。一个是面向交互式应用的底层基础设施。另一个是制作公司。仅比较质量,就像拿相机和电影摄制组相比。
六个维度,以及每个维度由谁测量
首先看测的是什么,并注意是谁测的。下文的 Veo 3.1 数据来自 Artificial Analysis 的视频榜单,采集于 2026 年 10 月,当时 FastFrames 尚未问世。FastFrames 的数据则来自苹果自家论文的表 1,使用相同的提示词和随机种子,分辨率为 480p。目前没有任何独立机构运行过 FastFrames,也没有任何榜单对其评分。你看到的 Veo 数字属于第三方测量结果;你看到的 FastFrames 数字则属于厂商声称。
• 延迟 — FastFrames-S 在单块 B200 上每帧 36 毫秒,约每秒 28 个请求;而 Veo 3.1 每个片段需数十秒,按视频时长而非按帧售卖。
• 分辨率 — FastFrames 仅支持 832×480,没有其他选项;而 Veo 3.1 则根据套餐不同,支持 720p、1080p 和原生 4K。
• 音频 — FastFrames 完全不生成音频,而 Veo 3.1 可在同一次调用中原生生成 48 kHz 立体声,并包含对白、音乐和音效;其中 generate_audio 默认关闭。
• 价格 — FastFrames 没有价格,因为它没有端点;你购买的是 GPU,而 Veo 3.1 按每分钟输出 $24.00 计费,Fast 层级为 $9.00,Lite 层级为 $4.80。
• 访问方式——FastFrames 以可下载权重形式提供,遵循 Apple 的 AMLR 许可证,可在 Linux 上使用 CUDA 12.8 自托管;而 Veo 3.1 通过 Google 的 API 和第三方平台提供,不提供权重。
• 来源溯源 — FastFrames 不发布任何信息,而 Veo 3.1 会在每次输出中嵌入 SynthID 水印和 C2PA 内容凭证。

Veo 3.1 究竟能为你带来什么
Veo 3.1 的卖点不是“最好看”,而是“已完成”。该模型接收文本提示词、最多三张参考图像、一个种子和负面提示词,并返回一段 4、6 或 8 秒的片段,带有同步的 48 kHz 立体声——对白、环境声和音效与画面一同生成,口型与语音匹配。场景延展可将这些片段串联起来。不同档位可将分辨率提升至原生 4K。每个文件都带有 SynthID 水印和 C2PA 凭证,这正是法务团队会放行的资产与不会放行的资产之间的区别。
在质量方面,它表现不错,但并非领先。在 2026 年 10 月对 Artificial Analysis 图生视频榜单的截取中,Veo 3.1 以 Elo 1,082 位列第十二,区间为 ±7,样本量为 7,040。Fast 层级以 1,066 ±6 排名第十七,样本量为 14,688;Lite 层级以 1,071 ±8 排名第十五,样本量为 5,122——三个层级在统计上质量无法区分,价格却相差五倍。在文生视频榜单上,它以 962 ±10 排名第十九,样本量约为 3,000。把这些放在一起看,实际结论是:Veo 3.1 的层级选择是预算决策,而不是质量决策;它真正的护城河是音频、4K 和来源溯源,而不是 Elo。
FastFrames 实际上在证明什么
Apple 发布内容中那个有趣的说法比“更快的视频模型”更狭窄,也更难以被轻易否定。自回归视频扩散之所以慢,原因与 transformer 关系不大:把潜变量还原成像素的变分自编码器占据了大部分预算,将上下文带入下一个块的 KV 缓存更新也同样如此。Apple 用了一个 6387 万参数的像素解码器来替换前者——三个因果 ConvNeXt 块加一个线性头——又用一个共享主干、四块的精炼网络替换了后者,该网络在小模型上耗时 2 毫秒,在大模型上耗时 6 毫秒。DiT 在最终阶段保持冻结。
VAE 解码——每帧约 147 毫秒,变为约 1 毫秒。
• DiT,1.3B —— 41.6 毫秒缩短至 16.4 毫秒,或分摊到八块 GPU 上为 5.8 毫秒。
• DiT,14B — 89.2 ms 缩短至 75.6 ms,在八块 GPU 上则为 20.3 ms。
• Causal Forcing++ 总计,1.3B —— 271.8 ms 降至 35.8 ms,缩短为原来的 1/7.6。

两个检查点均从 Wan2.1 蒸馏而来——FastFrames-S 来自 Wan2.1-T2V-1.3B,FastFrames-L 来自 Wan2.1-T2V-14B——采用 Causal Forcing++ 配方;像素解码器在 32 块 B200 上基于 150,000 次 rollout 训练了约一周,并在八块 B200 上针对冻结的 DINOv3 ViT-S/16 判别器进行了一轮对抗训练。作者的 VBench 数值显示,FastFrames-S 为 84.23,FastFrames-L 为 84.44,而其蒸馏来源基线为 84.11,Krea-Realtime 为 84.42,后者每帧运行耗时 1,675 ms。
FastFrames 不能用于的两件事,以及它能用于的一件事
它无法替代已交付的片段
480p 在已发布配置中是硬性上限。Apple 报告了 720p 延迟——在八块 GPU 上,小模型每帧 127 毫秒,大模型每帧 116 毫秒——但并未随附 720p 权重或设置。完全没有音频通路,因此任何口播头像、带旁白的产品演示,或客户会带声音观看的内容,都需要单独的音频管线。而且在单块 GPU 上,14B 每个片段耗时 12.8 秒,大模型比实时播放还慢,除非你拥有一个节点。
它不能被称为
没有 Apple 端点。FastFrames 是一个研究发布:权重在 Hugging Face 上,采用 AMLR 许可证;代码在 GitHub 上;还有一个采用 CC BY-NC-SA 4.0 的 LingBot-World v2 演示应用——非商业用途。要使用它,你需要 Linux x86-64、NVIDIA GPU、CUDA 12.8、uv sync 和一个检查点目录。这首先是一个采购问题,其次才是技术问题。

它能让现场循环真正拥有现场感
每帧 36 毫秒时,单块 B200 上的 FastFrames-S 生成视频的速度比视频播放速度快 1.7 倍。正是这个阈值,让生成式预览能在一两帧内响应输入;也正是这一点,使流式虚拟形象、可控世界模型和交互式原型成为截然不同的产品,而不是只是更慢的同类产品。苹果自己的演示让两个现有系统实现了交互:LingBot-World 的 1.3B 变体从每帧 1,085 毫秒降至 52 毫秒,降幅达 16×;其 14B 从 3,862 毫秒降至 233 毫秒。RealWonder 1.3B 从 1,141 毫秒降至 51 毫秒。这些也都不是 Veo 的替代品——它们是 Veo 无论花多少钱都做不到的事情,因为没有任何托管 API 会按会话中的帧来计费。
如果你这个季度需要交付点什么
决策规则很简单。如果交付物是一个文件——一支广告、一段产品视频、一段带配音的讲解视频——那么 Veo 3.1 就是成品工具,FastFrames 根本不在讨论范围内,因为它无法提供声音或 1080p。如果交付物是一种体验——一场现场演示、一个互动角色、一个由人操控并立即看到结果的工具——那么目前没有任何托管式视频模型能做到这一点,FastFrames 是通往该目标最可信的开放路径,代价是一块 GPU 和一次许可证审查。
还有第三种情况,而且这是最常见的一种:一个团队想弄清楚交互式场景是否值得构建。基于托管模型为此制作原型,比购买 B200 机时更便宜,而 OrcaRouter 正是托管侧只需一个密钥的地方——同一个端点覆盖 Kling 3.0、Kling 3 Turbo 和 Kling Video O1,以及 MiniMax H3,全部按提供商目录价、0% 加价,因此供应商价格一变,当天就会体现在你的账单上。FastFrames 本身不在该目录中,我们也不提供它;本次发布没有任何内容会改变我们所托管的东西。一个密钥带来的,是能够在你投入硬件去击败它之前,衡量用户实际能容忍多少延迟的能力。
接下来会怎样
两套系统之间的差距,在于生成过程中硅在做什么,而这个差距会从两端同时缩小。托管厂商已经在销售更快的服务档位,而像素解码器技术在原则上与模型无关——它是按每个基础模型分别训练的,但它没有任何部分要求使用 Wan2.1。真正重要的版本是十八个月后的这次比较:一个带音频的托管式 1080p 模型,能在不到一秒内返回片段,按秒而非按分钟计费。在那出现之前,诚实的总结是:FastFrames 在一个 Veo 并未参与的品类中赢得了延迟竞赛。
