
FastFrames 视频生成 vs Grok Imagine 视频:两者均为自回归,但只有一个已交付
- 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
如今在生产环境中,与FastFrames Video Generation在技术上最接近的同类产品是Grok Imagine Video,而且这种相似并非表面上的。两者都以自回归方式生成视频——每个块都以之前的帧为条件——并且都用这种结构来延长片段,而不是渲染一个固定窗口。Apple 的发布版本于 2026 年 11 月 16 日发布,论文于 17 日发布,它借此在单块 GPU 上达到每帧 36 毫秒。xAI 的版本则利用它让一个镜头带声音持续到十五秒。区别在于,其中一个是可下载的研究产物,另一个自 2026 年 1 月起就已在公共 API 上;而对任何有截止日期的人来说,决定这场对决结果的是这一区别——而不是基准测试表。
每项要花多少,以你实际做预算时使用的单位表示
FastFrames 没有价格,因为没有什么可买的。权重在 Hugging Face 上,采用 Apple 的 AMLR 许可证,唯一成本是硬件:1.3B 模型需要一块 B200,而 14B 模型要保持交互性则需要八块,外加 CUDA 12.8 和 Linux。Grok Imagine Video 按秒出售,而 Artificial Analysis 按每分钟费率报告,这使得计算变得异常简单。
• Grok Imagine Video,最初发布版本——每分钟输出 4.20 美元,即每秒 0.07 美元。一段 15 秒的片段约为 1.05 美元。
• Grok Imagine Video 1.5 — 每分钟 8.40 美元,每秒 0.14 美元,同样的十五秒大约 2.10 美元。
• 文生视频榜单上的 Grok Imagine Video 1.5 Lite——同样每分钟 8.40 美元,这一价格怪象值得点出来,而不是搪塞过去。
• FastFrames-S——不按费率计费。一块 B200 的 GPU 小时价格约为 2 至 4 美元,在理论极限下每秒钟实际耗时(wall clock)可生成 28 段五秒片段,因此边际成本趋近于电费。
• FastFrames-L——同样,在八块 GPU 上,这恰恰是“便宜”这个说法更难站住脚的地方。
只有在达到一定规模、并且你们已经拥有这些 GPU 时,FastFrames 的成本账才会变得有利。对于租用 GPU 的团队来说,成本交叉点还远得很,因此选择它必须是因为延迟,而不是价格。

Grok Imagine Video 究竟领先在哪里
FastFrames 完全不具备的三项已交付能力。
• 分辨率 — Grok Imagine Video 会根据调用输出 480p、720p 或 1080p;FastFrames 固定为 832×480。
• 音频 — xAI 将画面与声音一同生成,支持唇形同步的语音以及最多三个预设声音参考;FastFrames 生成无声视频,且没有音频通路。
控制界面——最多 14 张参考图像,最多四个视频中段关键帧,再加上首帧和末帧,以及从末帧开始链式延伸至十五秒的扩展;FastFrames 接收文本提示词,这就是整个界面。
就实测质量而言,在 2026 年 10 月 Artificial Analysis 的数据快照中,Grok 系列处于中游而非顶尖:最初发布的版本在图生视频榜单上以 14,371 个样本上的 Elo 1,072 ±7 排名第十三,Grok Imagine Video 1.5 以 5,267 个样本上的 1,098 ±8 排名第九,而 1.5 Lite 档位在文生视频榜单上以 5,715 个样本上的 993 ±10 排名第十六。因此,1.5 更新带来了约 26 Elo 的提升——这是处于置信区间边缘的真实改进,而非阶跃式变化——但每秒价格翻了一倍。这些是 10 月的第三方数据;FastFrames 没有可对比的榜单条目,而苹果自家小模型和大模型的 VBench 总分分别为 84.23 和 84.44,与 Elo 不可通约。
FastFrames 领先的地方,而且仅在一个维度上
速度,压倒性地重要,以及速度所服务的目的。Grok Imagine Video 是一个请求-响应系统:你发送提示词,等待,然后得到一段片段。单台 B200 上的 FastFrames-S 每帧返回耗时 36 毫秒——聚合吞吐为每秒 28 帧——比 16 fps 的流媒体播放速度还要快。14B 模型需要八台 B200 才能达到每帧 45 毫秒;在单块 GPU 上则降至 158 毫秒,不再具备交互性。
那不是让 Grok 显得慢的数字,而更像是在描述另一款产品的数字。xAI 卖的是带声音的成品短视频。Apple 发布的是一个用于实时循环的组件——并通过把其他人的系统变成可交互来展示它:将 LingBot-World 的 1.3B 变体从每帧 1,085 毫秒降到 52 毫秒,将其 14B 从 3,862 降到 233,而 RealWonder 1.3B 则从 1,141 降到 51。这些系统也都没有在 1080p 下提供音频。更现实的解读是,FastFrames 是一项等待产品落地的技术,而且这项技术很不错:用一个 6,387 万参数的像素解码器取代 VAE 解码,可将该阶段从约 147 毫秒缩短到约 1 毫秒;一个小型 KV 精炼网络则以 2 到 6 毫秒取代缓存更新。
基准表中无人提及的许可陷阱
FastFrames 是在一种狭义且审慎的意义上开放的。模型权重受 Apple 的 AMLR 条款约束。随附作为演示一同发布的 LingBot-World v2 代码和权重采用 CC BY-NC-SA 4.0——非商业性、相同方式共享。仓库其余部分则采用 Apple 的 Sample Code Licence。如果你原本打算把这个演示应用放进商业产品,许可证会在 480p 上限之前先拦住你。Grok Imagine Video 则没有这种模糊性:它是一个 API,你按秒付费,条款是服务协议,而不是对权重的权利授予。
这个取舍值得直截了当地点明,因为“开放权重”常被用作“免费使用”的代名词,而这次发布并非如此。

如何在它们之间进行选择
要问的是片段生成之后会发生什么。如果人只看一遍就过去了——发一条社交帖子、做一个分镜、生成一个广告变体——那么带音频和 1080p、每秒 $0.07 到 $0.14 的 Grok Imagine Video 就是更便宜也更好的答案,而 FastFrames 在输出质量上无法竞争,因为它不产出成品。如果片段是其他东西的输入——随着用户输入而更新的预览、在一帧内作出响应的角色、正在被探索的世界模型——那么按片段计价和请求队列就完全不是正确的形态,而单块 GPU 上的 FastFrames-S 是本次比较中唯一符合要求的东西。
对于中间情况——你想在购买硬件之前测试这种交互形态是否值得构建——最便宜的路径是使用今天就能调用的托管模型进行原型开发。OrcaRouter 覆盖按提供商标价、0% 加价、用一个密钥即可访问的托管视频模型——其中包括 Kling 3.0、Kling 3 Turbo、Kling Video O1 和 MiniMax H3——而统一透传意味着供应商的价格变动当天就会反映到你的账单上,而不是等到续约时。Grok Imagine Video 和 FastFrames 都不在该目录中:我们两者都不提供,本文也没有任何暗示相反情况的内容。一个密钥确实能给你的是,一种稳定的方式来衡量你的用户能容忍多长的延迟,而这个数字能告诉你 Apple 的发布到底是否与你的路线图相关。
诚实的总结
Grok Imagine Video 在每一项衡量标准上都是更好的视频生成器,唯独 Apple 所优化的那一项除外,而 Apple 把那一项优化得比任何人都更进一步。两年后,有趣的问题将不再是这两者中哪一个更快,因为托管侧会追赶得足够快,以至于对大多数产品来说这种区别不再重要。问题将是,是否有任何托管方案能让你在生成仍在渲染时对其进行引导。这正是 FastFrames 所展示的能力,而本次比较中没有任何 API 提供这一点。

