FastFrames Video Generation 与 Grok Imagine Video 对比的主视觉标题卡,带有徽章,分别写着“每帧 36 ms”、“无声,480p”、“自托管”、“最高 1080p”、“音频与唇同步”和“每分钟 $4.20”,右下角为 OrcaRouter 标志。
Guides & Insights

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

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

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。

A two-column scoreboard comparing FastFrames and Grok Imagine Video across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against up to 1080p, audio none against joint audio and video, max length 81 frames about 5 seconds against 15 seconds, price GPU time only against $4.20 to $8.40 per minute, and access open weights against a hosted API.

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。

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

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。

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame.