FastFrames 视频生成与 HiDream O1 Video 1.0 对比的主视觉标题卡,展示两张相对的卡片,分别标注为“FastFrames — 每帧 36 毫秒,480p,无声,开放权重”和“HiDream O1 Video 1.0 — Elo 1,175,1080p 带音频,每分钟 5.80 美元”,右下角带有 OrcaRouter 标志。
Guides & Insights

FastFrames 视频生成 vs HiDream O1 Video 1.0:低延迟遇上叙事

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

两个相隔十周的发布版本,建立在对视频模型用途截然相反的信念之上。HiDream O1 Video 1.0的出发点是这样一个假设:一段视频就是一部短片——它会规划叙事弧线,以 1080p 生成五到二十秒的内容并带有同步音频,还把物理规律视为约束而非美学。FastFrames Video Generation的出发点则是:每一帧都是一个事件,必须赶在需要下一帧之前抵达;它把帧与帧之间的间隔优化到了 36 毫秒——在 480p、无声音的条件下,基于苹果于 2026 年 11 月 16 日发布的权重,并伴随一篇日期为 17 日的论文。两者都不是对方的较差版本。它们是对不同问题的回答,而选择其中一个,就等于告诉所有人你问的是哪个问题。

一个用排行榜来衡量,另一个用秒表来衡量。

这个页面上最重要的一点,是证据的不对称性。HiDream O1 Video 1.0 已由第三方进行排名;FastFrames 则没有,而且以其当前形态也不可能被排名,因为一个没有音频的 480p 文生视频模型,无法被纳入一个假定有声音的图生视频榜单。

• HiDream O1 Video 1.0 — 在开启音频筛选的 Artificial Analysis 图生视频榜单上排名第六;该次数据采集于 2026 年 10 月 10 日,基于 3,231 个样本,Elo 为 1,175 ±10,价格为每分钟 5.80 美元。Artificial Analysis 记录其发布日期为 2026 年 8 月 28 日,上榜日期为 9 月 10 日,而 HiDream.ai 自己的公告日期为 9 月 17 日。

• FastFrames-S 和 FastFrames-L——没有排行榜条目,也没有独立评测。84.23 和 84.44 的 VBench 总分来自作者本人,出自论文表 1,所用提示词和随机种子与该表中的每个基线相同。

• 连接二者的那个论断——并无任何实测。VBench 总分与 Elo 不可换算,也没有人在同一批提示词上同时跑过两者。

所以,诚实地比较质量的办法就是拒绝比较。可以比较的是能力、延迟、价格和可及性,而在这四项中的三项上,答案毫无悬念。

A two-column scoreboard comparing FastFrames and HiDream O1 Video 1.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p, duration about 5-second blocks against 5 to 20 seconds planned, audio none against synchronised, conditioning text only against text plus one reference image, and price GPU time only against $5.80 per minute.

HiDream O1 Video 1.0 每分钟 5.80 美元能给你带来什么

这是一个雄心明显更大的系统。HiDream 的发布材料描述了三个阶段——规划阶段、音视频联合生成,然后是对齐阶段——并针对多模态奖励模型进行扩散强化学习后训练。在实践中,这体现为一个会自行决定片段应该多长、而不是被直接告知时长的视频模型:时长在 5 到 20 秒的窗口内按叙事进行规划,音频则与画面一起生成,而不是事后叠加。

分辨率与时长——1080p,5 到 20 秒,时长经过规划,而非随意选取。

• 音频 — 与视频一同生成并保持同步,而非单独处理。

• 条件控制 — 文本、图像和视频一起使用,托管 API 上必须恰好提供一张参考图像。

• 物理——被视为一种生成约束,这正是其 Elo 高于中位数这一主张的依据。

• 访问 — 一个托管的 MaaS 端点,具有异步任务和轮询周期,每输出一分钟收费 5.80 美元,约合每秒 0.097 美元。

• 开放权重 — 无。

API 比发布材料所描述的更窄,而这正是让团队栽跟头的细节。公共端点只接受一张参考图像,以公共 URL 或不带 data-URL 前缀的 Base64 形式提供,大小在 40 KB 到 20 MB 之间。提示词是可选的,默认为空。没有参考视频字段,没有分辨率选择器——宽高比继承自参考图像——也没有音频控制。唯一的可调参数是一个 force_10s 布尔值。还有一点客户端陷阱值得在你编写轮询循环之前了解:顶层 result.status 达到 1 意味着所有子任务都已结束,而不是它们都成功了。实际结果在 sub_task_results[].task_status 中,其中 1 表示成功,3 表示生成失败,4 表示安全拒绝。天真的轮询循环会把失败的生成标记为已完成。

FastFrames 以一块 GPU 的价格为你带来什么

少一些产品,多一些机器。FastFrames 是一个从 Wan2.1 蒸馏而来的自回归视频扩散模型——1.3B 检查点来自 Wan2.1-T2V-1.3B,14B 来自 Wan2.1-T2V-14B——采用名为 Causal Forcing++ 的方法。它的贡献不在 transformer 本身,而在其周边组件:VAE 解码器被一个 6387 万参数的像素解码器取代,该解码器通过三个因果 ConvNeXt 块和一个线性头,为每个 token 输出 4×16×16 个 RGB 值,将解码时间从约 147 毫秒缩短到约 1 毫秒;KV 缓存更新则变成一个小型细化网络——共享主干、四个 8 头注意力块、每个 DiT 层一个残差修复头——耗时 2 到 6 毫秒。DiT 本身在最终阶段被冻结。

• 输出 — 832×480,81 帧,16 fps。每次生成约 5.06 秒,可自回归链式生成。

• 延迟——小模型在单块 B200 上每帧 36 ms,大模型在八块 B200 上为 45 ms;大模型在单块 GPU 上为 158 ms,在 720p 下为 127/116 ms。

• 条件控制 — 仅文本。无图像、无视频、无关键帧、无摄像机控制。

• 音频 — 无。

• 访问方式 — 权重以 Apple 的 AMLR 许可证发布于 Hugging Face,代码发布于 GitHub,适用于带 CUDA 12.8 的 Linux x86-64。随附的 LingBot-World v2 演示采用 CC BY-NC-SA 4.0 许可,禁止将该部分用于商业用途。

• 价格——任何地方都没有托管费率。硬件由您提供。

质量声明——作为未经证实的厂商数字,姑且一听:小模型的 VBench 总分为 84.23,大模型为 84.44,而 Causal Forcing++ 基线在每帧 272 ms 下为 84.11,Wan2.2 14.3B 在 117,734 ms 下为 84.65。如果这些数字成立,那么一个每帧只比基线多花不到一毫秒的模型,就能匹敌一个慢两千六百倍的模型。这才是需要检验的说法,而不是拿来引用的说法。

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both released checkpoints described as autoregressive two-step video diffusion models generating 480p at interactive latency, the Wan-AI/Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

三类受众的决策

按买家所制造的产品来划分买家,选择就不再是比较了。

如果你正在制作成片视频

HiDream O1 Video 1.0 是两者中唯一能产出成片视频的一个。1080p、带声音、时长根据内容选择,按秒计价,因此便于预测成本。每秒 $0.097,一个二十秒的片段就是 $1.94,这在制作预算中是一项正常的支出。FastFrames 无论量级多大都无法进入这一讨论,因为它无法交付任何人愿意观看的文件。

如果你正在构建一个交互式系统

反过来则完全相反。HiDream 的异步“提交任务—轮询”循环,对于任何必须在一帧内响应的事情来说,在结构上就是错的——你提交、等待、再取回。FastFrames 在单块 B200 上以每帧 36 毫秒生成,速度快于 16 fps 播放,而 16 fps 正是人类不再察觉是机器在生成的阈值。如果你的产品是实时预览、虚拟形象或可操控场景,那么本文中没有任何托管模型能胜任这项工作,而 Apple 的发布是通向这一目标最可信的开放路径——但须经过许可证审查,而对于演示组件而言,这意味着仅限非商业用途。

如果你正在评估是否要构建其中任何一个

那么,最便宜的实验就是针对托管模型来做,而 OrcaRouter 就是通往托管侧的一把钥匙:MiniMax H3 是托管模型中与 HiDream 的雄心最接近的一个,它与 Kling 3.0、Kling 3 Turbo 和 Kling Video O1 并列在同一个目录中,按供应商目录价原样传递、0% 加价,因此厂商费率一旦变化,当天就会反映在你的账单上。HiDream O1 Video 1.0 和 FastFrames 都不在那里提供服务——我们两者都不路由,本文也并非声称我们会路由。这把钥匙换来的是:在你为 FastFrames 所需的硬件花钱之前,先衡量自己对延迟的容忍度,因为这项测量是唯一能决定 36 毫秒是否值得 480p 的事情。

怎样才能解决这件事

一个实验:用同样的二十条提示词分别运行两者,然后把输出放到不知道哪个模型生成了哪份结果的人面前。在声音或细节重要的每一条提示词上,FastFrames 都会输;而在眼睛最容易捕捉到运动连贯性的那些提示词上,它可能会赢,因为自回归生成恰恰擅长这一点。在有人真正跑完这个实验之前,站得住脚的立场是:HiDream O1 Video 1.0 是更好的视频模型,而 FastFrames 是更好的延迟结果,并且这是两个被售卖的不同产品——一个按秒卖,一个按 GPU 小时卖。

The FastFrames project page from Apple and Cornell University, naming the seven authors, stating that FastFrames-S at 1.3B and FastFrames-L at 14B are autoregressive video diffusion models generating 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality-latency plots, pipeline, text-to-video samples and comparisons.