
FastFrames 视频生成 vs Luma Ray 3.2:帧流对阵调色文件
- 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
Luma Ray 3.2 和 FastFrames Video Generation都是扩散视频模型,均于2026年发布,且都不会早于今年下半年面世——而在任何制片人所能理解的意义上,它们都不是彼此的替代品。Ray 3.2于6月9日推出,最终产物是一个文件:最高1080p,时长五秒或十秒,可选10位、12位或16位HDR,采用ACES2065-1 EXR标准,也就是调色师进行调色时所使用的格式。FastFrames由Apple与康奈尔大学于11月16日发布,最终产物是一路流:832×480,81帧,在单块B200上每36毫秒一帧,无音频,仅接受文本提示,权重可在Hugging Face获取。一个模型的构建目标是让其输出能经受后期制作流程;另一个模型的构建目标是让其输出在你还没看完上一个时就已抵达。下文的一切都源自这一分野,包括一个令人不安的事实:这两个模型都没有独立评分可以用来裁决这个问题。
输出格式才是论据,而不是规格表
先从每个模型交给你的结果看起,因为真正的比较就在这里。
• Ray 3.2 默认输出 MP4,并可按需输出 10 位、12 位或 16 位 HDR 的 ACES2065-1 EXR 帧——但仅限 720p 和 1080p,且仅限五秒片段。无缝循环与 EXR 输出路径均为五秒片段的专属功能。
• FastFrames 交付一段 81 帧、832×480、每秒 16 帧的 MP4,即 5.06 秒的无声素材。没有 EXR 路径,没有位深选项,也没有导出对话框。像素解码器对每个 token 输出 8 位 RGB,仅此而已。
• 分辨率方面,一边是 1080p 的上限,另一边是 480p 的固定值——但这种比较在两个方向上都不公平,因为 Ray 3.2 的 1080p HDR 模式对于十秒片段并不存在,而 FastFrames 的 480p 也不是一个可以调高的设置。
• 控制界面:Ray 3.2 可接收文本、起始帧、结束帧或一段待修改的现有视频,还支持每个片段最多 16 个关键帧,以及最多八张人脸的面部表演追踪。FastFrames 则接收文本提示词和一个种子值。
再读一遍那份清单,注意它暗示了买家的什么情况。Ray 3.2 的功能集,是那种已经存在于剪辑中、需要完成、修改或延长的镜头的功能集。FastFrames 的功能集,则是一个尚未确定镜头是什么的系统的功能集。
Ray 3.2,作为后期制作工具来理解
EXR 路径正是这个模型以当前形式存在的全部原因,而它也带来了一些大多数文章都会略过的限制。
它能以 540p、720p 和 1080p 生成,时长可选五秒或十秒,覆盖六种宽高比,包含竖屏、方形和宽屏——但十秒生成仅支持文生视频,因此以帧为条件和以视频为条件的路径上限为五秒。HDR 是一项仅限 720p 和 1080p、五秒时长、需手动开启的设置:你需要启用 HDR 才能获得 EXR 导出,而不是自动获得。音频是另一项限制,而且它的限制方式出乎人们意料。Ray 3.2 不会为文生视频或图生视频生成同步音频;只有当你在修改或重新构图已经带有音轨的现有素材时,音频才会保留。对于一个定位在后期制作阶段的模型来说,这是自洽的——声音来自剪辑,而不是生成器——但任何想找一款一键生成带声音视频模型的人,读到这里就可以打住了。
商业结构也很重要。Ray 3.2 是 Ray 系列中首个配备完整开发者 API 的模型,分为按需付费的 Build 层级和带 SLA 的预留吞吐量 Scale 层级。较早的 Ray 模型仅提供订阅制,这意味着该系列以往的定价历史不能作为这一款的参考。单条片段成本会随分辨率、动态范围和时长共同变化;第三方列表显示,一段五秒 720p 片段接近 0.30 美元,1080p 片段接近 1.20 美元,而 HDR 或 EXR 导出会使片段成本成倍增加,而不是额外叠加。应将这些数字视为聚合方根据 Luma 价目表进行的推算,而不是 Luma 自己公布的数字。
一个命名陷阱值得花这句话提醒:Luma 的版本号并不像字面读起来那样递增。Ray3.14 于 2026 年 1 月 26 日发布,Ray 3.2 于 2026 年 6 月 9 日发布,所以数字更小的是更新的模型;而且 Luma 已停用 Dream Machine 这一品牌名,而大多数较早的指南仍围绕它编写。
FastFrames,按渲染循环读取
FastFrames 并非缩小版的 Ray 3.2。它是以权重形式发布的蒸馏成果,其架构既解释了它的速度,也解释了它缺失的那些功能。
两个检查点都是基于 Wan2.1 构建的自回归视频扩散模型——FastFrames-S 来自 Wan2.1-T2V-1.3B,FastFrames-L 来自 Wan2.1-T2V-14B——并经过了作者称为 Causal Forcing++ 的一套方案处理。这篇论文的贡献并不是更快的 transformer。它删除了 transformer 周围两个开销高昂的组件:VAE 解码器,在基线中每帧耗时约 147 毫秒,被一个 6387 万参数的像素解码器取代,耗时接近 1 毫秒;以及 KV-cache 更新,它变成一个小型细化网络,在小模型上耗时 2 毫秒,在大模型上耗时 6 毫秒。transformer 本身在最终阶段被冻结。
在 1.3B 模型上算一下,每帧 271.8 毫秒会变成 35.8。在一张 B200 上,这大约是每秒 28 个请求,也就是用 2.9 秒生成一段 5 秒的片段。14B 需要八张 B200 才能维持 45 毫秒和每秒 22 个请求;在单张 GPU 上会降到 158 毫秒,比实时播放还慢。在 720p 下,小模型每帧需要 127 毫秒,大模型在八张 GPU 上需要 116 毫秒,而论文指出 H100 还会在此基础上带来 25% 到 50% 的额外损失。
自回归生成正是 81 帧并不像听起来那样受限的原因,也是该模型无法做到 Ray 3.2 所能做到之事的原因。由于每个块都以先前的块为条件,片段可以串联起来——但串联并不是关键帧控制,而且没有任何途径传入起始帧、结束帧、参考图像或现有片段。该模型不具备任何形式的图像条件输入。


测量差距确实存在,而且是双向的。
两个模型都无法排名,而且两者的原因差异足够大,值得分开说明。
Ray 3.2 在 Artificial Analysis 视频竞技场上没有条目——无论是文生视频还是图生视频都没有;本博客于 2026 年 9 月 18 日进行了核查。Luma 反而发布了一份内部 Ray3 评估报告,声称与 Veo 3 持平,并领先于若干竞争对手,但未附任何数值分数;报告还声称其 API 的价格和延迟均不到可比模型的一半,同样没有量化数据。那些是定位文档。它们无法与带有样本量和置信区间的竞技场 Elo 相提并论,任何页面都不应把它们呈现得好像两者可以比较一样。
FastFrames 的问题正好相反:它有数字,而且所有这些数字都来自其自己的作者。论文表1中的 VBench 总分为:FastFrames-S 为 84.23,FastFrames-L 为 84.44,而它蒸馏自的基线 Causal Forcing++ 为 84.11,每帧272毫秒。基础模型 Wan2.1 1.3B 在30,444毫秒下得分为83.80。Wan2.2 14.3B 在117,734毫秒下得分为84.65。尚无任何独立方复现其中任何结果,而 VBench 恰恰是一个奖励自回归模型所擅长的时间平滑性的基准。论文自己的表格只是在声称其在83至85.5这一平台区间内达到同等水平,而不是对质量的测量。
这两个差距的共同点正是值得记住的要点:在 Apple 名单上的所有模型中,VBench 总分的差距约为 2.5 分,而同一名单上的延迟差距达到四个数量级。无论这个基准衡量的是什么,它早已无法区分这些系统了。这两款模型所主打的维度,VBench 根本看不到。
每项消耗一发
拿一份具体的简报去对照两张费率卡,算术就完全不可比了。
• 一段五秒的 1080p HDR 片段——Ray 3.2,按标价计算,在应用 HDR 倍率前约为 1.20 美元,以 EXR 格式交付,可直接进入调色。FastFrames 无论出价多少都无法制作这个镜头。
• 一段五秒的 480p 无声片段——FastFrames 在小模型上使用一块 B200,实际耗时 2.9 秒;在大模型上使用八块 B200,耗时 3.6 秒。Ray 3.2 根本无法以 480p 生成,其最低分辨率为 540p。
• 任何内容十秒——Ray 3.2 仅支持文本生成,最高 1080p。FastFrames 通过串联两个 81 帧块并寄希望于接缝不露破绽来达到十秒。
• 同一个镜头拍九十条——经济账就是在这里反转的。Ray 3.2 按条计费,所以一百次尝试就要付一百条的钱。FastFrames 按 GPU 秒计费,所以一百次尝试的成本,是你已经租用的机器上一百个 2.9 秒。
• 你没有的硬件——FastFrames 需要 Linux x86-64、NVIDIA GPU 和 CUDA 12.8,而该仓库提供了可用的推理路径、延迟基准测试脚本、VBench 评估工作流和一个演示应用。这些都不是托管服务。
那条“九十次拍摄”的界线才是真正的区别。按片段计费是在为交付物定价;按 GPU 秒计费是在为探索定价。如果你的流程是“生成到对为止”,第二种计费模式会便宜一个数量级,但在其他所有维度上都更差。如果你的流程是“生成一个必须经得起评分的东西”,那么第一种计费模式是两者中唯一能胜任的。
许可证比规格表更能决定一切
FastFrames 的权重遵循 Apple 的 AMLR 条款,而同一代码仓库中的 LingBot-World v2 演示组件采用 CC BY-NC-SA 4.0——非商业性。其余部分则遵循 Apple 的 Sample Code Licence。“开放权重”和“可自由商业化”并非同义词,而本次发布刻意谨慎地对待这一区别;相比之下,以商业 API 合同形式出售、包含 Build 层级和带 SLA 的 Scale 层级的 Ray 3.2 则完全不是这样。
因此,采购问题与技术问题的方向正好相反。Ray 3.2 要求你接受一种供应商关系:费率卡、服务条款、购买 Scale 时的吞吐量承诺,以及一个可能在你使用期间发生变化的端点。FastFrames 则要求你阅读三份许可证,并对 GPU 负责。对于已经拥有针对 API 供应商的法律审查流程的工作室来说,前者更容易。对于已经拥有 B200s,且有一位以读许可证为乐的合规官的研究团队来说,后者更容易。
每一个各自属于哪里,以及那个会改变这一点的提问
把 Ray 3.2 放在管线末端,把 FastFrames 放在管线开头,两者就不再相互竞争。当剪辑已经存在、色彩管线真实可用,并且镜头走完流程后必须能以 10 位或更高位深进行调色时,Ray 3.2 就是你的选择——接受 1080p、五秒 HDR 片段、不生成音频,以及按片段计费且费用随动态范围成倍增加。当循环本身就是产品时,你会选择 FastFrames:实时预览、可控世界模型、在会话内作出响应的虚拟形象——接受 480p、静音、无参考输入,以及一份发布前必须阅读的许可证。
这两者都不是 OrcaRouter 上的路由,本文也未作此声称。一个密钥真正能触达的是如今已经可用的托管视频层——MiniMax H3,768p 下每秒 0.08 美元、2K 下每秒 0.13 美元,以及 Kling 3.0 系列——与 200 多个语言模型一同提供,按供应商目录价原样传递、0% 加价,因此供应商一旦降价,宣布当天这里就会同步生效,并且如果某个端点在排队中途性能下降,会自动故障转移。对于正在评估上述任一模型的团队来说,这是在把 GPU 预算或 Scale 合同押注于某个假设之前,低成本衡量真实延迟和成本状况的方式。
能解决这场比较的,不是任何一方更好的演示,而是对 Ray 3.2 在图像到视频竞技场上的一次独立测量,让这个最终模型至少有一个数字;以及由不在 Apple 或 Cornell 工作的人对 FastFrames 的 84.4 进行一次复现。在这两者都存在之前,选择时诚实的依据就是交付成果——而在这个维度上,这两个模型差距足够大,不会被混淆。

