用于 FastFrames Video Generation 与 MiniMax H3 对比的主视觉卡片,左侧有三个徽标,分别显示“每帧 36 ms”、“832x480,无声”和“81 帧”,右侧有三个徽标,分别显示“图像转视频 Elo 1,181”、“原生立体声音频”和“每秒 $0.08”,右下角为 OrcaRouter 标志。
Engineering & Research

FastFrames 视频生成 vs MiniMax H3:三块板卡与秒表的较量

作者

Gideon Frost

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

这个对比有一种写法,会把两个视频模型并排放在一起,挑出更快的那个,大约需要四百字。这种写法也会是错的,因为 MiniMax H3 是一个可以按秒调用的模型,而 FastFrames Video Generation 是一组你可以下载并在自有硬件上运行的权重。H3 于 2026 年 7 月 31 日发布,是一个全模态系统,可将文本、图像、视频和音频参考作为同一上下文读取,生成原生立体声,并截至 2026 年 10 月 8 日读取的数据,以 1,181 Elo、在 7,284 票中位居 Artificial Analysis 图生视频榜第二。FastFrames 于 11 月 16 日推出,包含两个检查点:1.3B 和 14B,均从 Wan2.1 蒸馏而来,可在 36 毫秒内生成一帧 480p 画面——而它根本没有出现在任何独立榜单上。区分二者的不是质量,而在于:其中一个是拥有公开榜单记录的产品,另一个则是带着秒表的论文。

三个董事会,一个模型,以及每个董事会真正在问什么

H3 的立场值得精确说明,因为人们常引用的那个数字往往是错的。

• 图生视频——以1,181 Elo、7,284票位列第二,落后于1,195分的MiniMax H3 Max,领先于1,179分的Vidu Q4 Preview。前三名仅相差16分,落在区间之内;这不过是场披着领奖台外衣的平局。

• 文生视频——以 1,137 Elo 在 8,315 票中排名第四。这是该模型表现较弱的榜单,也是如果那个 480p 无声研究模型有参赛条目就会参与竞争的榜单。

• 视频编辑——以 1,119 Elo 获得 7,023 票,排名第四;该榜单根据模型能否按照文本指令编辑片段并保留音频来对模型进行排名。

三次亮相意味着提交并评估了三种不同的能力:从静态图像生成、从文本生成,以及转换已有视频素材。第三种对本次比较最为重要,因为它要求接受视频作为输入,而 FastFrames 只接受文本。

定价就列在我们自己的模型卡上:768p 为每秒 $0.08,2K 为每秒 $0.13,也就是每分钟 $4.80 和 $7.80——这与 arena 价格栏中出现的两个数字相同,并且是同一模型的两个分辨率档位,而不是一个高端版和一个廉价版。768p 的 5 秒片段费用为 $0.40。

36毫秒不包含什么

FastFrames 的速度是实打实的,而且它不是那种泛泛的通用速度;其架构能解释其中缘由,而一份规格清单做不到这一点。

两个检查点都是自回归视频扩散模型,通过名为 Causal Forcing++ 的方法从 Wan2.1 蒸馏而来。作者基本没有改动扩散 transformer,而是替换了它周围两个从来都不是重点的部分。VAE 解码器——在 Causal Forcing++ 基线中每帧约 147 毫秒——变成了一个 6387 万参数的像素解码器,可直接输出帧,耗时接近 1 毫秒。KV-cache 更新变成了一个小型细化网络,在 1.3B 模型上耗时 2 毫秒,在 14B 上耗时 6 毫秒。transformer 在最终阶段被冻结。

在小型模型上,这可将每帧 271.8 毫秒降至 35.8 毫秒。在一台 B200 上,FastFrames-S 每秒运行约 28 个请求,并在 2.9 秒内生成一个 5.06 秒的片段。14B 仅在八台 B200 上才能保持每帧 45 毫秒;在单块 GPU 上,它会退化到每帧 158 毫秒,这比观看结果还慢。在 720p 下,小型模型为每帧 127 毫秒,论文指出 H100 的性能损失为 25% 到 50%。

这个数字没有包含的,正是 H3 投入全部时间所做的所有事情。FastFrames 不生成音频。它仅以文本为条件——没有起始帧、结束帧、参考图像,也没有可用于扩展或重新风格化的片段。它以 832×480 的分辨率、每秒 16 帧生成 81 帧,并且通过串联块来实现,而不是提供关键帧或相机控制。H3 接受的四种输入模态中,有三种不存在于 FastFrames 的推理路径中。

A two-column scoreboard comparing FastFrames and MiniMax H3 across six dimensions: independent score none against 1,181 Elo, resolution 832x480 against 2K, clip length 81 frames against 4 to 15 seconds, audio none against native stereo, inputs text only against text, image, video and audio, and price GPU time you supply against $0.08 per second.

为什么即便如此,速度仍然有其价值

在上一节之后,人们很容易就此否定 FastFrames,但那会是一种误读。这个数字并非营销噱头;它改变的是能够打造出何种产品。

在一台 B200 上每帧 36 毫秒时,一次生成会在你来得及观看之前就完成。这正是预览循环不再是一项批处理任务、而变成交互式操作的阈值:你输入、你看到、你调整,而机器能跟得上你的调整。一个 14B 模型在一个节点上以 45 毫秒的表现为例,从批量吞吐的意义上说也能达到这一水平,但人真正能感受到的单流延迟,是小模型才具备的特性。H3 已公开的层面没有任何内容涉及这一用例,因为 H3 是按成片秒数计量,而不是按每实际秒生成的帧数计量——这两者不是同一种度量,而费率卡也不允许你从其中一个推导出另一个。

这里有一个论文明确指出的二阶后果。像素解码器是针对每个基础模型分别训练的,但“冻结 transformer、学习外围管线”这一原则,在论文自己的实验中已经被移植到第三方系统:在 1.3B 变体上让 LingBot-World 从每帧 1,085 毫秒降到 52 毫秒,在 14B 上从 3,862 降到 233。这是一个关于技术而非产品的结果,也是本次发布中影响范围最广的部分。

各方证据的真实状况

正是在这里,这场较量无论从哪一方看都不再有争议,而这两个方面都值得直言不讳。

FastFrames 关于质量的所有主张都来自其作者自己。表 1 中的 VBench 总分为:FastFrames-S 84.23,FastFrames-L 84.44;相比之下,基线在 272 毫秒下为 84.11,Wan2.2 14.3B 在 117,734 毫秒下为 84.65。没有任何独立方复现过这些结果。VBench 奖励的是自回归模型天生就会生成的时间平滑性,而在 Apple 自己的表格中,整个分数跨度约为 2.5 分,而相同这些模型之间的延迟跨度却达到四个数量级。应把这张表理解为一种关于性能持平的主张,而不是对持平的测量。

H3 在榜单上的位置附带样本量和置信区间,这是一种更强的证据形式,也是一种更窄的证据形式。偏好榜告诉你,在向人们展示两段片段时他们选择了哪个输出;它不会告诉你任一片段的制作成本是多少、声音是否同步,或者模型能否承受 2K 下 40 个请求的突发。图生视频榜顶部的 16 个百分点差距很好地提醒我们:这些数字排序的是感知,而非能力;任何页面若根据 ±10 区间上的 16 个百分点差距宣布赢家,都是在解读噪声。

于是,比较最终归结为这一点:一个模型经过了成千上万人的投票,并且按秒计价;另一个模型则有一块秒表、一份许可证文件和一篇论文。这些是不同种类的证据,两者不能相互替代。

两条彼此不相像的采购路径

在 H3 上购买时段与运行 FastFrames 几乎没有共同的步骤,这正是它们很少出现在同一个决策中的实际原因。

• H3 — 托管端点上的按秒计费费率,768p 为 $0.08,2K 为 $0.13;既可通过供应商自有 API 使用,也可通过多个第三方平台使用。无需硬件、无需许可证审查、无需 CUDA。我们在公共模型 API 上以 minimax/minimax-h3 路由它,按供应商目录价原样透传计费、不加价,并可在与目录中语言模型相同的 OpenAI 兼容端点上调用。

FastFrames —— Linux x86-64、NVIDIA GPU、CUDA 12.8,然后执行 uv sync,并调用 scripts/generate.py,传入 checkpoint 目录和 seed。这些权重受 Apple 的 AMLR 条款约束;同一仓库中的 LingBot-World v2 演示组件采用 CC BY-NC-SA 4.0,属于非商业许可;其余部分则遵循 Apple 的 Sample Code Licence。Apple 还发布了大模型的每个训练阶段 checkpoint,这很不寻常,使该发布具备大多数开放权重发布所没有的可复现性。

• 双方都存在的隐性成本——无论这一条拍得好不好,H3 的按秒计费表都在运行;被拒的一条和采用的一条收费相同。FastFrames 的 GPU 计费表也同样运行,但其边际费率在硬件已经摊销时只是舍入误差,在尚未摊销时则是一笔高额固定成本。

透传定价在我们这一侧的一个实际影响是:当 MiniMax 调整按秒费率时,这一变动当天就会反映在路由上,而不是等到合同续签时才体现。而 FastFrames 并没有可供调整的费率。

每一项分别用于什么,用一句你可以据此行动的话来表述。

当输入不是文本提示、交付成果需要声音,或者带多轮延长的十五秒片段比 480p 的 81 帧更接近你的镜头时,就选 MiniMax H3。它是两者中唯一能编辑素材的,唯一能生成音频的,也是唯一其质量主张已由并非该公司员工的人测试过的。它的 2K 档价格也低于该档位的大多数同类产品。

当循环本身就是产品、而单帧不是交付物时,就选择 FastFrames——例如实时预览、可控世界模型、必须在会话内应答的虚拟形象,或一个想要改变因果视频堆栈的解码方式而非其生成内容的研究项目。接受 480p、无声、无参考输入,以及一份在发布任何商业产品前必须阅读的许可证。

FastFrames 不由 OrcaRouter 提供,本页面也未作此声称——Apple 的权重没有托管端点。H3 则是另一回事:我们将其作为 minimax/minimax-h3 进行路由,与 Kling 3.0 系列以及 200 多种语言模型并列,只需一个密钥,按提供商标价、0% 加价,并在端点之间自动故障转移。这是一种低成本的方式,可以在你把一个季度的 GPU 预算花在替代方案上之前,弄清楚按秒计费的视频模型是否适合你的流水线。

The Hugging Face model card for apple/FastFrames-L, showing the title 'FastFrames: Video Generation at Interactive Latency', both 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.

唯一能让这成为真正较量的结果

有两件事会改变这一解读,而两者都不是更好的演示。

第一点是 FastFrames 出现在某个竞技场排行榜上。这需要有人托管它,而目前没有人这样做——Apple 发布了权重却没有提供端点,因此偏好测试无法将它提供给投票者。在那之前,该模型的质量主张完全依赖其作者的 VBench 数字,这比 H3 的三个榜单上任何模型所处的位置都更弱。

第二个是 MiniMax 公布的一项延迟数据。H3 的价目表以输出秒数计价,而在这种结构中,读者找不到任何可与 36 毫秒相比较的每帧成本。如果 MiniMax 或独立测试者公布在给定分辨率和 GPU 下的每秒帧数,这两个模型最终就能在共同的坐标轴上衡量。他们并没有这样做,而开始这样做也不符合供应商的商业利益。

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that FastFrames-S at 1.3B and FastFrames-L at 14B generate 480p at under 50 milliseconds per frame, with tabs for an interactive demo, abstract, quality versus latency, pipeline and comparisons.