
FastFrames 视频生成 vs Seedance 2.5:三十秒对八十一帧
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens
- 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
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens
- 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 · 91 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 · 118 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
三十秒的创作简报和八十一帧的预算,是对同一个问题的两种不同回答,而这个问题并不是“有多快”。Seedance 2.5是字节跳动于 2026 年 7 月 31 日推出的长视频方案,可在单次运行中生成三十秒,并在多轮中继续延展,最多读取 30 张图像参考、10 段视频参考和 10 段音频片段作为上下文。FastFrames Video Generation是苹果于 11 月 16 日与康奈尔大学合作发布的方案,可在单块 B200 上以约 2.9 秒的实际耗时生成 832×480、每秒 16 帧的 81 帧——即 5.06 秒——且不接收任何类型的参考输入。如果你曾见过导演试图让表演跨越剪辑点保持连贯,你就已经知道这两个数字中哪个是更难的工程问题,哪个是更难的排期问题。本页讨论的是后者,因为正是它决定预算。
两种计量理念,而两者都不是价目表
先从每个模型如何计费说起,因为计量单位之间无法换算,任何假装可以换算的比较,都不过是在范畴错误之上做算术。
• Seedance 2.5 — 由字节跳动按官方价目表以视频 token 计量,在中国通过火山引擎方舟发布,在国际上通过 BytePlus ModelArk 发布。一段视频的成本取决于分辨率、时长和实际 token 用量,因此按秒计价仅对某一分辨率和某一时长有效。失败的生成与成功的生成计费相同。
• Seedance 2.5 的第三方托管商:每一家都会加上自己的利润空间,并公布各自的每秒或每片段价格,因此十几个页面就会给出十几个数字,而这些数字中没有一个是厂商自己的价格。
• FastFrames——不计费。你得自己买 GPU。1.3B 模型用一块 B200,14B 模型要用八块才能保持交互流畅。一次失败的生成和一次成功的生成耗费同样的秒数,而两者都是按耗电量而非每份输出的美元成本来衡量。
• 唯一一个独立数据点——Artificial Analysis 记录到,Dreamina Seedance 2.5 在文生视频榜上为每分钟 $34.12,在编辑榜上为 $40.82,数据读取于 2026年10月8日。该列表示在模型默认设置下输出一分钟 1080p 视频的成本,而 Seedance 2.5 默认采用其价目表所定价的更长、更重的配置。用它来判断数量级,不要用于预算条目。
这意味着,诚实的说法是:这两个模型中,一个的价格是你无法从外部预测的,另一个则根本没有价格。FastFrames 的不可预测性在你这一方的账上——你知道自己烧掉了多少 GPU 小时——而 Seedance 2.5 的不可预测性则在供应商那一方,因为 token 数量取决于模型选择如何在你的提示词上花费 token。在这两者之间,后者是更危险、更难据此做规划的那一个。
参考预算究竟能买到什么
公开的参考数据读起来像一场规格竞赛,实际上它们是一种能力宣称。
图像——Seedance 2.5 最多支持 30 张,而 FastFrames 为 0。FastFrames 中根本没有图像条件化路径。
• 视频——最多 10 个片段作为参考。这一项会改变模型的用途本质:一个包含从现有素材中提取的运动、节奏和运镜行为的参考集,与一个只承载外观的参考集是截然不同的东西。
• 音频 — 最多 10 个片段。Seedance 2.5 生成时带声音;FastFrames 为无声,且已发布配置中没有音频通路。
• 提示词长度——对于 Seedance 而言,在这个具体程度上,没有会构成限制的公开上限;FastFrames 接收文本提示词和种子,而其 81 帧窗口意味着你描述的是一个连续镜头,而不是一个场景。
有视频参考的三十秒,是你可以“执导”的镜头。由提示词生成的八十一帧,是你可以“采样”的镜头。两者都是正当的制作方式;但它们不是同一项工作,而正是参考素材的预算,使它们成为不同的工作,而不是不同的质量档次。

为什么五秒窗口并不像看起来那样是一种限制
与三十秒相比,五秒听起来足以直接被淘汰,而架构正是它没有字面上那么糟的原因——同时也是无法靠要求增加帧数来解决的原因。
FastFrames 是自回归的:每个 81 帧块都以它之前的那一块为条件,这正是片段能够链式生成的原因。作者的贡献并不是更快的 transformer,而是移除了它周围两个从来不是重点的组件。一个 6387 万参数的像素解码器取代了 VAE 解码器,将解码从每帧约 147 毫秒降到约 1 毫秒。一个小型细化网络取代了 KV 缓存更新,在 1.3B 模型上为 2 毫秒,在 14B 模型上为 6 毫秒。transformer 本身在最后阶段被冻结。在小模型上,每帧 271.8 毫秒变成了 35.8 毫秒。
链式拼接并不等于扩展。它没有关键帧、没有起始帧、没有结束帧、没有参考图、也没有可继续的片段——因此,用 FastFrames 拼出的一分钟序列不过是十一个串联起来的区块,没有任何机制能在接缝处保持角色的面容、服装或光线方向一致。而一次运行生成三十秒,则能让 Seedance 2.5 拥有单一的上下文窗口,在其中,一致性成为模型自身要解决的问题,而非剪辑师的问题。这一差异的价值远超六倍时长这个数字所暗示的程度,而且它不是硬件进步所能弥补的。
速度能把你带到哪里,又会在哪里失灵
把36毫秒换算成产品人真正关心的单位,情况就会比标题所呈现的更局限,也更有意思。
• {{1}}FastFrames-S{{/1}} 在单块 {{2}}B200{{/2}} 上——每帧 36 毫秒,每秒约 28 个请求,5 秒片段用时 2.9 秒。比实时播放快约 1.7 倍。
• 在八块 B200 上运行 FastFrames-L——每帧 45 毫秒,约每秒 22 个请求,同一片段耗时 3.6 秒。
• 单块 GPU 上的 FastFrames-L —— 每帧 158 毫秒,一段 5 秒的片段需要 12.8 秒。比看完它本身还慢。大模型只有在跨节点的情况下才能做到交互式运行。
• 在 720p 下——小模型为 127 毫秒,大模型在八块 GPU 上为 116 毫秒。单流交互性到此为止。
• 在 H100 而非 B200 上——按论文自己的估算,这会造成 25% 到 50% 的性能损失,使小模型每帧耗时约为 45 到 54 毫秒。
Seedance 2.5 没有发布可比数据,因为它按输出秒数计价,而非按墙钟时间的每秒帧数计价,并且没有任何第三方为其发布过本页可核实的单帧延迟。这种不对称并非贬损;它提醒我们,这两个模型被设计用来回答不同的问题。
在独立记录确实存在的那一侧,它说的是什么
Seedance 2.5 拥有董事会席位,而 FastFrames 没有,这两个事实都需要明确说明。
在 Artificial Analysis 视频编辑榜上(数据读取于 2026 年 10 月 8 日),Seedance 2.5 以 1,161 Elo 位列第二,共获得 5,162 票——其任务是依据文本指令编辑一段片段,并保留音频。这一成绩建立在视频参考能力的基础之上,而这类数字所说明的问题很具体:在同一个任务上,数千人选择了它的输出,而非另一个模型的输出。这并不是对整体质量的定论,也无法告诉你这段片段花了多少成本。
FastFrames 没有榜单条目,因为它没有托管方。Apple 只发布了权重,没有发布端点,因此任何偏好测试都无法将其呈现给投票者,而该模型的质量主张完全依赖其作者自己的表 1:FastFrames-S 的 VBench 总分为 84.23,FastFrames-L 为 84.44,而 Causal Forcing++ 基线在每帧 272 毫秒下为 84.11,Wan2.2 14.3B 为 84.65。该结果尚未被复现,而且所依据的基准恰恰奖励自回归模型天生擅长产生的时间平滑性。Apple 整张表中的分差约为 2.5 分,而同一批模型之间的延迟差距达到四个数量级——这是论文中最有力的论点,而且它讨论的是基准衡量的是什么,而不是 FastFrames 的质量。
核算真实简报的成本
给两者都安排一项实际工作,各单元发生冲突的方式比任何表格都更有用。
“一支三十秒、旁白已锁定的产品短片”——Seedance 2.5 可以通过多轮扩展在一次运行中完成,把旁白作为音频参考,把产品静帧作为图像参考。FastFrames 无法承载音频,也无法接收静帧,还需要多个串联区块,而你随后还得掩盖这些接缝。仅从能力层面来看,这项工作就会交给一个模型,价格甚至还没进入讨论。
“一个五秒循环的一百种变体,用于交互式展示”——FastFrames 在 B200 上生成每个变体的实际耗时不到三秒,一旦显卡成本摊销,其边际成本只是一个舍入误差。而 Seedance 2.5 会为一百次生成计费,其中几次还会被拒,对照的价目表却并未公布可供规划的清晰每秒价格。
• “必须看起来像我们已经剪好的素材的那一个主镜头”——选 Seedance 2.5,因为视频参考是这两个模型中唯一能把镜头对准已有素材的途径。FastFrames 没有从片段输入到片段输出的路径。
• “先证明交互概念,再购买硬件”——不,两种情况都不是直接可行。Seedance 2.5 的每秒成本只有事后才能知道,而 FastFrames 则需要先有硬件。更省事的做法是:先针对一个已公布每秒费率且有真实延迟数据的模型做原型验证,然后再做决定。
OrcaRouter 不提供 FastFrames——Apple 的权重在任何地方都没有托管端点,这陈述的是发布情况,而非路由情况。如今一把密钥确实能触达的是带公开费率的托管视频层:MiniMax H3 在 768p 下每秒 0.08 美元、在 2K 下每秒 0.13 美元,以及 Kling 3.0 系列,并与 200 多个语言模型同在同一个兼容 OpenAI 的端点上,按提供商标价、以 0% 加价提供。Seedance 2.5 在这里也不是一条路由——ByteDance 通过其自有平台销售它,token 卡也是他们的——本页并没有假装不是这样。在这项比较中,该目录的实际用途是测量:在承诺采用 GPU 集群或承担你无法预测的 token 账单之前,先从一个计量表可读的模型取得真实的延迟和成本基线。
这个悬而未决的问题,关键在米,而不在模型。
如果字节跳动在更多配置下公布 token 费率示例表,“按量计费与可预测性之间的不对称”就会变得容易规划得多,读者也终于能把 Seedance 2.5 与按秒计费的模型进行比较,而无需替厂商做算术。如果苹果以任何价格托管 FastFrames,该模型就会获得一个竞技场条目和一个由他人测得的延迟数值——正是这两样东西能让它的 36 毫秒受到评判,而不只是被赞叹。
这两种情况都尚未发生。在其中一种发生之前,选择的方法就是弄清楚你实际在问哪个问题。单次运行中的三十秒回答的是“这个模型能否让一个场景保持连贯”。每帧三十六毫秒回答的是“这个模型能否跟上一个人的节奏”。两者都很难,也都值得为之付费,而没有任何一张单一价目表能同时为两者定价。


