主视觉卡片对比 FastFrames Video Generation 和 Seedance 2.5,左侧卡片显示“81 帧,5.06 秒”、“832x480,无声”和“每帧 36 ms”,右侧卡片显示“单次运行 30 秒”、“30 个图像和 10 个视频参考”和“按 token 计量”,右下角带有 OrcaRouter 标志。
Engineering & Research

FastFrames 视频生成 vs Seedance 2.5:三十秒对八十一帧

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

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。

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

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。

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.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.