主视觉卡片对比 FastFrames Video Generation 与 Vidu Q4 Preview,左侧卡片显示“832x480,无声”、“每帧 36 ms”和“仅文本提示”,右侧卡片显示“最高 4K”、“15 个图像参考、3 个音频参考”和“3 至 16 秒”,右下角为 OrcaRouter 标志。
Guides & Insights

FastFrames 视频生成 vs Vidu Q4 Preview:4K 预览对决 480p 循环视频

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

Vidu Q4 Preview是这个系列中的异类,因为其名称中的那个词确实有实际含义:它是一个预览版本,由 Shengshu Technology 于 2026 年 10 月 7 日发布,而 Shengshu 自己的材料将其描述为收集反馈、以塑造最终模型的版本。FastFrames Video Generation也不是产品,但原因相反——它是已完成的研究,于 11 月 16 日以权重形式发布,既没有端点,也没有价格,更没有通向二者的路线图。把它们并排放置,你会得到两个模型:从采购负责人关心的意义上说,二者都不可用,却处在同一缺口的两侧:Vidu Q4 Preview 有已上线的 API 和价目表,并且会被取代;FastFrames 则根本没有 API,也不会被取代。接下来要讨论的是,这两种缺失中哪一种让你付出更大代价。

费率卡是第一个真正具有可比性的东西

Vidu Q4 Preview 是该领域少数按分辨率档位公布每秒费率的模型之一,这使其计价方式清晰易懂,而大多数竞争对手的计价方式则并非如此。

• 540p — 每秒 9 积分,按 Shengshu 公布的标准积分费率 0.005 美元计算,约合 0.045 美元。

• 720p — 每秒 19 积分,约 $0.095。

• 1080p — 每秒 24 积分,约 $0.12。

• 2K — 每秒 38 credits,约 $0.19。

• 4K — 每秒 78 积分,约 0.39 美元;按标价并在折扣前计算,16 秒片段约为 0.72 美元。

• FastFrames —— 无需任何东西。没有费率,没有主机,没有队列。代价是:对于每个 5 秒片段,在小型模型上需要一块 B200 运行 2.9 秒的实际耗时,在大型模型上则需要八块 B200 运行 3.6 秒。

关于 Vidu 的价格曲线,有两点值得说明,因为它们很容易被误读。发布公告中提到的每秒 $0.014 这一数字,是 540p 档位在积分折扣费率下的价格,并非通用费率。另外,该平台正在对积分包推出最高 30% 的限时套餐折扣,这会让所有档位一起下移,而不会改变曲线的形状。请以标价曲线为基准进行规划;把折扣视为临时抵扣,你的项目上线时它可能已不存在。

最终得出的对比并不是“某一个更便宜”。Vidu Q4 Preview 有一个最低档位——一个 540p 的 blocking 档位,其定价正好对应它的用途:在支付全分辨率渲染费用之前先验证构图——而 FastFrames 则完全没有档位,因为它没有计费入口。如果你的工作涉及在最终确定前以低分辨率反复迭代某个镜头,那么 Vidu 的 540p 档位是真正的产品功能,而 FastFrames 固定的 480p 并不是一回事,尽管数字很接近。

两款为同一份需求的不同端点而打造的型号

能力清单几乎没有重叠,而这是本次比较中最有用的一点。

• 分辨率 — Vidu Q4 Preview 原生支持 540p、720p、1080p、2K 和 4K 生成,其中最高两档支持 10 位色彩。FastFrames 则为 832×480,且无任何设置选项,也没有超分路径。

• 时长 — Vidu Q4 Preview 在图生视频中时长为 3 到 16 秒,在参考生视频中时长为 1 到 16 秒。FastFrames 为 81 帧、16 fps,时长 5.06 秒,仅可通过链式延长。

• 输入 — Vidu Q4 Preview 记录了两个端点:/ent/v2/img2video 和 /ent/v2/reference2video,最多可接收 15 张图片,涵盖角色、场景和风格,另外最多可接收 3 个时长为 3 到 12 秒的 mp3 音频参考,用于声音克隆。FastFrames 接收文本提示词和种子。它的参考额度并不是更小,而是根本没有参考额度。

• 模式覆盖范围 — Vidu Q4 Preview 未记录任何文生视频路径,也没有视频编辑路径。FastFrames 仅支持文生视频。综合两者来看,任何一方缺少的模式,在两者中都找不到。

• 音频 — {{1}}Vidu Q4 Preview{{/1}} 同时生成音频和视频,图生视频端点提供音频参数,可输出对话和音效,并保持参考语音一致性。{{2}}FastFrames{{/2}} 为无声。

• 延迟 — FastFrames 公布:在单块 B200 上每帧 36 毫秒,14B 模型在八块 GPU 上为 45 毫秒,而大模型在单块 GPU 上为 158 毫秒。Vidu Q4 Preview 未公布本页可核实的每帧延迟数据。

把这六行放在一起看,两个模型几乎是互补的。Vidu Q4 Preview 是那个能保持角色一致性、生成声音并输出 4K 的模型;FastFrames 则是那个能以 480p 静默地从文本生成帧、速度快到你根本看不过来的模型。在这六行所涉及的任何一项上,两者都无法互相替代。

A two-column scoreboard comparing FastFrames and Vidu Q4 Preview across six dimensions: resolution 832x480 against up to 4K, clip length 81 frames against 3 to 16 seconds, image references none against up to 15, audio references none against up to 3, audio none against generated dialogue and sound, and price GPU time you supply against 9 to 78 credits per second.

董事会的立场,以及为什么这是一种警示而非定论

Vidu Q4 Preview 拥有独立的评分,值得仔细品读,而非仅作引用。

在 Artificial Analysis 的图像转视频榜单上,截至 2026 年 10 月 8 日,它以 1,179 Elo、5,543 票位列第三。第一是 MiniMax H3 Max,1,195 分;第二是 MiniMax H3,1,181 分。第一名与第三名相差 16 分,而两者的区间分别约为 ±10 和 ±11。这只是披着领奖台外衣的统计平局,任何一上来就宣称该榜单已有赢家的页面,都是在把噪声当成信号。投票确实能说明的是:在成千上万人如今已经评判过的一项任务上,Vidu Q4 Preview 的输出与领域顶尖水平相比具有竞争力。

FastFrames 没有这样的记录,而且在它未托管的情况下也无法获得记录。其质量主张来自作者自己的 VBench 数字——1.3B 检查点为 84.23,14B 为 84.44,而 Causal Forcing++ 基线在每帧 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数字,而 VBench 奖励的正是自回归模型擅长的时间平滑性。表格中整个质量差距约为两点五分;其延迟差距却达四个数量级。这有力地说明该基准已不再具有区分度,但若借此声称某个模型与其邻近模型同样优秀,则并不公平。

关于 Vidu 的具体数字,还有一点需要特别提醒:这些票数来自 2026 年 10 月,所针对的竞争阵容此后已经发生变化。后来进入竞技场的模型,或预览版被正式发布版取代,都会在不涉及所列任何模型提升或退步的情况下重新排列榜单。始终要把日期和数字一起看。

“预览”会让你付出什么代价,“研究版发布”又会让你付出什么代价

这两种说法都是诚实的,而且二者都有值得明确说明的商业后果。

预览版构建存在许可与连续性风险。按照生数自己的说法,Vidu Q4 Preview 的定价和功能可用性会在正式发布时最终确定——这意味着你今天据以做预算的价目表,未必就是六个月后向你开票所用的那一份,而你赖以构建的某项功能也可能改变形态。作为补偿的优势在于,这个预览版确实存在:有 API,有文档,有两个具名端点,有支持路径,也有明确的发展方向。

研究型发布是另一种风险。FastFrames 的权重受 Apple 的 AMLR 条款约束,同一代码库中的 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's Sample Code Licence。没有端点、没有 SLA、没有支持,也没有弃用政策,因为它并不是服务。作为交换,你得到的是持久性和可检查性:权重不会被撤回,论文不会被改写,而且 Apple 发布了该大型模型每个训练阶段的检查点——因果教师、一致性蒸馏阶段、DMD 蒸馏阶段,以及带有像素解码器和 KV 细化网络的最终生成器——这使该发布具有可复现性,而本领域几乎没有其他东西能做到这一点。

对大多数团队来说,硬件要求才是分水岭。{{1}}FastFrames 需要 Linux x86-64、NVIDIA GPU 和 CUDA 12.8,然后运行 uv sync 和生成脚本。{{/1}} {{2}}Vidu Q4 Preview 则需要一个账户和一个 API 密钥。{{/2}}对更多组织而言,决定比较结果的是这句话,而不是任何 Elo 差异。

哪一个,简要说明

当需要保持角色与声音的一致性时,当原生 4K、10 位色彩生成是交付要求时,当输入是参考集或静帧而非提示词时,或者当你的实际流程是在全分辨率定稿前先做一次廉价的 540p 布局预演时,选择 Vidu Q4 Preview。请接受它仍是预览版、定价最终可能有所不同,并且其文档未提供任何文本转视频或编辑路径。

当循环本身就是交付物——实时预览、流式虚拟形象、可控世界模型——并且当从文本提示生成 480p 无声内容正是产品所需的形态而非妥协时,就采用 FastFrames。接受许可证审查、GPU 集群、缺失的参考输入,以及本次发布中没有任何内容面向 1080p 带声音交付物这一事实。

OrcaRouter 不路由 Vidu Q4 Preview——目录中没有任何 Vidu 标识符——它也不托管 FastFrames,因为后者没有任何可供他人路由的端点。一把密钥真正能承载的,是托管视频层及其公布的每秒费率:MiniMax H3 在 768p 下为每秒 $0.08,在 2K 下为 $0.13,还有 Kling 3.0 系列,以及同一个 OpenAI 兼容端点上的 200 多个语言模型,按提供商标价原样传递,0% 加价,并支持端点间自动故障转移。对于正在权衡预览构建与研究版发布的团队而言,这两者如今都不是安全的生产选择,而该目录正是他们在做出任一决定前获得稳定每秒基准的地方。

怎样才能了结此事?

两个事件,仅此而已。Vidu Q4 的完整正式发布若能在相同的每秒曲线上保持其榜单位置,就会把预览版变成生产承诺,并消除连续性风险;而一次增加文生视频端点的发布,则会把它放到与其他所有模型相同的榜单上,让比较变得直接。另一方面,Apple 以任何价格托管 FastFrames——或者任何其他人托管它——都会让该模型获得一个竞技场条目和一项独立延迟测量,而这是唯一能让读者把 36 毫秒与其他任何东西相比较、而不是孤立地赞叹它的东西。

截至本文写作时,这两种情况都未发生。于是决定权又落回它通常所在之处:落在交付物上,落在许可证上,也落在你是宁愿租一个预览、还是宁愿拥有一份纸本上。

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.