
Apple 的 FastFrames 生成影片的速度比你看得還快
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 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 每百萬 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 121 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 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 每百萬 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 119 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 每百萬 tokens
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 143 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
每幀三十六毫秒。這就是 FastFrames Video Generation 最上方的數字,這個版本由 Apple 與康乃爾於 2026 年 11 月 16 日共同發布——權重放在 Hugging Face,名為 FastFrames-S,有 13 億參數,以及 FastFrames-L,有 140 億參數;隔天則有一篇題為「FastFrames:互動延遲下的影片生成」的論文。在讀其他任何內容之前,先算一下:一段影片是 81 幀、解析度 832×480、每秒 16 幀,也就是 5.06 秒的影片。在單張 B200 上以每幀 36 毫秒計算,小模型只需 2.9 秒就能生成那段影片。不是比替代方案快——而是比播放快。有趣的問題不是這個數字是否真實,而是 Apple 為了得到它犧牲了什麼,以及那樣的取捨是不是你能接受的。
實際上出貨了什麼,以及何時出貨
兩個檢查點,皆為文字轉影片,且截至本週都無需申請即可下載。Hugging Face 儲存庫建立於 2026 年 11 月 16 日,且在 11 月 18 日上午仍有人持續修改;arXiv 預印本(2611.23226)日期為 11 月 17 日。所以這是才發布兩天的版本,不是已有實績紀錄的模型,而且這裡沒有任何內容經過獨立評估。以下所有內容,不是作者自己的量測結果,就是已發布權重的屬性。
• 大小 — FastFrames-S 為 1.3B 參數,FastFrames-L 為 14B(計入新增的頭部後為 14.3B)。
• 基礎模型——分別從 Wan2.1-T2V-1.3B 與 Wan2.1-T2V-14B 蒸餾而來,採用作者稱為 Causal Forcing++ 的方法。
• 輸出 — 832×480、16 fps,每次生成 81 幀,採自迴歸方式,因此可將片段串接起來。
• 權重 — 在 Hugging Face 上公開,標示為 Apple 的 AMLR 授權條款;LingBot-World v2 示範程式碼為 CC BY-NC-SA 4.0,屬於非商業性授權,而儲存庫其餘部分則採用 Apple 的 Sample Code Licence。
• 定價——無。Apple 並未提供託管的 FastFrames 端點;你必須在自己的 GPU 上自行執行。
最後那句才是需要內化的重點。FastFrames 是附有可下載權重的研究版本,這與產品是截然不同的東西。它沒有按秒計費的費率、沒有排隊機制、沒有 SLA,而且沒有 NVIDIA GPU 和 CUDA 12.8 就無法呼叫它。

毫秒都去了哪裡
這個架構構想比「更快的模型」更聚焦,也更有意思。FastFrames 是一種自迴歸影片擴散模型,這表示它會以先前的內容為條件,生成一個影格區塊。在作為其基礎的基準 Causal Forcing++ 中,生成一個 81 幀的區塊時,每幀要花 271.8 毫秒,而其中很大一部分根本與 transformer 無關——那是變分自編碼器把潛在表示解碼回像素,再加上更新 KV 快取、讓下一個區塊知道這一個區塊發生什麼事的步驟。
Apple 團隊把那個迴路的兩端都換成小型學習網路,並讓擴散 Transformer 保持不變。
• VAE 解碼器已被移除。一個擁有 6,387 萬參數的像素解碼器——由三個因果 ConvNeXt 區塊與一個最終線性層組成,每個 token 輸出 4×16×16 的 RGB 值——直接產生影格。解碼時間從約 147 毫秒降至約 1 毫秒。
• KV 快取更新現在是一個小型網路。一個共用主幹、四個 8 頭自注意力區塊,以及每個 DiT 層一個殘差修復頭,在小模型上耗時 2 毫秒,在大模型上耗時 6 毫秒。
• 轉換器本身幾乎沒有變動,並且在最後階段被凍結。在 1.3B 模型上,DiT 時間從 41.6 毫秒降至 16.4 毫秒;在 14B 模型上,則從 89.2 降至 75.6。
把這些加總到 1.3B 模型上,271.8 毫秒就變成 35.8。這就是全部的訣竅,而且是個好訣竅:作者並沒有讓擴散 Transformer 變得更快,而是移除了它周圍那些從來就不是重點的部分。像素解碼器在 32 張 B200 上訓練了約一週、涵蓋 150,000 次 rollout,並在 8 張 B200 上進行對抗階段,使用凍結的 DINOv3 ViT-S/16 判別器,以防止它產生模糊的影格。
品質聲明,以及由誰查核
這是需要加上標籤的部分。下方的 VBench 數字是作者自己的,使用相同的提示詞與種子、以 480p 執行,並報告於論文表 1。沒有任何獨立第三方重現過這些數字,而 VBench 是一個會獎勵自迴歸模型所擅長的那種時間平滑度的基準。把它們當作關於達到同等水準的主張,而不是對同等水準的測量。
• FastFrames-S — VBench 總分 84.23,品質 85.30,語意 79.92,每幀 36 毫秒。
FastFrames-L — 總分 84.44、品質 85.48、語意 80.29,在八張 B200 上每幀 45 毫秒。
• Causal Forcing++,也就是它蒸餾所依據的基準模型——在每幀 272 毫秒下總分為 84.11,因此速度約慢 7.6 倍,但分數只少 0.1 到 0.3 分。
• Krea-Realtime — 總分 84.42,每幀 1,675 毫秒;論文宣稱其真實感、提示詞遵循度、構圖與文字渲染可媲美,且速度超過十倍。
• Self-Forcing — 於 717 毫秒達 84.10;CausVid 於 662 毫秒達 83.18;LongLive2.0 於 505 毫秒達 83.65。
• Wan2.1 1.3B,基礎模型——每幀 30,444 毫秒下為 83.80。
• Wan2.2 14.3B — 每幀 117,734 毫秒下取得 84.65。這個數字值得細細玩味:全場最佳的總分,代價是每幀成本約為 FastFrames-L 的 2,600 倍。
• MiniMax-H3 33.1B — 84.43,耗時 38,454 毫秒;HunyuanVideo1.5 8.3B — 83.18,耗時 1,555,508 毫秒。
這個模式是:清單上每個模型的分數都落在 83 到 85.5 的平坦品質高原上,而延遲差距橫跨四個數量級。無論 VBench 總分衡量的是什麼,它老早就已無法區分這些系統。現在區分它們的是執行速度,以及它們能產出的解析度和音訊——而 FastFrames 在第一欄以大幅差距勝出,在第二欄則徹底落敗。
每幀 36 毫秒實際上能換來什麼
把單位換成產品人員會在意的單位。作者同時報告吞吐量和延遲,而這兩者會根據你擁有多少張 GPU,講出不同的故事。
• FastFrames-S,單張 B200 — 每幀 36 毫秒,約每秒 28 個請求。一段 5 秒的片段只需 2.9 秒,或比你觀看它的速度快 1.7 倍。
• FastFrames-L,八張 B200 —— 每幀 45 毫秒,每秒約 22 個請求。5 秒片段只需 3.6 秒。
• FastFrames-L,單一 GPU —— 每幀 158 毫秒,約每秒 6.3 次請求。同一段短片需時 12.8 秒,比播放速度還慢。大型模型唯有分散到整個節點上,才具備互動性。
• 在 720p 下——在八張 GPU 上,小模型每幀 127 毫秒,大模型每幀 116 毫秒,而這正是單一資料流工作階段中「互動式」不再成立的地步。
• 在 H100 而非 B200 上——論文將這一代价估在 25% 到 50%,因此小模型每幀大約落在 45 到 54 毫秒。
站得住腳的說法,是關於小模型在現行硬體上的那一項。單顆 B200 上的 FastFrames-S 確實比即時更快,而這正是讓即時預覽迴圈、串流虛擬人像,或可控世界模型得以在無需渲染農場的情況下成真的關鍵。14B 僅在批次吞吐量的意義上才稱得上具互動性。
自行運行
這個儲存庫隨附可運作的推論路徑,而不只是權重。你需要 Linux x86-64、NVIDIA GPU 與 CUDA 12.8;接著執行 uv sync,以及 uv run python scripts/generate.py --model ff-l --checkpoint-dir checkpoints --prompt "..." --seed 0 --output outputs/clip.mp4。另有一個延遲基準測試腳本,可接受 GPU 數量作為參數;還有一套 VBench 評測工作流程,以及 apps/lingbot 下一個在 8000 埠提供服務的示範應用程式。Apple 也公布了大型模型每個訓練階段的檢查點——因果教師、一致性蒸餾階段、DMD 蒸餾階段,以及附有像素解碼器與 KV 精煉網路的最終生成器——這很不尋常,也讓此發布版本能以大多數「開放權重」釋出做不到的方式重現。

如果你沒有 GPU,誠實的說法是 OrcaRouter 並不提供 FastFrames,其他任何人也一樣——沒有可路由的託管端點。一把 OrcaRouter 金鑰確實涵蓋的,是目前已經可用的託管影片模型,包括 Kling 3.0 與 Kling 3 Turbo、Kling Video O1 和 MiniMax H3,價格為以 0% 加成直接轉嫁的供應商定價,因此供應商價格一有變動,你會在當天收到反映,而不是等到下一個帳單週期。對於對 FastFrames 感到好奇的團隊,明智的做法是先針對延遲可量測的託管模型來製作產品構想原型,並且只有在確定這個循環值得之後,才購買 GPU 時間。
它做不到的事
三個限制,而且它們都不會在下週被修補。
• 解析度 — 480p,就是這樣。Apple 宣稱的延遲數據是 720p,但實際推出的配置是 832×480。這個價位帶的每個競爭對手至少都提供 1080p。
• 音訊 — 無。FastFrames 為靜音。Veo、Kling、Grok Imagine 和 HiDream 均在同一次呼叫中生成同步音訊。
• 時長與控制 — 每次生成 81 個影格,並以自回歸方式串接,僅接受文字提示。不支援影像條件輸入、參考素材、關鍵影格、攝影機控制,也沒有擴充 API。
• 授權 — 模型權重受 Apple 的 AMLR 條款約束,而 LingBot-World v2 元件採用 CC BY-NC-SA 4.0。在基於示範應用程式打造商業產品之前,請先閱讀相關條款;「開放權重」與「可自由商業化」並非同義詞,而本次發布特意審慎區分兩者。
值得留意的事
FastFrames 最適合被理解為一項論證:自迴歸影片生成的成本,從來主要都不是模型本身。成本在於解碼與快取更新,而 Apple 用大約兩毫秒和一個百萬位元組的參數,把這兩者都刪掉了。這個結果可以轉移:像素解碼器是針對每個基礎模型分別訓練的,但那個原則——凍結 transformer、學習管線——適用於任何因果式影片擴散堆疊,而且論文已經展示了它被移植到兩套第三方系統上,在 1.3B 版本上讓 LingBot-World 從每幀 1,085 毫秒降到 52 毫秒,在 14B 上則從 3,862 降到 233。
這對買家意味著什麼:如果你的產品需要在即時迴圈中運行影片模型,硬體需求剛剛下降了一個數量級,而品質代價似乎很小。如果你的產品需要帶聲音的 1080p 成品片段,這次發布中沒有任何東西是衝著你來的,託管模型仍然是答案。這兩種使用情境之間的差距,正是未來十二個月影片模型發布將競逐的戰場。

