用於比較 FastFrames Video Generation 與 Grok Imagine Video 的主視覺標題卡,帶有寫著「每幀 36 毫秒」、「無聲、480p」、「自託管」、「最高 1080p」、「音訊與唇形同步」和「每分鐘 $4.20」的徽章,以及右下角的 OrcaRouter 標誌。
Guides & Insights

FastFrames 影片生成 vs Grok Imagine Video:兩者皆為自迴歸,其中一款已正式推出

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

最接近的技術同類是FastFrames Video Generation目前在正式環境中Grok Imagine Video,而且這種相似並非表面功夫。兩者都以自迴歸方式生成影片——每個區塊都以前面的影格為條件——且兩者都利用這種結構來延長片段,而不是渲染固定視窗。Apple 的版本於 2026 年 11 月 16 日發布,論文於 17 日發表,利用這種方式在單一 GPU 上達到每幀 36 毫秒。xAI 的版本則利用它,讓你能把一個鏡頭持續到十五秒並帶有聲音。差別在於,其中一個是可下載的研究產物,另一個自 2026 年 1 月起就一直公開在 API 上,而這個差別——不是基準測試表——才是決定任何有截止期限的人這場對決的關鍵。

每一項要花多少,以你實際編列預算時會用的單位來表示

FastFrames 沒有價格,因為沒有東西可買。權重放在 Hugging Face 上,採用 Apple 的 AMLR 授權,唯一成本是硬體:1.3B 模型需要一張 B200,14B 模型則需要八張才能維持互動性,再加上 CUDA 12.8 與 Linux。Grok Imagine Video 按秒計價,而 Artificial Analysis 以每分鐘費率報導,這讓算術格外簡單明瞭。

• Grok Imagine Video,最初發行版本 — 每分鐘輸出 $4.20,即每秒 $0.07。15 秒的短片約 $1.05。

• Grok Imagine Video 1.5 — 每分鐘 $8.40,每秒 $0.14,同樣十五秒約 $2.10。

• Grok Imagine Video 1.5 Lite 在文生影片排行榜上——同樣是每分鐘 8.40 美元,這是值得指出的定價怪象,而不是該設法自圓其說的問題。

• {{1}}FastFrames-S{{/1}} — 不設費率。一台 {{2}}B200{{/2}} 每 GPU 小時約 2 至 4 美元,在理論極限下,每過一秒實際時間可生成 28 段五秒短片,因此邊際成本幾乎等同電費。

• FastFrames-L — 同樣地,在八張 GPU 上,這正是「便宜」這個論點更難站得住腳的地方。

FastFrames 只有在達到一定用量時,成本優勢才會翻轉,而且前提是你已經自有 GPU。對租用 GPU 的團隊來說,損益平衡點還遠得很,因此選擇它的理由必須是延遲,而不是價格。

A two-column scoreboard comparing FastFrames and Grok Imagine Video across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against up to 1080p, audio none against joint audio and video, max length 81 frames about 5 seconds against 15 seconds, price GPU time only against $4.20 to $8.40 per minute, and access open weights against a hosted API.

Grok Imagine Video 就是遙遙領先的地方

FastFrames 完全未具備的三項已推出功能。

• 解析度 — Grok Imagine Video 會依呼叫不同而輸出 480p、720p 或 1080p;FastFrames 則固定為 832×480。

• 音訊 — xAI 會同時生成影像與聲音,具備唇形同步的語音,並支援最多三個預設語音參考;FastFrames 則會產生無聲影片,且沒有音訊路徑。

• 控制介面 — 最多 14 張參考圖片、最多四個影片中段關鍵影格加上首尾影格,以及從最後一格串接延伸至十五秒的擴充;FastFrames 接受文字提示,而這就是整個介面。

就測量品質而言,Grok 系列在 2026 年 10 月的 Artificial Analysis 資料擷取中位居中游,而非頂端:最初版本在影像轉影片排行榜上排名第十三,Elo 為 1,072 ±7,樣本數 14,371;Grok Imagine Video 1.5 排名第九,Elo 為 1,098 ±8,樣本數 5,267;1.5 Lite 等級則在文字轉影片排行榜上排名第十六,Elo 為 993 ±10,樣本數 5,715。因此,1.5 更新換來約 26 Elo——這是在信賴區間邊緣的一項實質改善,而非階梯式躍進——代價是每秒價格翻倍。那些是 10 月的第三方數據;FastFrames 沒有排行榜條目可供比較,而 Apple 自家 VBench 總分在小模型與大模型上分別為 84.23 與 84.44,無法與 Elo 直接比較。

FastFrames 領先的地方,而且僅在一個軸向上

速度,壓倒性地,以及速度所服務的目的。Grok Imagine Video 是一個請求—回應系統:你送出提示,等待,然後取得一段短片。FastFrames-S 在單一 B200 上每影格回傳耗時 36 毫秒——總吞吐量為每秒 28 影格——比 16 fps 串流播放還快。14B 模型需要八張 B200 才能達到每影格 45 毫秒;在單一 GPU 上則降到 158 毫秒,並不再具互動性。

這與其說是讓 Grok 顯得慢的數字,不如說是描述另一款產品的數字。xAI 賣的是帶聲音的成品短片。Apple 則發表了一個用於即時迴圈的元件,並透過讓其他人的系統變得可互動來展示它:把 LingBot-World 的 1.3B 變體從每幀 1,085 毫秒降到 52 毫秒,14B 從 3,862 降到 233,RealWonder 1.3B 則從 1,141 降到 51。那些系統也都沒有在 1080p 下附帶音訊。比較務實的解讀是:FastFrames 是一項等待產品落地的技術,而這項技術本身很好:用一個 6,387 萬參數的像素解碼器取代 VAE 解碼,能把該階段從約 147 毫秒縮到約 1 毫秒;而一個小型 KV 精修網路則以 2 到 6 毫秒取代快取更新。

基準測試表裡沒人提到的授權陷阱

FastFrames 是在狹義且謹慎的意義上開放。模型權重附帶 Apple 的 AMLR 條款。作為示範一同提供的 LingBot-World v2 程式碼與權重採用 CC BY-NC-SA 4.0——非商業性、相同方式分享。儲存庫其餘部分則依 Apple 的 Sample Code Licence。如果你原本打算把這個示範應用程式放進商業產品,授權會比 480p 上限更早攔住你。Grok Imagine Video 沒有這種模糊地帶:它是 API,你按秒付費,而條款是服務協議,而不是對模型權重的權利授予。

這個取捨值得直接說清楚,因為「開放權重」常被當成「可免費使用」的簡稱,而這次的發布並不是那樣。

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

如何在它們之間做選擇

問問剪輯存在之後會發生什麼事。如果人類只看一次就繼續前進——社群貼文、分鏡腳本、廣告變體——那麼 Grok Imagine Video 以每秒 $0.07 到 $0.14、含音訊與 1080p 的價格,就是更便宜也更好的答案,而 FastFrames 在輸出品質上無法競爭,因為它不會產出完成的成品。如果剪輯是其他東西的輸入——會隨著使用者輸入而更新的預覽、在一幀之內回應的角色、正在被探索的世界模型——那麼按剪輯計價和請求佇列就完全不是正確的形態,而在這場比較中,單一 GPU 上的 FastFrames-S 是唯一契合的選項。

對於中間情境——你想在購買硬體前,先測試互動形態是否值得打造——最便宜的做法是針對你今天就能呼叫的託管模型做原型。OrcaRouter 涵蓋以單一金鑰、按供應商牌價、0% 加價提供的託管影片模型——包括 Kling 3.0、Kling 3 Turbo、Kling Video O1 和 MiniMax H3——而固定直通意味著供應商價格變動當天就會反映到你的帳單,而不是等到續約時。Grok Imagine Video 和 FastFrames 都不在該目錄中:我們兩者都不提供,本文也無意暗示其他。單一金鑰確實能給你一種穩定的方式,來衡量使用者能容忍的延遲,而這個數字能告訴你 Apple 的發布到底是否與你的路線圖相關。

誠實的總結

Grok Imagine Video 在各個層面上都是更出色的影片生成器,唯一例外是 Apple 所優化的那一項,而 Apple 在那一項上的優化程度超越了所有人。兩年後,有趣的問題不會是這兩者哪個更快,因為託管方案屆時將已迎頭趕上,足以讓這項差異對大多數產品而言不再重要。真正的問題會是:有沒有任何託管方案能讓你在生成仍在算圖時就對其進行引導。這正是 FastFrames 所展現的能力,而在本次比較中,沒有任何 API 提供這項功能。

The FastFrames project page from Apple and Cornell University, naming the seven authors and stating that both checkpoints generate 480p at under 50 milliseconds per frame.