
FastFrames 影片生成 vs HiDream O1 Video 1.0:延遲,與敘事相遇
- 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
兩個版本相隔十週推出,建立在對於影片模型用途截然不同的信念之上。 HiDream O1 Video 1.0的出發點是:一段短片就是一部小電影——它會規劃敘事弧線,以 1080p 生成五到二十秒的內容並搭配同步音訊,並把物理定律視為一項限制,而非一種美學。 FastFrames Video Generation的出發點則是:一個影格是一個事件,必須在下一個影格被需要之前送達;它把影格之間的間距壓縮到 36 毫秒——在 480p、無聲的情況下,使用 Apple 於 2026 年 11 月 16 日發布的權重,以及一篇日期標為 17 日的論文。兩者都不是對方的劣質版本。它們是針對不同問題的答案,而選擇其中一個,就等於告訴所有人你問的是哪個問題。
一個用排行榜衡量,另一個用碼錶衡量。
證據的不對稱是這頁最重要的一點。HiDream O1 Video 1.0 已由第三方排名;FastFrames 則沒有,而且以其目前形態也不可能,因為一個沒有音訊的 480p 文字轉影片模型,無法納入一個以有聲為前提的圖像轉影片排行榜。
HiDream O1 Video 1.0 — 在開啟音訊篩選的情況下,於 Artificial Analysis 的影像轉影片排行榜上排名第六;在 3,231 個樣本中,Elo 為 1,175 ±10,每分鐘 $5.80,資料擷取於 2026 年 10 月 10 日。Artificial Analysis 記錄其發布日為 2026 年 8 月 28 日、上榜日為 9 月 10 日,而 HiDream.ai 自身的公告日為 9 月 17 日。
{{1}}FastFrames-S{{/1}} 與 {{2}}FastFrames-L{{/2}} — 未列入排行榜,也沒有獨立評測。84.23 與 84.44 的 VBench 總分是作者自行提供的,出自論文表 1,使用與該表中每個基準相同的提示詞與種子。
• 把它們連結起來的那個說法——沒有任何實測。VBench 總分和 Elo 無法換算,而且沒有人用同一批提示詞同時跑過這兩者。
所以,誠實比較品質的方式就是拒絕比較。可以比較的是能力、延遲、價格和取得管道,而在這四項中的三項上,答案相差甚遠。

每分鐘 5.80 美元,HiDream O1 Video 1.0 能給你什麼
這套系統的野心明顯大得多。HiDream 的發布資料描述了三個階段——規劃階段、音視訊聯合生成,然後是對齊階段——並透過針對多模態獎勵模型的擴散強化學習進行後訓練。實際上,這體現為一種會自行決定片段應該多長的影片模型,而不是由人告訴它:時長是在 5 到 20 秒的窗口內由敘事規劃決定,而且音訊是與畫面一同生成,而非事後疊加。
• 解析度與長度 — 1080p,5 至 20 秒,時長是預先規劃的,而非任意挑選的。
• 音訊 — 與影片共同生成並與之同步,而非另作獨立處理。
• 條件控制 —— 文字、圖像與影片一併輸入,且在託管 API 上必須恰好提供一張參考圖像。
• {{1}}物理{{/1}}——被視為一種生成約束,而這正是其 Elo 高於中位數這項主張的依據。
• 存取 — 託管的 MaaS 端點,具備非同步任務與輪詢週期,每分鐘輸出 $5.80,約每秒 $0.097。
• 開放權重 — 無。
API 的實際範圍比發表資料窄,而這正是會讓團隊踩坑的細節。公開端點只接受恰好一張參考圖片,需以公開 URL 或不含 data-URL 前綴的 Base64 提供,大小介於 40 KB 到 20 MB 之間。提示詞為選填,預設為空。沒有參考影片欄位、沒有解析度選擇器——長寬比沿用參考圖——也沒有音訊控制。唯一的可調參數是 force_10s 布林值。還有一個在你撰寫輪詢迴圈前值得知道的客戶端陷阱:頂層的 result.status 達到 1 表示所有子任務都已結束,不代表它們都成功。實際結果在 sub_task_results[].task_status 裡,其中 1 是成功、3 是生成失敗、4 是安全拒絕。單純的輪詢迴圈會把失敗的生成標記為完成。
以一張 GPU 的價格,FastFrames 能給你什麼
更少產品,更多機器。FastFrames 是一個自迴歸影片擴散模型,從 Wan2.1 蒸餾而來——1.3B 檢查點來自 Wan2.1-T2V-1.3B,14B 則來自 Wan2.1-T2V-14B——採用名為 Causal Forcing++ 的方法。其貢獻不在於 Transformer 本身,而在於圍繞它的部分:VAE 解碼器被一個 6,387 萬參數的像素解碼器取代,該解碼器透過三個因果 ConvNeXt 區塊與一個線性頭,為每個 token 輸出 4×16×16 個 RGB 值,將解碼時間從約 147 毫秒縮短至約 1 毫秒;而 KV 快取更新則變成一個小型精修網路——共享主幹、四個 8 頭注意力區塊、每個 DiT 層一個殘差修復頭——耗時 2 至 6 毫秒。DiT 本身則在最終階段被凍結。
• 輸出 — 832×480、81 幀、16 fps。每次生成約 5.06 秒,可自迴歸串接。
• 延遲 — 小型模型在單一 B200 上每幀為 36 毫秒,大型模型在八台上為 45 毫秒;大型模型在單一 GPU 上為 158 毫秒,而在 720p 下為 127/116 毫秒。
• 條件控制 — 僅限文字。無圖像、無影片、無關鍵影格、無攝影機控制。
• 音訊 — 無。
• 存取 — 權重發佈於 Hugging Face,採用 Apple 的 AMLR 授權;程式碼位於 GitHub;支援 Linux x86-64 搭配 CUDA 12.8。隨附的 LingBot-World v2 示範採用 CC BY-NC-SA 4.0,禁止將該部分用於商業用途。
• 價格 — 任何地方都沒有託管費率。硬體由您提供。
這項品質宣稱——就其只是未經證實的廠商數字而言——是:小型模型的 VBench 總分為 84.23,大型模型為 84.44;相較之下,Causal Forcing++ 基準在每幀 272 毫秒下為 84.11,而 Wan2.2 14.3B 在 117,734 毫秒下為 84.65。如果這些數字成立,一個每幀只比基準多花不到一毫秒的模型,就能匹敵一個慢上兩千六百倍的模型。這才是應該檢驗的宣稱,而不是拿來引述的。

三類受眾的決策
依買家所製造的產品來區分,選擇就不再是比較了。
如果您正在製作成品影片
HiDream O1 Video 1.0 是兩者中唯一能產出成品影片的。1080p、有聲音、依內容選擇長度、按秒計價,讓你預先估算。每秒 $0.097,二十秒的片段就是 $1.94,這是製作預算中很正常的一筆項目。FastFrames 無論規模多大都無法加入這場討論,因為它交不出任何人會想看的檔案。
如果你正在建構一個互動式系統
反過來說也完全成立。HiDream 的非同步任務與輪詢週期,在結構上不適合任何必須在一幀內回應的用途——你先提交、再等待、然後取回。FastFrames 在單張 B200 上每幀 36 毫秒,生成速度快於 16 fps 的播放速度,而這正是人類不再察覺機器正在生成的門檻。如果你的產品是即時預覽、虛擬化身或可操控場景,本文沒有任何託管模型能勝任,而 Apple 的發布是其中最可信的開放途徑——但須經授權條款審查;對示範元件而言,這意味著僅限非商業用途。
如果您正在評估是否要建置其中任一項
那麼,最便宜的實驗就是針對託管模型進行,而 OrcaRouter 是託管端的一把金鑰:MiniMax H3 是與 HiDream 的野心最接近的託管鄰居,與 Kling 3.0、Kling 3 Turbo 和 Kling Video O1 並列於同一份目錄中,以供應商定價原價轉嫁、0% 加價,因此廠商費率變動會在其發生當天反映到你的帳單上。HiDream O1 Video 1.0 和 FastFrames 都不在那裡提供——我們兩者皆不路由,本文也不是在聲稱我們有提供。這把金鑰能買到的,是一種在您花錢購買 FastFrames 所需硬體之前,衡量自身延遲容忍度的方式,因為這項測量是唯一能決定 36 毫秒是否值得 480p 的事情。
「什麼能解決這件事?」
有個實驗:把兩者跑在同一組二十個提示詞上,再把輸出放到不知道哪個模型生成哪個結果的人面前。只要聲音或細節重要,FastFrames 在每個提示詞上都會輸;而在眼睛最容易注意到動態連貫性的提示詞上,它可能會贏,因為自迴歸生成正好擅長這一點。在有人實際跑過之前,站得住腳的立場是:HiDream O1 Video 1.0 是更好的影片模型,而 FastFrames 是更好的延遲表現,而這是兩種不同的產品在賣——一個按秒計費,一個按 GPU 小時計費。

