「FastFrames Video Generation 與 Kling 4.0 比較的主視覺標題卡,附有徽章寫著『每幀 36 毫秒』、『480p,無聲』、『無參考輸入』、『單次生成 30 秒』、『1080p,九種對話語言』與『每秒 $0.235』,右下角為 OrcaRouter 標誌。」
Guides & Insights

FastFrames 影片生成對比 Kling 4.0:每幀一千毫秒能換來什麼

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

把兩個延遲數字並排放,差距看起來荒謬得離譜。FastFrames Video Generation在單張 B200 上,36 毫秒就能生成一個影格。Kling 4.0完全不公布逐幀延遲,因為它的販售方式就像製片廠購買素材庫存:以每秒含聲音的 1080p 輸出計價,價格為 0.235 美元。Apple 的發布於 2026 年 11 月 16 日登場,論文則在 17 日發布;Kling 4.0 自 10 月 15 日就已推出。兩者每幀差距約一千毫秒,而真正有用的問題不是誰比較快,而是 Kling 把這些毫秒花在什麼地方,以及你是否需要其中任何一項。

兩張費率卡,其中一張並不存在

價格是最先顯現出這種不對等的地方,因為這些當中只有一個有價格。

• {{1}}Kling 4.0{{/1}} — 每秒 1080p 輸出 $0.235。30 秒的單次生成片段約 $7.05。附加參考影片後,每秒費率大約會加倍。

• Kling 3.0 4K,作為比較基準 — 3.0 單位,或每秒 $0.42,分為「含原生音訊」與「不含原生音訊」兩種版本。Artificial Analysis 記錄 Kling 3.0 1080p Pro 約為每分鐘 $20.16。

• FastFrames — 不收費。權重採用 Apple 的 AMLR 授權,程式碼在 GitHub,B200 由你提供。1.3B 模型需要一張 GPU,14B 模型則需要八張 GPU 才能保持互動流暢。

• 一支短片的成本——Kling 4.0 對三十秒成品收費 7.05 美元;FastFrames 則只收取八張 B200 以每幀 45 毫秒跑完 81 幀所需的時間,也就是 3.6 秒的實際耗時,而電費幾乎可忽略不計,前提是硬體已經是你的。

最後那項比較才是陷阱。唯有在 GPU 屬於沉沒成本的情況下,FastFrames 才比較便宜,而它用這筆錢換來的,是 480p 的無聲。

A two-column scoreboard comparing FastFrames and Kling 4.0 across six dimensions: latency 36 ms per frame against not published, resolution 832x480 against 1080p with 4K coming, clip length 81 frames against 3 to 30 seconds, audio none against stereo in nine languages, references none against 15 assets and 10 keyframes, and price GPU time only against $0.235 per second.

Kling 4.0 會如何運用它的毫秒

很多,而且大部分都不是渲染品質。Kling 4.0 的正式上市日期是 2026 年 10 月 15 日,而截至 10 月 28 日的變更日誌將 720p 和 1080p 列為已推出,10-bit 4K 列為「即將推出」——價目表上的 4K 欄位是一條破折號,不是價格——並將 21:9 超寬螢幕列為已交付。

• 片段長度 — 單次處理為 3 至 30 秒,已宣布可延長至兩分鐘,但 API 中未提供。

• 參考介面 — 總共最多 15 個參考素材,各類別上限為 10 張圖片、5 段影片和 7 個主體(包含最多 3 個影片型主體),另加最多 10 張沿時間軸放置的關鍵影格圖片。

• 編輯 — 最多 5 個輸入片段,總長 30 秒,可針對表情、攝影機位置、背景或一句對白進行局部修改,同時畫面其餘部分保持不變。

• 音訊 — 雙聲道立體聲、唇形同步,以及九種語言的對白,包括具名方言:北京話、台灣國語、東北話、四川話,以及美式英語、英式英語與印度英語。

• 提示詞 — 最高可達 8,000 個權杖,長度足以明確指定場景,而不只是描述場景。

• 來源溯源 —— 缺乏公開標準,與 Google 的 SynthID 和 C2PA 相比,這是一大明顯缺口。

就實測品質而言,截至本部落格所記錄的 10 月 23 日查核,Kling 4.0 在 Artificial Analysis 中並沒有對應條目,因此任何把它拿來與 FastFrames 的 84.23 和 84.44 VBench 總分相比的做法,都只會是兩家廠商各說各話、隔空喊話。能說的是,Kling 4.0 是一個已在排行榜上存在一年的模型系列的第四代迭代,而 FastFrames 才推出三天。

FastFrames 如何運用它的 36 毫秒

它跳過了 Kling 4.0 幾乎所有耗時的環節,接著移除管線中沒人在計算的部分。FastFrames 是基於 Wan2.1 打造——FastFrames-S 基於 Wan2.1-T2V-1.3B,FastFrames-L 基於 Wan2.1-T2V-14B——透過 Causal Forcing++ 蒸餾而成,其全部貢獻在於 transformer 周邊的部分。每幀約耗費 147 毫秒的 VAE 解碼器,被一個 6387 萬參數的像素解碼器取代;該解碼器在 32 台 B200 上訓練一週,使用 150,000 次 rollout,並包含一個對抗階段,對抗凍結的 DINOv3 ViT-S/16。KV 快取更新則變成一個耗時 2 到 6 毫秒的小型精修網路。解碼降至接近 1 毫秒;1.3B DiT 從 41.6 毫秒降至 16.4 毫秒,14B 從 89.2 毫秒降至 75.6 毫秒。

• 輸出 — 832×480、16 fps、81 幀、約 5 秒,自迴歸且可串接。

• 提示介面 — 文字、種子與檢查點。僅此而已。

• 吞吐量 — 小模型在單一 B200 上每秒可處理 28 個請求,大模型在八顆 GPU 上合計每秒可處理 22 個請求。在單一 GPU 上,大模型每幀降至 158 毫秒,比播放速度還慢。

• 可移植性 —— 作者在第三方系統上示範了同樣的技術,將 LingBot-World 的 1.3B 從每幀 1,085 毫秒降至 52 毫秒,並將 RealWonder 的 1.3B 從 1,141 毫秒降至 51 毫秒。

• 授權條款 — 權重採用 Apple AMLR;隨附的 LingBot-World v2 示範為 CC BY-NC-SA 4.0,僅限非商業用途。

Kling 4.0 所接受的 8,000 個 token 提示詞,一句話概括,就是理念上的差異。FastFrames 的介面只有一個字串和一個種子,因為它著眼優化的是迴圈,而不是單一鏡頭。

The Hugging Face model card for apple/FastFrames-L, showing the title, both checkpoints described as autoregressive two-step video diffusion models, the Wan2.1-T2V-14B base model, arXiv 2611.23226 and the apple-amlr licence tag.

你的專案實際需要哪一個

三句話,答案隨後揭曉。

如果產出是一支完成的 30 秒作品——產品影片、對話場景,任何客戶會開聲音觀看的內容——那就是 Kling 4.0,每段 $7.05,FastFrames 根本不在考慮之列。如果產出是即時體驗——隨著有人打字而更新的預覽、在一幀內回應的角色——沒有任何託管 API 販售這種東西,而在一台 B200 上跑 FastFrames 是最可信的開放路線,前提是授權審查過關、且 480p 可以接受。如果產出是「我們還不確定」,實驗在託管端的成本較低:一把金鑰就能在 OrcaRouter 上以供應商定價、0% 加價取得 Kling 3.0、Kling 3 Turbo、Kling Video O1 和 MiniMax H3,因此供應商費率一變,當天就會反映在你的帳單上,而不是等到下個週期。

最後一點值得說得精確,因為這類比較的誘惑就在於暗示更多。OrcaRouter 並不提供 FastFrames——Apple 公布的是權重,不是端點——也不提供 Kling 4.0,後者在部分帳號的供應商自家 API 上仍處於早期存取階段。它所做的,是讓 Kling 各代模型與 MiniMax 的 H3 可透過單一金鑰呼叫,這足以衡量你的使用者實際能接受多少延遲,再決定是否要購入能實現 36 毫秒的硬體。

決定它的關鍵,並不是速度

三十六毫秒對上大約一千毫秒,是三十倍的差距,而它換來的恰好只有一項能力:在人類反應迴圈內完成渲染。Kling 4.0 把那一千毫秒花在 1080p、三十秒、十五個參考素材、九種對白語言,以及一道針對性編輯處理上;這些全都假定之後會有人觀看結果。如果之後有人觀看,那一千毫秒就不是成本——而是這份輸出值得觀看的原因。如果因為畫面必須現在送達,導致之後沒有人觀看,那麼 Kling 的優勢再高的代價也換不到,而 FastFrames 的那一項優勢就是唯一存在的優勢。

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.