主視覺卡片比較 FastFrames Video Generation 與 Luma Ray 3.2,左側卡片寫著「每幀 36 ms」、「832x480,無聲」與「81 幀」,右側卡片寫著「最高 1080p」、「10/12/16-bit EXR」與「5 或 10 秒」,右下角有 OrcaRouter 標誌。
Guides & Insights

FastFrames Video Generation vs Luma Ray 3.2:影格串流對上調色檔案

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

Luma Ray 3.2 與 FastFrames Video Generation都是擴散影片模型,皆於 2026 年發布,且都不會早於今年下半年推出——而就任何製片人會認可的意義而言,它們都不是彼此的替代品。Ray 3.2 自 6 月 9 日起推出,最終產出是一個檔案:最高 1080p、五或十秒,可選 10、12 或 16 位元 HDR,採用 ACES2065-1 EXR 標準,也就是調色師進行調色所用的格式。FastFrames 由 Apple 與 Cornell 於 11 月 16 日發表,最終產出是一道串流:832×480、81 幀,在單顆 B200 上每 36 毫秒產生一幀,無聲,僅接受文字提示,權重發布於 Hugging Face。其中一個的建構目標,是讓其輸出能挺過後期製作流程。另一個的建構目標,是讓其輸出在你還沒看完上一段時就送達。以下一切皆由此分野而來,包括那個令人不安的事實:這兩個模型都沒有獨立評分可以據以解決這個問題。

輸出格式才是論點,不是規格表。

從每個模型交給你的內容開始,因為比較的關鍵其實就在這裡。

• Ray 3.2 預設以 MP4 交付,並可應要求提供 10、12 或 16 位元 HDR 影格,格式為 ACES2065-1 EXR——但僅限 720p 與 1080p,且僅限五秒長的短片。無縫循環與 EXR 輸出路徑皆屬五秒短片功能。

• {{1}}FastFrames{{/1}} 會輸出一個 MP4 檔案,內容為 832×480 的 81 幀、每秒 16 幀,也就是 5.06 秒的無聲影片。它沒有 EXR 輸出途徑、沒有位元深度選項,也沒有匯出對話框。像素解碼器每個 token 只輸出 8 位元 RGB,就這樣,別無其他。

• 解析度是 1080p 的上限,對比 480p 的固定基準——但這種比較在兩個方向上都不公平,因為 Ray 3.2 的 1080p HDR 模式不存在於十秒短片,而 FastFrames 的 480p 並非可調高的設定。

• 控制介面:Ray 3.2 可接收文字、起始影格、結束影格或要修改的現有影片,外加每個片段最多 16 個關鍵影格,以及最多可追蹤八張臉的面部表演。FastFrames 則接收文字提示與種子值。

再把那份清單讀一遍,並留意它對買家暗示了什麼。Ray 3.2 的功能集,是屬於一個已經存在於剪輯中、還需要完成、修訂或延伸的鏡頭的功能集。FastFrames 的功能集,則是屬於一個尚未決定這個鏡頭是什麼的系統的功能集。

將 Ray 3.2 理解為後期製作工具

EXR 路徑正是這個模型以目前形式存在的根本原因,而它也伴隨著大多數文章都會略過的限制。

它會以 540p、720p 與 1080p 生成五秒或十秒片段,涵蓋直式、方形與寬螢幕共六種長寬比——但十秒生成僅限文字轉影片,因此影格條件化與影片條件化的路徑上限為五秒。HDR 是 720p 與 1080p、五秒、需自行啟用的設定:你要啟用 HDR 才能取得 EXR 匯出,而不是自動取得。音訊是另一項限制,而它的取捨方式出乎人們意料。Ray 3.2 不會為文字轉影片或圖片轉影片生成同步音訊;只有在修改或重新取景已帶有音軌的現有素材時,音訊才會保留下來。對一個定位於完稿階段的模型來說,這是合理的——聲音來自剪輯,而非生成器——但任何想找單次呼叫就能產出有聲影片模型的人,讀到這裡就可以打住。

商業結構也很重要。Ray 3.2 是 Ray 系列中首款具備完整開發者 API 的模型,分為按用量付費的 Build 方案,以及附帶 SLA、預留吞吐量的 Scale 方案。較早的 Ray 模型僅提供訂閱制,這表示該系列的定價歷史不能作為這款模型的參考。每個片段的成本會隨著解析度、動態範圍與時長共同變動;第三方刊登價格顯示,五秒 720p 片段約為 $0.30,1080p 片段約為 $1.20,而 HDR 或 EXR 匯出會以倍數放大片段成本,而非另外加價。請將那些數字視為依據 Luma 價目表推算的聚合器算術,而非 Luma 自身公布的數字。

一個值得花一句話說明的命名陷阱:Luma 的版本號並非按字面讀起來那樣遞增。Ray3.14 於 2026 年 1 月 26 日推出,Ray 3.2 則於 2026 年 6 月 9 日推出,因此數字較小者反而是較新的模型;此外,Luma 已棄用 Dream Machine 品牌,而大多數較舊的指南仍圍繞該品牌撰寫。

FastFrames,解讀為渲染迴圈

FastFrames 並不是縮小版的 Ray 3.2。它是以權重形式發佈的蒸餾結果,而其架構同時解釋了速度與缺失的功能。

這兩個檢查點都是建構於 Wan2.1 的自迴歸影片擴散模型——FastFrames-S 來自 Wan2.1-T2V-1.3B,FastFrames-L 來自 Wan2.1-T2V-14B——並經過作者稱為 Causal Forcing++ 的一套方法。這篇論文的貢獻不是更快的 transformer,而是刪除 transformer 周邊兩個昂貴的元件:VAE 解碼器,它在基線中每幀約耗費 147 毫秒,並被一個 6387 萬參數、耗時接近 1 毫秒的像素解碼器取代;以及 KV 快取更新,它變成一個小型精煉網路,在小模型上耗費 2 毫秒、在大模型上耗費 6 毫秒。transformer 本身在最終階段被凍結。

在 1.3B 模型上合計起來,每個影格 271.8 毫秒會變成 35.8。在一張 B200 上,這大約是每秒 28 個請求,也就是 5 秒片段只需 2.9 秒。14B 需要八張 B200 才能維持 45 毫秒與每秒 22 個請求;在單一 GPU 上則降到 158 毫秒,比播放還慢。在 720p 下,小模型每個影格需要 127 毫秒,大模型在八張 GPU 上需要 116 毫秒,而論文指出 H100 還要再額外承受 25% 到 50% 的效能損失。

自迴歸生成正是 81 幀不如聽起來那麼受限的原因,也是模型無法做到 Ray 3.2 那些功能的原因。由於每個區塊都以先前區塊為條件,片段得以串接——但串接並非關鍵影格控制,而且沒有任何途徑能輸入起始影格、結束影格、參考圖像或既有片段。這個模型完全沒有任何形式的圖像條件控制。

A two-column scoreboard comparing FastFrames and Luma Ray 3.2 across six dimensions: output MP4 only against MP4 and EXR, resolution 832x480 against a 1080p ceiling, clip length 81 frames at 16 fps against 5 or 10 seconds, audio none on both sides for text-to-video, inputs a text prompt only against 16 keyframes and 8 faces, and price GPU time you supply against $0.30 to $1.20 per clip.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.

測量落差確實存在,而且雙向皆然。

這兩個模型都無法排名,而且兩者的原因差異夠大,值得分開說明。

Ray 3.2 在 Artificial Analysis 影片競技場上沒有任何收錄項目——無論是文字轉影片還是圖像轉影片,本文於 2026 年 9 月 18 日查核。Luma 反而發布的是一份內部 Ray3 評估報告,聲稱與 Veo 3 不相上下,並領先數家競爭對手,但未附上任何數值分數;報告還聲稱其 API 的價格與延遲不到可比模型的一半,同樣未量化。那些是定位文件。它們無法與帶有樣本數和信賴區間的競技場 Elo 相比,任何頁面都不應把它們呈現得好像可以相比一樣。

FastFrames 有相反的問題:它有數字,而且全部來自它自己的作者。論文表 1 中的 VBench 總分是 FastFrames-S 的 84.23 和 FastFrames-L 的 84.44,相對於它蒸餾自的基準模型 Causal Forcing++ 的 84.11,每幀 272 毫秒。基礎模型 Wan2.1 1.3B 在 30,444 毫秒下得分 83.80。Wan2.2 14.3B 在 117,734 毫秒下得分 84.65。沒有任何獨立方重現過其中任何一項,而 VBench 是一個恰好獎勵自迴歸模型擅長的時間平滑度的基準。論文自己的表格只是在宣稱於 83 到 85.5 的平台區間內達到同等表現,並非品質測量。

這兩個差距的共同點,才是真正該帶走的重點:Apple 名單上每個模型的 VBench 總分差距約為兩點五分,而同一份名單上的延遲差距卻橫跨四個數量級。無論這項基準衡量的究竟是什麼,它早就無法區分這些系統了。這兩款模型推銷時所憑藉的面向,全都落在 VBench 看不見的維度上。

每項各消耗一次機會

把一份具體的需求簡報分別套用到兩張費率卡上,兩邊算出來的數字就完全無法相比了。

• {{1}}五秒的 1080p HDR 片段{{/1}}——Ray 3.2,依牌價約 {{2}}1.20 美元{{/2}},尚未計入 HDR 倍率,以 EXR 交付,可直接進入調色。FastFrames 無論出價多少都無法產出這個鏡頭。

• 一段五秒的 480p 無聲短片——FastFrames 在小模型上以一張 B200 耗費 2.9 秒實際時間,在大模型上則以八張 B200 耗費 3.6 秒。Ray 3.2 完全無法生成 480p,其最低規格為 540p。

• 任何內容的十秒鐘 —— Ray 3.2 僅能從文字生成,且在 1080p 或以下。FastFrames 則是靠串接兩個 81 幀的區塊、指望接縫撐得住,才達到十秒。

同一個鏡頭拍九十次——這正是成本邏輯反轉的地方。Ray 3.2 按片段計費,所以一百次嘗試就要付一百個片段的錢。FastFrames 則按 GPU 秒計費,所以一百次嘗試的成本,等於你已租用機器的 2.9 秒的一百倍。

• 你沒有的硬體 —— FastFrames 需要 Linux x86-64、NVIDIA GPU 和 CUDA 12.8,而該儲存庫提供了可運作的推論路徑、延遲基準測試腳本、VBench 評估工作流程及示範應用程式。這些都不是託管服務。

那句「九十個 take」的界線,才是真正的分野。按片段計價,賣的是一個交付成果;按 GPU 秒計價,賣的是探索。如果你的流程是「一直生成,直到對為止」,第二種模式便宜一個數量級,卻在其他每一個軸上都更差。如果你的流程是「只生成一個必須經得起評級的東西」,那麼第一種模式是兩者之中唯一能辦到的。

授權條款比規格表更能決定一切

FastFrames 的權重受 Apple 的 AMLR 條款約束,而同一個儲存庫中的 LingBot-World v2 示範元件則是 CC BY-NC-SA 4.0——非商業性。其餘部分則依 Apple's Sample Code Licence 授權。「開放權重」與「可自由商業化」並非同義詞,而這次發佈刻意謹慎區分兩者,Ray 3.2 則完全不是如此——Ray 3.2 是以商業 API 合約販售,提供 Build 方案與附帶 SLA 的 Scale 方案。

所以採購問題的方向與技術問題相反。Ray 3.2 要求你接受一段供應商關係:價目表、服務條款、若購買 Scale 的吞吐量承諾,以及可能在你使用期間變更的端點。FastFrames 則要求你閱讀三份授權條款,並對 GPU 負起責任。對已經有 API 供應商法律審查流程的工作室來說,前者比較容易。對已經擁有 B200s,且有位把閱讀授權條款當樂趣的合規官的研究團隊來說,後者比較容易。

每一項各自應歸何處,以及那個會改變此事的問題

把 Ray 3.2 放在管線末端,把 FastFrames 放在管線開頭,兩者就不再互相競爭。當剪輯已經存在、色彩管線已實際到位,而且鏡頭處理完後必須能以 10 位元或更高位元數進行調色時,你會選擇 Ray 3.2——它接受 1080p、五秒 HDR 片段、不生成音訊,而且每段剪輯的費用會隨動態範圍倍增。當迴圈本身就是產品——即時預覽、可控的世界模型、能在工作階段內回應的虛擬化身——你會選擇 FastFrames;它接受 480p、無聲、沒有參考輸入,以及一份出貨前必須先讀過的授權條款。

這兩者都不是 OrcaRouter 上的路由,本文也無此主張。單一金鑰真正能觸及的是今日已可運作的託管影片層——MiniMax H3 在 768p 每秒 $0.08、2K 每秒 $0.13,以及 Kling 3.0 系列——連同 200 多個語言模型,皆以供應商定價原樣傳遞、0% 加價,因此廠商降價在宣布當天就會反映在此,若端點在佇列中途效能下降,會自動容錯移轉。對於正在評估上述任一模型的團隊而言,這是在把 GPU 預算或 Scale 合約押注於某個假設之前,衡量真實延遲與成本輪廓的便宜方法。

能讓這場比較塵埃落定的,不是任何一方更漂亮的示範。而是對 Ray 3.2 在圖像轉影片競技場上的一項獨立測量,好讓最終勝出的模型至少有個數字,以及由不在 Apple 或 Cornell 任職的人對 FastFrames 的 84.4 進行一次重現。在這兩者都出現之前,選擇的誠實依據就是交付成果——而在這個軸線上,這兩個模型並未接近到會被混為一談的程度。

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.