
FastFrames 影片生成 vs MiniMax H3:三張看板與碼錶的較量
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens
- 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 · 87 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens
- 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 · 91 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 · 118 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 · 187 tok/s
有一種版本是把兩個影片模型並排比較、挑出比較快的那一個,大約四百字就能寫完。但那也會是錯的,因為MiniMax H3是一個可以按秒呼叫的模型,而FastFrames Video Generation是一組你下載後在自己擁有的硬體上執行的權重。H3 於 2026 年 7 月 31 日推出,是一套全模態系統,能把文字、圖像、影片與音訊參考讀取為同一個脈絡,生成原生立體聲,並以 1,181 Elo、7,284 票的成績在 Artificial Analysis 的圖生影片排行榜上位居第二(截至 2026 年 10 月 8 日)。FastFrames 於 11 月 16 日問世,有 1.3B 與 14B 兩個檢查點,皆從 Wan2.1 蒸餾而來,可在 36 毫秒內產出一張 480p 畫面——而且它完全沒有出現在任何獨立排行榜上。兩者的差別不在品質,而在於其中一個是有公開計分板成績的產品,另一個則是附了碼表的論文。
三個董事會、一個模型,以及每個董事會實際上在問什麼
H3 的立場值得精確說明,因為大家常引用的那個數字通常是錯的。
圖生影音——以 1,181 Elo 在 7,284 票中排名第二,落後於 1,195 分的 MiniMax H3 Max,領先於 1,179 分的 Vidu Q4 Preview。前三名僅相差十六分,落在信賴區間之內;這是一場披著頒獎台外衣的平手。
• 文字轉影片 — 以 1,137 Elo 在 8,315 票中排名第四。這是該模型較弱的排行榜,也是如果那個 480p 無聲研究模型有參賽,就會同場競爭的排行榜。
• 影片剪輯——以 1,119 Elo、7,023 票排名第四,該排行榜評比模型依據文字指令剪輯片段並保留音訊的能力。
三次登場代表提交並量測了三種不同能力:從靜態圖片生成、從文字生成,以及轉換既有影片。第三種對這項比較最關鍵,因為它需要接受影片作為輸入,而 FastFrames 只接受文字。
定價列在我們自己的模型卡上:768p 每秒 $0.08、2K 每秒 $0.13,也就是每分鐘 $4.80 和 $7.80——這兩個數字與 arena 價格欄中出現的完全相同,且是同一模型在兩種解析度層級,而非高級版與廉價版。768p 的 5 秒片段費用為 $0.40。
36 毫秒不包含什麼
FastFrames 的速度是真實的,而且它並非泛用型的速度,而架構能用規格清單所做不到的方式解釋箇中原因。
兩個檢查點都是自迴歸影片擴散模型,透過名為 Causal Forcing++ 的方法從 Wan2.1 蒸餾而來。作者大致上未更動擴散 Transformer,並替換了其周邊兩件從來不是重點的東西。VAE 解碼器——在 Causal Forcing++ 基準中每幀約 147 毫秒——變成一個 6,387 萬參數的像素解碼器,直接輸出影格,耗時降至約 1 毫秒。KV 快取更新則變成一個小型精煉網路,在 1.3B 模型上耗費 2 毫秒,在 14B 上耗費 6 毫秒。Transformer 在最後階段保持凍結。
在小模型上,每幀耗時從 271.8 毫秒降至 35.8 毫秒。在單一 B200 上,FastFrames-S 每秒約執行 28 個請求,並在 2.9 秒內產生 5.06 秒的片段。14B 僅在八張 B200 上維持每幀 45 毫秒;在單一 GPU 上則退化至每幀 158 毫秒,比直接觀看結果還慢。在 720p 下,小模型為 127 毫秒,而論文指出 H100 的效能折損為 25% 至 50%。
這個數字未包含的,正是 H3 花時間處理的一切。FastFrames 不產生音訊。它僅以文字為條件——沒有起始影格、沒有結束影格、沒有參考影像、沒有可延伸或改變風格的片段。它以 832×480 的解析度、每秒 16 個影格生成 81 個影格,而且是串接區塊,而非提供關鍵影格或攝影機控制。H3 接受的 four 種輸入模態中,有三種不存在於 FastFrames 的推論路徑中。

為什麼即使如此,速度仍然有它的價值
讀完前一節之後,很容易就會把 FastFrames 一筆勾銷,但那是錯誤的解讀。這個數字不是行銷話術;它改變了什麼樣的產品才可能成立。
在單顆 B200 上每幀 36 毫秒時,一次生成會在你還來得及觀看之前就完成。這就是預覽迴圈不再是批次作業、而成為互動式作業的門檻:你輸入、你看到、你調整,而機器能跟上調整。一個 14B 模型在一個節點上以 45 毫秒的表現,就批次吞吐量而言達到了那個門檻,但人真正感受到的單流延遲,是小模型才具備的特性。H3 對外公布的資訊中,沒有任何內容處理那個使用情境,因為 H3 是以完成成片的秒數計量,而不是以每實際秒產生的幀數計量——兩者不是同一種量測,而費率表不讓你從其中一個推導出另一個。
論文明確指出了一個二階效應。像素解碼器是針對每個基礎模型分別訓練的,但其原則——凍結 Transformer、學習周邊管線——在論文自身的實驗中已被移植到第三方系統,使 LingBot-World 在 1.3B 版本上從每幀 1,085 毫秒降至 52 毫秒,在 14B 上則從 3,862 降至 233。這是關於一項技術、而非產品的成果,也是本次發布中觸及範圍最廣的部分。
雙方證據的真實狀況
這正是這場對決無論從哪一方來看都不再有爭議的地方,而兩邊都值得直言不諱。
FastFrames 對品質的所有宣稱都來自其自家作者。表 1 中的 VBench 總分為:FastFrames-S 是 84.23,FastFrames-L 是 84.44;相比之下,基線在 272 毫秒下是 84.11,Wan2.2 14.3B 在 117,734 毫秒下是 84.65。沒有任何獨立第三方重現過這些結果。VBench 獎勵的是自迴歸模型天生就會產生的時間平滑度,而 Apple 自己表格上的整體分差約為 2.5 分,同一批模型之間的延遲差距卻達四個數量級。應把這張表解讀為一項關於持平的主張,而不是對持平的測量。
H3 的排行榜名次附帶樣本數與信賴區間,這是更強的證據形式,也是更狹窄的一種。偏好排行榜告訴你,人們在看到兩段影片時選擇了哪個輸出;它不會告訴你任一段影片的製作成本、聲音是否同步,或模型能否承受 2K 下 40 個請求的突發流量。圖生视频排行榜頂部的 16 分差距是個很好的提醒:這些數字排名的是感知,不是能力;任何根據 ±10 區間上的 16 分差距就宣佈贏家的頁面,都是在解讀噪音。
所以這場比較歸根究柢是這樣:其中一個模型經過數千人投票,並以秒計價;另一個則只有一支碼錶、一份授權檔案和一篇論文。這是兩種不同性質的證據,誰也取代不了誰。
兩條彼此不相像的採購路徑
購買 H3 的機台時間與執行 FastFrames 幾乎沒有共用的步驟,這正是實務上兩者很少被納入同一個決策的原因。
• H3 — 託管端點上按秒計費的費率,768p 為 $0.08、2K 為 $0.13,適用於供應商自家 API,也可透過數個第三方平台使用。無需硬體、無需授權審查、無需 CUDA。我們在公開模型 API 上以 minimax/minimax-h3 進行路由,依供應商定價表原價轉嫁計費、不加收任何費用,並可透過與目錄中語言模型相同的 OpenAI 相容端點呼叫。
• FastFrames — Linux x86-64、NVIDIA GPU、CUDA 12.8,接著執行 uv sync,並以檢查點目錄與種子呼叫 scripts/generate.py。權重受 Apple 的 AMLR 條款約束;同一儲存庫中的 LingBot-World v2 示範元件採用 CC BY-NC-SA 4.0,屬非商業性;其餘則依 Apple 的 Sample Code Licence 授權。Apple 也公布了大型模型每個訓練階段的檢查點,這很不尋常,也讓此次發布具備可重現性,而這是大多數開放權重發布所沒有的。
• 雙方的隱藏成本——H3 的每秒計費無論該鏡次是否理想都會持續計算,而被淘汰的鏡次與採用的鏡次收費相同。FastFrames 的 GPU 計費也是如此,但其邊際費率在硬體已攤銷時僅是捨入誤差,若尚未攤銷則是一筆龐大的固定成本。
在我們這邊,成本轉嫁定價有一個實際後果:當 MiniMax 調整每秒費率時,這項變動當天就會反映在路由上,而不是等到合約續約時才生效。FastFrames 則沒有可調整的費率。
每一項的用途,用一句你能據以行動的話來說明。
當輸入不是文字提示、交付成果需要聲音,或一段可多輪延長的十五秒片段比 480p 的 81 幀更接近你的鏡頭時,就選 MiniMax H3。它是兩者中唯一能編輯影片素材的,也是唯一能生成音訊的,更是唯一其品質宣稱曾由非開發公司員工測試過的。它的 2K 價位也比該級別的大多數同業便宜。
當迴圈本身就是產品,而單一影格不是交付物時,就採用 FastFrames——無論是即時預覽、可控世界模型、必須在工作階段內回應的虛擬化身,或是想改變因果影片堆疊解碼方式、而非生成內容的研究計畫。接受 480p、無聲、無參考輸入,以及一份在推出任何商業產品前必須先讀過的授權條款。
FastFrames 並非由 OrcaRouter 提供,且本頁並未聲稱如此——Apple 的模型權重沒有託管端點。H3 則是另一回事:我們將其以 minimax/minimax-h3 路由,與 Kling 3.0 系列及 200 多個語言模型並列,透過單一金鑰、以供應商牌價提供、0% 加價,並在端點之間自動容錯移轉這是低成本的方式,讓你在把一季的 GPU 預算花在替代方案之前,先確認按秒計費的影片模型是否適合你的流程。

唯一能讓這場競爭真正成立的結果
有兩件事會改變這個解讀,而兩者都不是更好的示範。
第一是 FastFrames 出現在某個競技場排行榜上。這需要有人託管它,而目前沒有人這麼做——Apple 公布了權重卻沒有端點,因此偏好測試無法將它提供給投票者。在那之前,該模型的品質主張完全取決於其作者的 VBench 數字,而這比 H3 三個排行榜上的任何模型所處的位置都更弱。
第二點是 MiniMax 公布了延遲數據。H3 的費率表以輸出秒數計價,而在那樣的結構中,讀者無從找到可與 36 毫秒相比較的每幀成本。如果 MiniMax 或獨立測試者公布了在特定解析度與 GPU 下的每秒幀數,這兩個模型終究能在共同的軸線上被衡量。他們尚未這麼做,而開始這麼做也不符合廠商的商業利益。

