主視覺卡片比較 FastFrames Video Generation 與 Seedance 2.5,左側卡片寫著「81 幀,5.06 秒」、「832x480,無聲」和「每幀 36 ms」,右側卡片寫著「單次執行 30 秒」、「30 個影像與 10 個影片參考」和「依 token 計量」,右下角有 OrcaRouter 標誌。
Engineering & Research

FastFrames 影片生成 vs Seedance 2.5:三十秒對上八十一幀

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

一份三十秒的簡報與一份八十一格的預算,是同一道問題的兩種不同答案,而這道問題並不是「多快」。Seedance 2.5,ByteDance 於 2026 年 7 月 31 日推出的長篇影片方案,可在單次執行中生成三十秒,並能透過多輪延伸,最多讀取 30 個圖像參考、10 個影片參考與 10 個音訊片段作為脈絡。FastFrames Video Generation,Apple 與 Cornell 於 11 月 16 日發布的版本,以 832×480 和每秒 16 格生成 81 格——5.06 秒——在單一 B200 上約耗費 2.9 秒實際時間,且完全沒有任何參考輸入。如果你曾看過導演試圖在剪接點前後維持表演,你已經知道這兩個數字中哪一個是更難的工程問題,哪一個是更難的排程問題。本頁談的是第二個,因為它才是決定預算的那一個。

兩種計量理念,而兩者都不是價目表

先從每個模型如何計費談起,因為計費單位無法換算,任何假裝可以換算的比較,都只是在對範疇錯誤做算術。

• {{1}}Seedance 2.5{{/1}} — 由 ByteDance 依官方價目表以影片 token 計量,在中國透過 Volcano Engine Ark 公布,在國際上則透過 BytePlus ModelArk 公布。一段片段的花費取決於解析度、時長與實際 token 用量,因此每秒費率僅適用於單一解析度與單一時長。失敗的鏡次與成功的鏡次計費相同。

• Seedance 2.5 的第三方主機服務商——每一家都會加上自己的利潤,並公布自家的每秒或每支影片費率,這就是為什麼十幾頁的資料會給出十幾種數字,而且沒有一個是廠商本身的價格。

• FastFrames — 不按用量計費。GPU 由你購買。1.3B 模型用一張 B200,14B 模型則需八張才能維持互動性。一次失敗的生成,所耗費的秒數與成功的一次相同,而兩者都是以電力而非每份輸出的美元來衡量。

• 唯一獨立的資料點——Artificial Analysis 於 2026 年 10 月 8 日記錄,Dreamina Seedance 2.5 在文字轉影片排行榜上為每分鐘 34.12 美元,在影片編輯上為 40.82 美元。該欄位是模型在預設設定下輸出一分鐘 1080p 影片的成本,而 Seedance 2.5 預設採用其價目表所定價的較長、較重組態。請用它來判斷數量級,而非作為預算細項。

這意味著,誠實的說法是:這些模型之中,有一個的價格是你無法從外部預測的,而另一個則根本沒有價格。FastFrames 的不可預測性在你這邊的帳上——你知道自己燒掉了多少 GPU 小時——而 Seedance 2.5 的不可預測性則在供應商那邊,因為 token 數量取決於模型選擇如何在你的提示詞上花費 token。在這兩者之間,第二個是更難據以規劃、也更危險的那一個。

參考預算實際上能買到什麼

這些公開的參考數字讀起來像是一場規格競賽,而它們實際上是一項能力宣示。

• 圖像 — Seedance 2.5 最多可接受 30 張,而 FastFrames 為零。FastFrames 完全沒有圖像條件化路徑。

• 影片 — 最多 10 個片段作為參考。這正是改變模型用途的一項:包含從現有素材中取得的動作、節奏與鏡頭行為的參考集,與僅承載外觀的參考集是不同的東西。

• 音訊 — 最多 10 個片段。Seedance 2.5 生成時會帶有聲音;FastFrames 則是無聲的,且已發佈的配置中沒有音訊路徑。

• 提示詞長度 — 就 Seedance 這般具體的程度而言,並沒有會造成影響的公開上限;FastFrames 接受文字提示詞與種子值,而它的 81 幀視窗意味著你描述的是單一連續鏡頭,而不是一個場景。

有影片參考的三十秒,是你可執導的鏡頭。從一則提示詞生成的八十一幀,是你可取樣的鏡頭。兩者都是正規的製作方法;它們不是同一項工作,而參考資料的預算,正是讓它們成為不同工作、而非不同品質等級的原因。

A two-column scoreboard comparing FastFrames and Seedance 2.5 across six dimensions: single-run length 81 frames against 30 seconds, image references none against up to 30, video references none against up to 10, audio none against generated with up to 10 audio references, resolution 832x480 against 480p and 720p on third-party hosts, and price GPU time you supply against token-metered billing.

為什麼五秒鐘的窗口並不像看起來那樣是限制

五秒相較於三十秒聽起來像是直接出局,而架構正是它實際上沒看起來那麼糟的原因——同時也是它無法靠要求更多幀來修復的原因。

FastFrames 是自迴歸的:每個 81 幀區塊都以前一個區塊為條件,這就是片段之所以能串接的原因。作者的貢獻不是更快的 transformer,而是移除其周圍兩個從來不是重點的元件。一個 6387 萬參數的像素解碼器取代 VAE 解碼器,將解碼從每幀約 147 毫秒降到約 1 毫秒。一個小型精修網路取代在 1.3B 模型上耗時 2 毫秒、在 14B 上耗時 6 毫秒的 KV-cache 更新。transformer 本身在最後階段被凍結。在小模型上,每幀 271.8 毫秒變成 35.8 毫秒。

不過,串接並不等於延伸。沒有關鍵影格、沒有起始影格、沒有結束影格、沒有參考圖像、沒有可接續的片段——因此,用 FastFrames 建構的一分鐘序列,就是十一個串接起來的區塊,卻沒有任何機制能在接縫之間維持角色的臉孔、服裝或光線方向。一次執行三十秒,會給 Seedance 2.5 單一上下文視窗,在其中,一致性是模型的問題,而不是剪輯師的問題。這個差異的價值,高於「六倍時長」這個數字所暗示的程度,而且這不是硬體改進所能彌補的。

速度帶你抵達的地方,以及它帶不到的地方

把 36 毫秒換算成產品人關心的單位,情況就比標題所呈現的更窄,也更有意思。

• 在單張 B200 上執行 FastFrames-S——每幀 36 毫秒,每秒約 28 個請求,5 秒片段只需 2.9 秒。比播放速度快約 1.7 倍。

• FastFrames-L 在八張 B200 上——每幀 45 毫秒,每秒約 22 個請求,同一段片段只需 3.6 秒。

• FastFrames-L 在單一 GPU 上——每幀 158 毫秒,換算成 5 秒短片需要 12.8 秒。比直接觀看還慢。大型模型僅能跨節點互動。

• 在 720p 下——小模型為 127 毫秒,大模型在八顆 GPU 上為 116 毫秒。單流互動性到此為止。

• 在 H100 而非 B200 上——根據論文本身的估算,會造成 25% 到 50% 的效能損失,使小型模型每幀約落在 45 到 54 毫秒。

Seedance 2.5 並未公布任何可供比較的數據,因為它是以輸出秒數計價,而非以實際時間的每秒影格數計價,且尚無第三方公布可供本頁驗證的其每影格延遲。這種不對稱並非貶損;它提醒我們,這兩個模型的設計是用來回答不同的問題。

獨立紀錄所說的,就在它存在的那一側

Seedance 2.5 擁有董事會席位,而 FastFrames 沒有;這兩項事實都必須明確說明。

在 Artificial Analysis 的影片編輯排行榜上,根據 2026 年 10 月 8 日讀取的資料,Seedance 2.5 以 1,161 Elo、5,162 票位居第二;它能依文字指令剪輯片段,並保留音訊。這項能力建立在影片參考能力之上,而這個數字具有具體意義:數千人在兩者都被要求執行的同一項任務上,選擇了它的輸出,而非另一個模型的輸出。這並不代表對整體品質下了定論,也沒有告訴你那段片段花了多少成本。

FastFrames 沒有排行榜條目,因為它沒有託管方。Apple 發布了權重卻沒有端點,因此任何偏好測試都無法將其提供給投票者,而該模型的品質主張完全仰賴其作者自己的表 1:FastFrames-S 的 VBench 總分為 84.23,FastFrames-L 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 為 84.65。未經重現,而且是在一個恰好獎勵自迴歸模型天生擅長產生的時間平滑度的基準上。Apple 整張表的跨度約為 2.5 分,而同一批模型的延遲跨度卻達四個數量級——這是整篇論文最有力的論點,而這個論點關乎基準衡量的是什麼,而非 FastFrames 的品質。

為真實簡報估算成本

讓兩者實際跑一個工作,單元彼此碰撞的方式比任何表格都更有用。

• 「一支三十秒、搭配鎖定旁白的產品影片」——Seedance 2.5 只要執行一次,再透過多輪延伸,就能把旁白音訊當作音訊參考、把產品靜態圖當作圖像參考來完成。FastFrames 無法保留音訊,也無法接收靜態圖,還得串接好幾個區塊,之後再想辦法掩蓋接縫。光從能力來看,這項工作就該交給單一模型,價格根本還輪不到上談判桌。

• 「為互動式顯示器製作的一百種五秒循環片段變體」——FastFrames 在 B200 上產生每一個變體,實際耗時不到三秒,而且在顯示卡成本攤銷之後,邊際成本僅相當於捨入誤差。Seedance 2.5 則會對一百次生成計費,其中有好幾次會被淘汰,而其價目表並未公布明確、可用來規劃的每秒費率。

「一個必須看起來像我們已經剪好的素材的主打鏡頭」——Seedance 2.5,因為影片參考是讓這兩個模型中的任何一個指向現有素材的唯一方式。FastFrames 沒有從輸入片段到輸出片段的路徑。

• 「先證明互動概念,再買硬體」——兩者都不是,直接說。Seedance 2.5 的每秒成本只有事後才能得知,而 FastFrames 必須先有硬體。最省錢的做法,是先用一個已公布每秒費率、且有真實延遲數據的模型來做原型,然後再決定。

OrcaRouter 不提供 FastFrames —— 任何地方都沒有 Apple 權重的託管端點,這是在陳述該版本的發布狀況,而非路由問題。今天用一把金鑰能觸及的是具備公開費率的託管影片層:MiniMax H3 在 768p 為每秒 $0.08、2K 為 $0.13,以及 Kling 3.0 系列,連同 200 多個語言模型,透過單一 OpenAI 相容端點,以供應商牌價、0% 加價提供。Seedance 2.5 在這裡也不是一條路由 —— ByteDance 透過自家平台販售,用量計價表也歸他們 —— 本頁也不假裝不是如此。在這項比較中,該目錄的實際用途是量測:在投入 GPU 機群或你無法預測的 token 帳單之前,先從一個你能讀懂計量表的模型取得真實的延遲與成本基準。

這個懸而未決的問題,關鍵在於公尺,而非模型。

如果 ByteDance 公布涵蓋更多設定的 token 費率範例表,按用量計費與可預測計費之間的不對稱就會更容易納入規劃,讀者也終於能把 Seedance 2.5 與按秒計費的模型相比,而不必替供應商做那些算術。如果 Apple 以任何價格託管 FastFrames,該模型就會獲得一項競技場參賽條目,以及一個由他人測得的延遲數字——正是這兩者,才能讓它的 36 毫秒受到評判,而不是只被讚賞。

兩者都還沒發生。在其中之一發生之前,選擇的方法就是留意你真正在問的是哪個問題。單次執行三十秒,回答的是「這個模型能不能維持一個場景的完整」。每幀三十六毫秒,回答的是「這個模型能不能跟得上一個人的節奏」。兩者都很難,也都值得付費,而沒有單一費率表能同時為兩者定價。

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.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.