比較 FastFrames Video Generation 與 Vidu Q4 Preview 的主視覺卡片,左側卡片顯示「832x480,無聲」、「每幀 36 ms」和「僅文字提示」,右側卡片顯示「最高 4K」、「15 個圖像參考、3 個音訊參考」和「3 至 16 秒」,OrcaRouter 標誌位於右下角。
Guides & Insights

FastFrames 影片生成 vs Vidu Q4 Preview:4K 預覽對上 480p 循環影片

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

Vidu Q4 Preview是這一系列中較奇特的一個,因為它名稱中的那個詞確有實際作用:它是預覽版,由生數科技於 2026 年 10 月 7 日發布,而生數科技自家的資料將它定位為收集回饋、用以塑造最終模型的版本。FastFrames Video Generation同樣不是產品,但原因正好相反——它是已完成的研究,於 11 月 16 日以權重形式發布,既沒有端點,也沒有價格,更沒有通往兩者的路線圖。將兩者並列來看,你會得到兩個模型:就採購人員在乎的意義而言,兩者都無法取得,卻位在同一道缺口的兩側:Vidu Q4 Preview 有已正式推出的 API 和價目表,且終將被取代;FastFrames 則完全沒有 API,而且也不會被取代。接下來要談的是,這兩種「缺席」之中,哪一種讓你付出更多代價。

費率表是第一項真正可供比較的項目。

Vidu Q4 Preview 是這個領域中少數會依解析度級別公布每秒費率的模型之一,這讓它的計算方式相較於大多數競爭對手顯得清晰易懂。

• 540p — 每秒 9 點數,以 Shengshu 公布的標準點數費率 $0.005 計算,約為 $0.045。

• 720p — 每秒 19 點,約 $0.095。

1080p — 每秒 24 點數,約 $0.12。

• 2K — 每秒 38 點數,約 $0.19。

• 4K — 每秒 78 點,約 $0.39;若按折扣前原價計算,十六秒片段約 $0.72。

• FastFrames — 什麼都沒有。沒有速率、沒有主機、沒有佇列。代價是:小模型用一張 B200 跑 2.9 秒的實際時間,大模型用八張 B200 跑 3.6 秒,每段 5 秒短片。

關於 Vidu 的價格曲線,有兩件事值得說明,因為它們很容易被誤讀。發布公告中提到的每秒 $0.014 這個數字,是 540p 等級在點數折扣費率下的價格,並非一般費率。此外,平台正推出限時套裝折扣,點數包最高可享 30% 折扣;這會讓每個等級同步降價,而不會改變曲線的形狀。請以牌價曲線來做規劃;把折扣視為暫時性的折抵,等到你的專案上線時,這項折扣可能已經不存在。

這個比較得出的結論並不是「其中一個比較便宜」。Vidu Q4 Preview 有一個最低門檻——一個 540p 的構圖(blocking)層級,定價正好對應它的用途:在付費進行全解析度渲染之前先驗證構圖——而 FastFrames 完全沒有分層,因為它根本沒有計費介面。如果你的工作流程是在定案前先用低解析度反覆調整某個鏡頭,Vidu 的 540p 層級是實實在在的產品功能,而 FastFrames 固定的 480p 並不是同一回事,儘管數字很接近。

兩款模型,為同一份需求簡報的兩端而打造

這些能力清單幾乎沒有重疊,而這是這項比較中最有用的一點。

• 解析度 — Vidu Q4 Preview 原生生成 540p、720p、1080p、2K 及 4K,最高兩級支援 10-bit 色彩。FastFrames 則為 832×480,無法設定,亦無升級路徑。

• 時長 — Vidu Q4 Preview 在 Image-to-Video 模式下為 3 至 16 秒,在 Reference-to-Video 模式下為 1 至 16 秒。FastFrames 為 16 fps 下的 81 幀,即 5.06 秒,僅能透過串接方式延長。

• 輸入 — Vidu Q4 Preview 說明了兩個端點,/ent/v2/img2video 與 /ent/v2/reference2video,最多可接收 15 張涵蓋角色、場景與風格的圖片,外加最多 3 段 3 至 12 秒的 mp3 音訊參考,用於聲音複製。FastFrames 接受文字提示與種子。不是較小的參考預算——而是沒有參考預算。

• 模式涵蓋範圍 — Vidu Q4 Preview 未記載任何文字轉影片路徑,也未記載影片編輯路徑。FastFrames 僅支援文字轉影片。就這兩者而言,只要其中一方缺少某種模式,兩者就都缺少該模式。

• 音訊 — Vidu Q4 Preview 會同時生成音訊與影片,圖像轉影片端點中的 audio 參數可輸出對白與音效,並具備參考語音一致性。FastFrames 則為無聲。

• 延遲 — FastFrames 公布在單一 B200 上每幀 36 毫秒,14B 模型在八顆 GPU 上為 45 毫秒,而大型模型在單一 GPU 上為 158 毫秒。Vidu Q4 Preview 並未公布本頁可驗證的每幀延遲數據。

把這六行合起來看,這兩個模型幾乎是互補的。Vidu Q4 Preview 是能維持角色陣容、生成聲音並輸出 4K 的那一個;FastFrames 則是能從文字生成影格、速度快到你來不及看、480p、無聲的那一個。在這六項當中,兩者誰也無法取代誰。

A two-column scoreboard comparing FastFrames and Vidu Q4 Preview across six dimensions: resolution 832x480 against up to 4K, clip length 81 frames against 3 to 16 seconds, image references none against up to 15, audio references none against up to 3, audio none against generated dialogue and sound, and price GPU time you supply against 9 to 78 credits per second.

董事會的立場,以及為何這是警示而非定論

Vidu Q4 Preview 擁有獨立的評分,值得仔細閱讀,而非直接引用。

在 Artificial Analysis 的圖像轉影片排行榜上,根據 2026 年 10 月 8 日的讀數,它以 1,179 Elo、5,543 票位居第三。第一是 1,195 的 MiniMax H3 Max,第二是 1,181 的 MiniMax H3。第一名與第三名相差 16 分,而區間約為 ±10 與 ±11。這是把統計上的平手包裝成頒獎台,任何一頁開頭就宣稱該排行榜有贏家,都是在解讀雜訊。這些票數真正確立的是,Vidu Q4 Preview 的輸出在這項已有數千人評判的任務上,與該領域頂尖作品相比具有競爭力。

FastFrames 沒有這樣的紀錄,而且在它尚未託管的情況下也無法取得。其品質主張來自作者自己的 VBench 數字——1.3B 檢查點為 84.23,14B 為 84.44,而 Causal Forcing++ 基線在每幀 272 毫秒下為 84.11,Wan2.2 14.3B 在 117,734 毫秒下為 84.65。沒有任何獨立人士重現過這些數字,而 VBench 獎勵的正是自迴歸模型擅長的時間平滑度。該表格的整體品質差距約為兩分半;其延遲差距則達四個數量級。這是一個公平的論點,說明該基準測試已不再具有區辨力;但也是一種不公平的方式,用來宣稱某個模型與其鄰近模型一樣好。

關於 Vidu 的數字,還有一點要特別留意:這些票數來自 2026 年 10 月,是在當時的競爭陣容中投下的,而那個陣容後來已經改變。較晚進入競技場的模型,或是由正式發行版取代預覽版,都會重新排列排行榜,即使榜上所列的模型都沒有變好或變差。永遠要把日期和數字一起看。

「預覽」會讓你付出什麼代價,而「研究發布」又會讓你付出什麼代價

這兩個標籤都是誠實的,且兩者都有值得詳細說明的商業後果。

預覽版是一項授權與延續性風險。依 Shengshu 自己的說法,Vidu Q4 Preview 的定價與功能可用性都要到正式版才會定案——這意味著你今天用來編列預算的費率表,未必是你六個月後收到請款時所依據的那一份,而你所建構依賴的某項功能也可能改變形態。相對的補償性優勢在於預覽版確實存在:有 API、有文件、有兩個具名端點、有支援管道,也有已表明的發展方向。

研究發布是另一種風險。FastFrames 的權重受 Apple 的 AMLR 條款約束,同一個儲存庫中的 LingBot-World v2 示範元件採用 CC BY-NC-SA 4.0(非商業性)授權,其餘部分則依 Apple 的 Sample Code Licence 授權。沒有端點、沒有 SLA、沒有支援,也沒有棄用政策,因為根本沒有服務。換來的則是永久性與可檢驗性:權重不會被撤回,論文不會被改寫,而且 Apple 已公布大型模型每個訓練階段的檢查點——因果教師、一致性蒸餾階段、DMD 蒸餾階段,以及搭載像素解碼器與 KV 精修網路的最終生成器——這使得這次發布具有可重現性,而在這個領域幾乎沒有其他東西能與之相比。

硬體需求是多數團隊的分水嶺。FastFrames 需要 Linux x86-64、NVIDIA GPU 和 CUDA 12.8,接著還要 uv sync 和一支生成腳本。Vidu Q4 Preview 則需要帳號和 API 金鑰。對更多組織來說,決定這項比較的正是那句話,而不是任何 Elo 分數差異。

哪一個,簡要說來

當工作需要角色與聲音的一致性、當交付要求是原生 4K 的 10 位元色彩生成、當輸入是參考集或靜態圖片而非提示詞,或當你的流程實際上是在全解析度定案前先做一輪低成本的 540p 構圖預覽時,就選用 Vidu Q4 Preview。請接受它是預覽版、定價可能會有不同的最終結果,且它並未記載任何文字轉影片或編輯途徑。

當迴圈本身就是交付成果時,就採用 FastFrames——即時預覽、串流虛擬化身、可控的世界模型——以及當來自文字提示的 480p 無聲輸出對產品而言是正確形態,而非妥協時。接受授權審查、GPU 機群、缺少參考輸入,以及本次發布中沒有任何內容是針對 1080p 含聲音交付成果的事實。

OrcaRouter 不路由 Vidu Q4 Preview——目錄中沒有 Vidu 識別碼——也不託管 FastFrames,而 FastFrames 沒有任何端點可供任何人路由。單一金鑰真正提供的是具備公開每秒費率的託管影片層:MiniMax H3 在 768p 為每秒 $0.08、在 2K 為每秒 $0.13,以及 Kling 3.0 系列,並在一個 OpenAI 相容端點上提供 200 多個語言模型,以供應商列表定價原樣傳遞、0% 加價,並在端點之間自動容錯移轉。對於正在權衡預覽版本與研究發布的團隊而言,這兩者目前都不是安全的生產押注,而該目錄正是他們在做出任一決定前取得穩定每秒基準的所在。

什麼能讓這件事定下來?

只有兩件事,別無其他。一次完整的 Vidu Q4 發布,若能在相同的每秒曲線上守住其排行榜位置,就會把預覽版變成正式的生產承諾,並消除延續性風險;一次新增文字轉影片端點的發布,則會讓它和其他一切登上同樣的排行榜,使比較變得直接。另一方面,Apple 以任何價格代管 FastFrames——或由任何其他人代管——都會讓該模型取得競技場參賽資格與獨立的延遲量測,而這是唯一能讓讀者拿 36 毫秒與其他東西相比、而不是孤立地讚歎它的東西。

截至本文撰寫時,這兩件事都還沒發生。這使得決定仍落在它通常所在的位置:取決於交付成果、授權條款,以及你比較想租看預覽,還是擁有一篇論文。

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.