FastFrames, un artículo en arXiv, presenta una familia de modelos de difusión de vídeo autorregresivos que, según dice, alcanzan una latencia interactiva sin pérdida de calidad (arXiv). Su modelo más pequeño, de 1,3B, genera un fotograma en 36 ms, es decir, 28 respuestas por segundo, en una GPU B200, y el artículo afirma que su calidad iguala la de un modelo de vanguardia casi 8x más lento. Para quien elige un modelo de vídeo en tiempo real, la pregunta pasa a ser si un presupuesto de 50 ms a 480p es alcanzable con el hardware actual de centros de datos (arXiv).
El perfilado señala la decodificación y las actualizaciones de la caché
El artículo parte de un resultado de perfilado: según los autores, la decodificación del VAE y las actualizaciones de la caché KV representan más de la mitad de la latencia de inferencia de extremo a extremo en los modelos de vanguardia. Ese planteamiento explica por qué el trabajo se centra en toda la cadena y no solo en los pasos de eliminación de ruido. Los modelos publicados son modelos de difusión de vídeo autorregresivos de dos pasos que generan vídeo a 480p con latencia interactiva, en dos tamaños: FastFrames-S, de 1,3B, y FastFrames-L, de 14B (huggingface.co).

Latencia a 480p y 720p
El artículo da a FastFrames-S 36 ms a 480p y 127 ms a 720p, medidos en una B200. FastFrames-L, el modelo de 14B, tarda 45 ms a 480p y 116 ms a 720p repartido en 8 GPU B200. El pie de la Tabla 1 define el objetivo interactivo como 50 ms o menos y la latencia inferior al segundo como entre 50 y 1.000 ms, de modo que FastFrames-S con 36 ms y FastFrames-L en 8 GPU con 45 ms cumplen el objetivo a 480p, mientras que FastFrames-S con 127 ms a 720p queda en la banda inferior al segundo. El modelo mayor necesita 8 GPU para sus cifras, así que sus 116 ms a 720p no son una cifra de una sola tarjeta.
Cómo clasifica la Tabla 1 a los modelos de referencia
| Bloque de la tabla | Modelo | Tamaño (B) | Latencia (ms) ↓ | Página de origen |
|---|---|---|---|---|
| Bidirectional Video Models | Wan2.1 | 1.3 | 30,444 | https://arxiv.org/html/2611.23226 |
| Bidirectional Video Models | Wan2.2 | 14.3 | 117,734 | https://arxiv.org/html/2611.23226 |
| Bidirectional Video Models | MiniMax-H3 | 33.1 | 38,454 | https://arxiv.org/html/2611.23226 |
| Bidirectional Video Models | HunyuanVideo1.5 | 8.3 | 1,555,508 | https://arxiv.org/html/2611.23226 |
| Bidirectional Video Models | LTX2.5 | 19.0 | 11,264 | https://arxiv.org/html/2611.23226 |
| Autoregressive Video Models | Helios Distilled | 14.3 | 2,544 | https://arxiv.org/html/2611.23226 |
| Autoregressive Video Models | Krea-Realtime | 14.3 | 1,675 | https://arxiv.org/html/2611.23226 |
| Autoregressive Video Models | LongLive2.0 | 5.0 | 505 | https://arxiv.org/html/2611.23226 |
| Autoregressive Video Models | CausVid | 1.3 | 662 | https://arxiv.org/html/2611.23226 |
| Autoregressive Video Models | Causal Forcing++ | 1.3 | 272 | https://arxiv.org/html/2611.23226 |
El pie de la Tabla 1 indica que cada método recibe los mismos prompts y semillas, se ejecuta en una B200 salvo que se señale otra cosa, y se evalúa a aproximadamente 480p con las dimensiones que admite oficialmente. Entre los modelos bidireccionales, Wan2.1 con 1,3 B tarda 30.444 ms y LTX2.5 con 19,0 B tarda 11.264 ms. Entre los modelos autorregresivos, LongLive2.0 con 5,0 B tarda 505 ms y CausVid con 1,3 B tarda 662 ms. Las filas bidireccionales van de 11.264 ms para LTX2.5 hasta 1.555.508 ms para HunyuanVideo1.5, muy lejos de un objetivo de 50 ms, así que la comparación relevante para el uso interactivo es con el bloque autorregresivo. Incluso ahí, el modelo de referencia más rápido del artículo es Causal Forcing++ con 272 ms, que está por debajo del segundo pero no es interactivo según la definición del pie, mientras que LongLive2.0 con 5,0 B tarda 505 ms, Krea-Realtime con 14,3 B tarda 1.675 ms y Helios Distilled con 14,3 B tarda 2.544 ms. Los 36 ms de FastFrames-S quedan por debajo de todas las latencias de referencia de las filas aquí enumeradas. El tamaño por sí solo no explica la dispersión: Wan2.2 con 14,3 B tarda 117.734 ms, mientras que Krea-Realtime con los mismos 14,3 B tarda 1.675 ms.
Condiciones de licencia y elección entre los dos tamaños
La ficha del modelo FastFrames-L en Hugging Face declara la licencia apple-amlr, y el repositorio indica que el código y los pesos de LingBot-World v2 siguen su licencia original CC BY-NC-SA 4.0, mientras que el resto del código de FastFrames está bajo la Apple Sample Code License, por lo que quien planee usar los pesos debería leer antes esas condiciones (Hugging Face). En conjunto, la línea de licencia de la ficha del modelo y las cifras de latencia del artículo significan que la misma publicación incluye tanto las condiciones de uso como las afirmaciones de velocidad que un equipo sopesaría. Un equipo que compare un modelo de 1,3B en una B200 con uno de 14B en 8 GPU B200 puede ver 36 ms frente a 45 ms a 480p, y 127 ms frente a 116 ms a 720p. Con esas cifras, el modelo pequeño ya cumple el objetivo de 50 ms en una sola tarjeta, mientras que el grande necesita 8 para llegar a una latencia similar.
Cómo lo hemos hecho
Resultados publicadosTabla 1 del artículo: comparaciones cuantitativas de latencia de extremo a extremo y puntuaciones VBench
Filas de la Tabla 1 del artículo (HTML de arXiv), copiadas celda por celda por nuestro código. Cifras de los propios autores, no una prueba independiente. La primera columna es el bloque de la tabla de cada fila. De 6 columnas se muestran 3: las que tienen una cifra citada o una medida nombrada. No se muestra: VBench ↑ (3 columnas). Filas: 10 de 16, las que dan un valor o se nombran; se omiten 6, 11, 13, 14, 15 y 16. De sus 2 bloques, se muestra en parte: Autoregressive Video Models (5 de 11 filas).
Fuentes
Las fuentes a partir de las que se escribió este artículo. Los enlaces abren la página original.
- arXivFastFrames: Video Generation at Interactive Latencyarxiv.org
- huggingface.coFastFrames: Video Generation at Interactive Latencyhuggingface.co
- arXivFastFrames: Video Generation at Interactive Latencyarxiv.org
- Hugging FaceLicence declared in the front matter of the model card apple/FastFrames-L on Hugging Facehuggingface.co



