苹果发布了一款开源视频生成模型,名字叫 FastFrames-L,参数量 14B。它是苹果品牌的首个 14B 参数开源视频生成模型,源自 Wan2.1-14B,定位是低延迟交互。

但真正扎眼的地方在运行环境:这款苹果模型跑在 NVIDIA CUDA 上,而不是 Apple Silicon。对一家把自研芯片当作卖点的公司来说,这个组合本身就够别扭。

技术路线上,FastFrames-L 采用每潜在帧 2 次扩散步骤,生成 832×480 分辨率视频,模型需要 30.6GB 存储空间。苹果同时推出了更小的 FastFrames-S,参数量 1.3B。

性能数据来自 NVIDIA B200 GPU 的测试:

  • FastFrames-S(单 GPU):每帧 36ms
  • FastFrames-L(单 GPU):每帧 158ms
  • FastFrames-L(8 GPU):每帧 45ms

想在本地跑起来并不轻松。在 RTX 5090(32GB 显存)上,需要加载 11.4GB 的 Wan 文本编码器,再加上激活值和 KV 缓存,原生实现难以适配。

社区给出的思路是文本编码器卸载或量化,也有人主张移植到 MLX 框架。这些方案目前都还停留在期待层面,能不能落地、落地后性能打几折,没有现成答案。

一款苹果模型,最优测试平台是英伟达的卡,本地部署还得靠社区想办法——这条开源路线走得并不轻松。