Apple acelera 7,6 veces su modelo de video: un fotograma en 36 ms en lugar de 272 ms
Los modelos de video que generan el clip fotograma a fotograma responden con una pausa notable cuando se pulsa una tecla en juegos y simuladores. El mejor modelo abierto, Causal Forcing++, tardaba 272 ms por fotograma en una GPU B200. El método FastFrames de Apple lo reduce a 36 ms (versión S), es decir, 7,6 veces más rápido. La clave está en sustituir el pesado decodificador VAE (147 ms por fotograma) por una minired de 1 ms. Las personas notan un retardo a partir de 50–60 ms, así que el objetivo es no pasar de 50 ms por fotograma.
Procesado por IA desde TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Imagine un juego en el que cada fotograma lo dibuja una red neuronal: usted pulsa «avanzar» y el mundo reacciona un segundo después. Esa latencia es lo que impide que los modelos de video que generan el clip fotograma a fotograma sirvan de base para juegos, simuladores y modelos predictivos para robots. Apple ha lanzado FastFrames, un método que reduce esa pausa.
El modelo abierto más rápido de este tipo, Causal Forcing++, con 1,3 mil millones de parámetros, tardaba 272 ms por fotograma en una GPU Nvidia B200. La versión FastFrames-S genera el mismo fotograma en 36 ms, 7,6 veces más rápido. La referencia es esta: una persona nota el retardo a partir de unos 50–60 ms, por lo que cada fotograma no debería tardar más de 50 ms.
La conclusión práctica para quien desarrolla video interactivo: lo que hay que medir es la latencia de respuesta a una acción, no los fotogramas por segundo.
Por qué el FPS engaña
La métrica habitual de velocidad son los fotogramas por segundo (FPS). Pero refleja el rendimiento medio, no la capacidad de respuesta. Supongamos que un modelo genera el video en lotes de 30 fotogramas y dedica un segundo a cada uno. Sobre el papel son 30 FPS. Sin embargo, si el jugador pulsa una tecla justo después de que arranque el lote, no verá el resultado hasta un segundo después, cuando esté listo el siguiente bloque.
Por eso Apple mide la latencia desde la orden hasta el primer fotograma en el que se ve su efecto. El umbral objetivo procede de estudios de interacción persona-ordenador: las personas ya notan un retardo superior a 50–60 ms. Por tanto, cada fotograma no debe tardar más de 50 ms.
Dónde se perdía el tiempo y qué se ha sustituido
Para entender dónde se pierden los milisegundos, el equipo analizó Causal Forcing++. En una sola B200 gasta 272 ms por fotograma, y solo alrededor del 30 % de ese tiempo corresponde a los pasos de difusión, es decir, a convertir ruido en imagen.
Las mayores pérdidas estaban en otra parte:
- el decodificador VAE, que convierte la representación interna (latente) del fotograma en píxeles, consume 147 ms, más de la mitad del tiempo;
- otros 41,6 ms se van en un pase adicional del transformer, necesario únicamente para actualizar la KV-cache, la memoria del modelo sobre lo que ya ha mostrado.
FastFrames sustituye ambos componentes. En lugar del VAE funciona un decodificador ligero de tres bloques convolucionales y una capa lineal, que tarda 1 ms por fotograma. Y en lugar del pase extra del transformer, una red pequeña corrige en 2 ms la caché escrita a partir de una entrada con ruido. El transformer en sí no cambia ni se reentrena. El resto de la aceleración procede de optimizaciones de sistema, entre ellas el reparto del cómputo entre varias GPU.
Cifras y modelos
Apple ha publicado en Hugging Face dos modelos basados en Wan 2.1: FastFrames-S, con 1,3 mil millones de parámetros, y FastFrames-L, con 14.000 millones. Ambos generan video a partir de una descripción de texto: clips de unos cinco segundos, resolución de 832×480, 81 fotogramas y 16 fotogramas por segundo.
FastFrames-S genera un fotograma en 36 ms en una sola B200, 7,6 veces más rápido que Causal Forcing++. La calidad no ha bajado: en el benchmark VBench el modelo obtiene 84,23 puntos frente a 84,11.
FastFrames-L tarda 45 ms por fotograma en ocho B200 y 158 ms en una sola GPU. Su resultado en VBench es de 84,44 puntos, al nivel de Krea-Realtime 14B (84,42), que necesita 1675 ms por fotograma.
El método también se puede trasladar a modelos de terceros. LingBot, un modelo de mundo abierto de Robbyant por el que se puede navegar con el teclado, ha pasado a responder a una pulsación en 52 ms en lugar de 842. RealWonder, un modelo con control físico, responde en 51 ms en lugar de 1141. Pero ambos necesitan para ello ocho GPU.
Limitaciones y qué hacer en la práctica
Hay varias salvedades. Los valores récord de los modelos grandes exigen ocho GPU de clase B200, así que no es una solución para un portátil ni para una instancia de nube convencional. El umbral de 50 ms solo se alcanza en las configuraciones más caras, y FastFrames-L en una sola tarjeta, con 158 ms, no llega a él. Además, los pesos se han publicado con la licencia Apple Model License for Research: es para investigación, no para un producto comercial.
Para quienes desarrollan sistemas de video interactivo (prototipos de juegos, simuladores de mundos, modelos predictivos para robots), la conclusión es sencilla: no midan los FPS, sino el tiempo que pasa entre la pulsación y la reacción visible. Y busquen los cuellos de botella más allá de los pasos de difusión: aquí los principales responsables fueron el decodificador y el mantenimiento de la caché. Sustituirlos por pequeñas redes entrenadas aportó casi toda la mejora sin reentrenar el modelo principal.
Para los responsables de producto, la señal también es clara: los modelos de video pasan del modo «genero y muestro» al modo «respondo a la entrada». Por ahora es un lanzamiento de investigación, pero los pesos abiertos permiten comprobar el resultado por cuenta propia.
- 19 nov 2026Un script de GitHub detecta los motivos de rechazo de App Store y Google Play antes de la revisión: 542 estrellas en un día
- 19 nov 2026Cloudflare abre el modelo Clairic: la precisión en recibos sube del 64% al 100%
- 18 nov 2026Willison lanza tres sandboxes externas: el código de los agentes no tocará tu portátil
- 18 nov 2026Dreamina lanza Motion Studio: motion graphics con código a partir de un prompt
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué el FPS engaña?
La métrica habitual de velocidad son los fotogramas por segundo (FPS). Pero refleja el rendimiento medio, no la capacidad de respuesta. Supongamos que un modelo genera el video en lotes de 30 fotogramas y dedica un segundo a cada uno. Sobre el papel son 30 FPS. Sin embargo, si el jugador pulsa una tecla justo después de que arranque el lote, no verá el resultado hasta un segundo después, cuando esté listo el siguiente bloque.
Dónde se perdía el tiempo y qué se ha sustituido?
Para entender dónde se pierden los milisegundos, el equipo analizó Causal Forcing++. En una sola B200 gasta 272 ms por fotograma, y solo alrededor del 30 % de ese tiempo corresponde a los pasos de difusión, es decir, a convertir ruido en imagen.
¿Qué se sabe sobre Cifras y modelos?
Apple ha publicado en Hugging Face dos modelos basados en Wan 2.1: FastFrames-S, con 1,3 mil millones de parámetros, y FastFrames-L, con 14.000 millones. Ambos generan video a partir de una descripción de texto: clips de unos cinco segundos, resolución de 832×480, 81 fotogramas y 16 fotogramas por segundo. FastFrames-S genera un fotograma en 36 ms en una sola B200, 7,6 veces más rápido que Causal Forcing++. La calidad no ha bajado: en el benchmark VBench el modelo obtiene 84,23 puntos frente a 84,11.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.