FastFrames es una familia de modelos de difusión de video autoregresivos diseñados para lograr latencia interactiva sin comprometer la calidad visual, resolviendo la limitación de velocidad de los modelos actuales. El estudio identifica que operaciones como la decodificación VAE y las actualizaciones de la caché KV representan más de la mitad de la latencia de inferencia end-to-end, desafiando la suposición de que son componentes indispensables. Para optimizar el rendimiento, el equipo reemplazó estas partes por alternativas ligeras. La variante de 1.300 millones de parámetros opera a 36 milisegundos por fotograma (28 respuestas por segundo) en una sola GPU B200, igualando la calidad de un modelo de estado del arte casi ocho veces más lento. La variante de 14.000 millones de parámetros alcanza 45 milisegundos por fotograma (22 RPS) en un nodo de 8 GPUs B200, ofreciendo una calidad visual y realismo significativamente superiores. Estos avances permiten la interacción en tiempo real en aplicaciones como la generación de video condicionada por cámara o física, marcando un hito en la viabilidad técnica de experiencias visuales interactivas.
