Azure hostet fünf Videomodelle, die Inferenz kommt von fal

Am 5. November kündigten Microsoft und fal an, dass fünf Videogenerierungsmodelle in Microsoft Foundry als Public Preview verfügbar sind, geliefert als Azure-Dienst aus erster Hand. Die Modelle stammen von Kuaishou, Lightricks und MiniMax. Die Inferenz kommt von fal. Microsoft hat keins von beidem gebaut.
Diese Konstruktion ist die Geschichte. Zwei Jahre lang lautete die Frage zu Videomodellen, wer das beste hat. Die Frage, die diese Ankündigung beantwortet, ist eine andere: Wer darf die Theke sein, an der man sie kauft. Microsoft hat sich gerade gemeldet, und zwar indem es zugibt, die Modelle nicht besitzen zu müssen, um die Transaktion zu besitzen.
Die fünf und wofür jede gedacht ist
Microsofts Rahmen ist, dass kreative Arbeit keine einzige Aufgabe ist. Ein Team, das mehrere Richtungen zu einem Briefing auslotet, ein Händler, der ein freigegebenes Produktfoto in ein Bewegungskonzept verwandelt, eine Entwicklerin, die Bildgenerierung an Videogenerierung kettet: Sie alle wollen Verschiedenes von einem Modell. Qualität, Bewegung, Kontrolle, Durchlaufzeit und Kosten wiegen in jedem Fall anders. Die fünf sind also fünf Positionen auf einer Karte, nicht fünf Versuche am selben Benchmark.
**Kling v3 Pro** ist das filmische Modell. Bildqualität plus flüssige Bewegung, native Audiogenerierung, eigene Elemente. Der Bild-zu-Video-Modus erlaubt es, zu steuern, wie aus einem bestimmten Startbild eine bewegte Einstellung wird. Die Wahl, wenn visuelle Richtung und Bewegung wichtiger sind als der Preis pro Sekunde.
**LTX-2.5** kommt in zwei Stufen. Fast dient der Iteration und Vorschau, Pro der hochwertigen Auslieferung. Beide können Text-zu-Video und Bild-zu-Video, beide bringen synchronisierten Ton mit. Beide anzubieten heißt, dass ein Team auf derselben Plattform entwerfen und fertigstellen kann, ohne das Werkzeug zu wechseln, was harmlos klingt, bis man versucht hat, einen Look über zwei Anbieter hinweg zu treffen.
**MiniMax H3 Max und H3 Max Turbo** sind nachtrainierte Varianten von H3, wobei das Nachtraining auf Instruktionsbefolgung, visuelle Qualität und Schlussfolgern zielt. Turbo tauscht etwas Qualität gegen schnellere Generierung und ist für hochfrequente Iteration gedacht.
Zur Größenordnung sagt fal-Gründer Burkay Gur es schlicht: Anwendungen für generative Medien werden multi-modell, weil verschiedene Teile der Arbeit Verschiedenes brauchen. fals Katalog umfasst über 1.500 Modelle für Bild, Video, Audio und 3D, dazu Inferenz, Training und Infrastruktur. Microsoft hat fünf ausgewählt. Die Auswahl ist das Produkt.
Das Detail zur Datenresidenz
Tief in der Ankündigung steht der Satz, der tatsächlich Abschlüsse bringt: Die Modelle werden in US-Regionen gehostet, und Foundry ist der erste Anbieter mit einem in den USA gehosteten Kling-Endpunkt.
Kling kommt von Kuaishou, einem chinesischen Unternehmen. Für einen US-Konzern mit Einkaufsprüfung ist „wir können das Modell nutzen, und die Inferenz läuft in einer US-Region unter Azure-Vertrag“ ein anderes Gespräch als „wir können das Modell nutzen“. Das Modell ist identisch. Der Papierkram nicht.
Das ist der Teil der Multi-Modell-These, der unter Wert verkauft wird. Das technische Argument für einen Broker ist Bequemlichkeit. Das kommerzielle Argument ist, dass der Broker die Compliance-Oberfläche absorbiert. Microsoft verkauft das zweite.
Der Preis und eine Zahl zum Selbstprüfen
Abgerechnet wird pro generierter Sekunde, wobei Auflösung und Audiomodus den Stückpreis verschieben. Microsoft zufolge erscheinen konkrete Preise in den kommenden Wochen auf der Azure-Preisseite.

Eine Warnung. Der Fließtext des offiziellen Beitrags und seine Tabelle beschreiben die Abrechnungseinheit nicht gleich. Bevor das in ein Budget wandert, auf der Preisseite prüfen, ob der Zähler pro Sekunde oder pro Minute läuft, und dann multiplizieren. Solche Abweichungen sind bei Preview-Ankündigungen üblich, und genau daraus wird aus einem billigen Experiment eine Überraschungsrechnung.
Außerdem gibt es keinen einheitlichen Qualitäts- oder Latenz-Benchmark über die fünf. Microsoft sagt das selbst. Auswahl heißt, eigene Prompts, eigene Quellbilder, eigene Cliplängen und eigene Audioanforderungen durch jedes Modell zu schicken. Preview-Status heißt: kein SLA und eine Oberfläche, die sich ändern kann.
Der ComfyUI-Trick ist der nützliche Teil
Ein zweiter Microsoft-Beitrag, parallel zur Ankündigung veröffentlicht, erklärt, wie man Bildmodelle aus Foundry und Videomodelle von fal über zwei Custom Nodes in ComfyUI einbindet, ohne einen einzigen API-Schlüssel in der Kette.
Drei Schritte.
Erstens: Modelle im eigenen Foundry-Projekt bereitstellen. Entweder über den Modellkatalog im Portal oder per CLI:
az cognitiveservices account deployment create ...
Die genannten Beispiel-IDs sind gpt-image-2.5-sunburst, FLUX.2-pro und MAI-Image-2.6 auf der Bildseite sowie Fal-MiniMax-H3-Max auf der Videoseite. Eine Namensregel zählt: Der Bereitstellungsname für Bilder muss dem Modellnamen entsprechen, weil die Nodes die Modellfamilie aus dieser Zeichenkette ableiten. Videobereitstellungen dürfen heißen, wie man will.
Zweitens: ComfyUI schlüssellosen Zugriff geben. Die Nodes nutzen DefaultAzureCredential, authentifizieren sich also mit der Entra-Identität, die die Maschine ohnehin hat. Auf einem Laptop ist das die az login-Sitzung. In Azure ist es die Managed Identity. Diese Identität braucht die Rolle Cognitive Services User auf der Foundry-Ressource oder Foundry User. Es gibt keinen Schlüssel zu speichern, zu rotieren oder in eine geteilte Workflow-JSON zu verlieren, was der häufigste Weg ist, auf dem ComfyUI-Installationen kompromittiert werden.
Drittens: den Projekt-Endpunkt einfügen, der wie https://xxx.services.ai.azure.com/api/projects/xxx aussieht.
Die Architektur ist die interessante Folge. Generiert wird in Foundry. ComfyUI orchestriert nur. Die Maschine mit ComfyUI braucht also keine GPU, und Microsofts Beispiel ist ein Text-zu-Bild-Aufruf, der einen Bild-zu-Video-Aufruf speist und eine filmische Fünf-Sekunden-Einstellung erzeugt, zusammengesetzt auf Hardware, die ein Laptop sein könnte.
Wer je eine ComfyUI-Installation mit vierzig Custom Nodes und einem lokalen Checkpoint-Zoo gepflegt hat, erkennt eine wirklich andere Form. Der Workflow wird ein Thin Client. Was man verliert, ist Offline-Arbeit und die Möglichkeit, mitten im Graphen ein lokales Modell einzusetzen.
Der unangenehme Nachbar im selben Nachrichtenzyklus
Zwischen dem 5. und 6. November enthielt Microsofts Security Update Guide zwei Einträge mit CVSS 10.0. Einer betraf die Entra-Geräteregistrierung. Der andere war CVE-2026-85889, eine fehlende Authentifizierung in Azure AI Foundry, CWE-306, Netzwerkvektor, keine Privilegien nötig, keine Nutzerinteraktion.
Microsofts Hinweis sagt, Kunden müssten nichts tun, weil der Fix auf Microsofts eigener Infrastruktur liegt und es keine kundenseitig installierte Version zu patchen gibt. Gemeldet von Forscher Rémy Marot, keine Hinweise auf Ausnutzung in freier Wildbahn.
Zwei Dinge gehören getrennt. Ein Wert von 10.0 misst den schlimmsten Fall, nicht die Wahrscheinlichkeit, und Microsofts eigene Einschätzung der Ausnutzbarkeit ist niedrig. Und eine Cloud-CVE-Ankündigung ist eine Mitteilung, keine Aufgabe. Man patcht sie nicht. Man liest die Logs auf ungewöhnliche Bereitstellungen und Aufrufe im Fenster vor dem Fix.
Sie gehört trotzdem in denselben Absatz wie der Launch, weil beides dieselbe Verschiebung beschreibt. Wenn die Plattform die Modelle betreibt, die Schlüssel hält und den Endpunkt besitzt, wandert der Sicherheitsperimeter in einen Dienst, den man nicht prüfen kann. Das ist die Rechnung für die Bequemlichkeit.
Was man tatsächlich testen sollte
Wer das evaluiert, sollte vergleichen, ob ein Broker plus fünf Modelle einen Anbieter plus ein Modell für die eigene Pipeline schlägt. Kling gegen LTX gegen MiniMax im Abstrakten zu ranken, sagt sehr wenig.
Dasselbe Briefing durch alle fünf schicken. Die Zeit vom Prompt bis zu einem brauchbaren Clip messen, nicht die Zeit bis zu irgendeinem Clip. Dann die Reroll-Rate messen, denn ein Modell, das drei Versuche für die richtige Bewegung braucht, kostet dreimal so viel, unabhängig vom Listenpreis. Dann prüfen, ob der Ton, wo vorhanden, den Schnitt übersteht. Driftende Synchronisation ist schlimmer als kein Ton.
Und den Ausstieg im Blick behalten. Der ganze Reiz eines Brokers ist, das Modell darunter zu tauschen, ohne die Integration zu ändern. Das testet man, indem man eines tauscht und schaut, was bricht. Lautet die Antwort „das Prompt-Format“, hat man einen Broker. Lautet sie „alles“, hat man einen Anbieter mit Zwischenschritten.
Ignite läuft vom 17. bis 20. November, mit einer eigenen Foundry-und-fal-Session am 19. Preise und allgemeine Verfügbarkeit dürften folgen. Bis dahin ist das eine Preview ohne SLA, was für Experimente in Ordnung ist und für einen Produktstart nicht.
Verwandte Artikel
Google hat Coding-Agenten vom Laptop geholt, und der Berechtigungsdialog bleibt der Engpass
Die Leitungen sind fast gelöst. Der Berechtigungsdialog bleibt der menschliche Engpass.
NVIDIA gibt vier 16B-Weltmodelle frei, und der Teil ohne Benchmark ist Policy-Learning
NVIDIA sagt, es sei ungemessen, ob diese Modelle Policy-Learning tragen. Der Satz gehört in jede Geschichte über offene Weltmodelle.
Vier der Top-Repos auf GitHub sind heute Skill-Bibliotheken, und jetzt haben wir ein Packaging-Problem
Die Verbreitung läuft. Das interessante Scheitern sind vier nicht kompatible Wege, dasselbe Objekt zu installieren.
Thinking Machines liefert ein 594B-Modell und schiebt die Gewichte auf nächste Woche
Ein starkes Modell, ein dokumentiertes Rezept, eine unterschätzte Fähigkeit und ein Termin, den das Labor nicht zugesagt hat.