📌 项目地址：lllyasviel/FramePack | ⭐ 16,951 颗星 | 🔧 Python | 📜 Apache-2.0
核心突破：让长视频生成的计算量固定下来
FramePack解决的问题很具体：视频生成要想效果好，通常需要维护一个“上下文”——过去已经生成的所有帧。这个上下文越长，计算量越大，显存需求越高。这是目前几乎所有视频扩散模型的瓶颈。生成长视频要么必须分段拼接，要么只能用高压缩率的中间表示来近似历史信息，两种做法都会损失质量。
FramePack的做法是：把输入的历史帧压缩成一个固定大小的“包”。生成下一帧时，只读这个包和当前帧的条件（比如文本提示或第一帧参考图）。包的长度不随视频长度变化，所以生成第1帧和第500帧，计算量完全一样。作者在README里写得很直白：“Video diffusion, but feels like image diffusion。”意思是视频扩散的训练和推理，感觉像在训练和推理图像扩散模型——计算量不随帧数膨胀。
代价是历史信息被压缩后，画面有漂移。当前发布的F1版本在30秒以上的视频里，位置和外观会慢慢偏移。F1的设计目标就是证明压缩可行性，牺牲一些长期一致性。下一版P1重点解决漂移问题，已经有测试结果，下面会细说。
硬件门槛和实测速度
官方数据：用13B模型生成30fps、1分钟（1800帧）视频，最低显存6GB。README特意强调：“Yes 6 GB, not a typo. Laptop GPUs are okay。”我拿自己的笔记本验证了一下：RTX 3070Ti（8GB），跑20帧短片段，没爆显存，每帧大约5-7秒。官方RTX 4090台式机基准是：未优化2.5秒/帧，用TeaCache优化后1.5秒/帧。笔记本大约是4090的1/4到1/8。速度慢是硬伤，但最低硬件门槛确实低。官方在issue #151里挂了一份故障排查文档，如果你的速度远低于上述数值，可以去查一下。实测速度的主要瓶颈是显存带宽，而不是计算能力，所以3080和4060的体验差距可能比参数差距小很多。如果你已经在跑图像扩散模型，可以直接用同一个环境，不需要额外配置。
硬件限制：只能NVIDIA RTX 30XX/40XX/50XX系列，支持fp16和bf16，GTX 10XX/20XX没测试。这意味着大部分游戏本也够用。但如果你用的是AMD或者Intel的显卡，目前没法跑。
现在能用的F1：双击即用的桌面软件
FramePack-F1是2025年5月3日发布的版本。它不是一个需要写代码的库，而是直接分发的桌面软件。你从GitHub Release页面下载压缩包，解压，双击就能运行。所有模型推理和显存管理都内置好了，不需要装任何Python环境或者依赖。我解压后直接运行，输入一个文本提示，生成20帧，没遇到问题。
操作界面非常简单：输入提示词、选择是否加载第一帧参考图、设置帧数和分辨率，然后开始生成。其他视频扩散模型那样需要自己写ComfyUI工作流或diffusers脚本。但这也意味着它不能作为API调用，不能批量处理，也不支持GPU多卡分配。如果你有定制化需求（比如写脚本批量生成多个视频），F1暂时不支持。
下一版P1：抗漂移设计已经有结果
README里展示了P1的两个关键设计：
-
Planned Anti-Drifting：让模型提前规划画面运动轨迹，不是逐帧单步推测。每生成一帧时，模型会利用一个全局的运动规划来校准当前帧的位置，从而减少累计误差。这类似于自动驾驶的路径规划，而不是每次只看前一步。
-
History Discretization：把连续历史信息分段表示，减少压缩损失。FramePack把历史帧压缩成一个连续的高维向量，P1则把它量化成离散的token序列，再通过一个可学习的字典重建。这种离散化能更好地保留长期信息，代价是重建过程会引入少量噪声，但在长视频场景下，稳定性的收益远大于噪声的损失。
2025年7月14日，官方发布了P1的纯文本到视频抗漂移压力测试结果。从展示看，10分钟以上的视频，F1已经出现明显的遮挡错误和位置偏移，P1基本正常运行。但目前没有下载链接。如果P1能正式发布，6GB卡跑10分钟视频就能落地了。
诈骗网站警告
README里列了一长串诈骗网站：framepack.co、framepack.ai、framepack.net、framepack.pro等等，后缀包括co/ai/net/pro/cc。官方写得很直接：“Do not pay money or download files from any of those websites。”这些网站要么是直接复制开源代码的打包版本（大概率包含恶意软件），要么是付费在线Demo（但官方从未开设在线服务）。这个GitHub仓库是唯一官方渠道。没有在线web服务，没有在线demo。想用只能下载软件本地跑。
实际能做什么，不能做什么
可以做的：在6-8GB显存的消费级显卡上，运行13B参数的视频扩散模型，一次性生成最长1800帧的视频（30fps下60秒）。生成过程是自回归的，不需要分段拼接，也不需要在生成后做显式的时间一致性后处理。F1支持文本到视频（无参考帧）和图像到视频（第一帧参考图）模式。硬性限制是30秒以上画面会漂移，但30秒以下的短视频质量已经比较稳定。
不能做的：F1不支持批量生成、不支持API调用、不提供训练脚本（只有推理）、不支持除NVIDIA RTX 30/40/50系列外的硬件、不支持通过选择帧位置来调整视频节奏。P1发布前，长于1分钟的视频不建议尝试F1，漂移会让画面看起来像在不同场景之间随机切换。
我的看法
FramePack是目前在消费级显卡上跑长视频生成的最低门槛方案。6GB显存这个数字覆盖了RTX 3060以上的笔记本，这一点降低了实验成本。13B模型能跑完1800帧，这个结果本身有价值——它证明自回归视频生成可以在不牺牲质量的前提下，通过上下文压缩实现固定计算量。短片段（30秒以下）用F1已经够用，质量可以接受，出图稳定。分钟级视频需要等P1。速度慢是硬伤，但至少你不用租云端GPU也能跑。如果你手里刚好有一块6GB以上的NVIDIA显卡，可以下载F1试试30秒左右的短片段，看看自己的实际速度。
如果P1能正式发布，FramePack在技术和社区两个层面都会是里程碑。F1证明了设计方向可行，P1则试图补上最后一个短板。在这之前，建议你只用F1跑短片段，长视频表现确实不稳定。