GitHub的Lvmin Zhang联合斯坦福大学的Maneesh Agrawala，发布了一项突破性的新技术FramePack，通过在视频扩散模型中使用固定长度的时域上下文，可以更高效地生成时间更长、质量更高的视频。

根据实测，基于FramePack构建的130亿参数模型，只需一块6GB显存的显卡，就能生成60秒钟的视频。

FramePack是一种神经网络架构，使用多级优化策略，完成本地AI视频生成。

目前，它底层基于定制版的腾讯混元模型，不过现有的预训练模型，都可以通过FramePack进行微调、适配。

典型的视频扩散模型在生成视频时，需要首先处理此前生成的带有噪音的帧，然后预测下一个噪音更少的帧，而每生成一帧所需要输入的帧数量，就是时域上下文长度，会随着视频的体积而增加。

这就对显存有着很高的要求，一般至少得有12GB，而如果显存不够多，生成的视频就会很短，质量很差，生成的时间也会很长。

FramePack会根据输入帧的重要性，对所有输入帧进行压缩，改变为固定的上下文长度，显著降低对显存的需求，而且计算消耗与图片扩散模型类似。

同时，每一帧画面生成之后，都会实时显示，方便即时预览。

FramePack还可以缓解“漂移”(drifting)现象，也就是视频长度增加、质量下降的问题，从而在不显著牺牲质量的同时，生成更长的视频。

FramePack数据格式支持FP16、BF16，显卡硬件支持RTX 50、RTX 40、RTX 30系列显卡，除了RTX 3050 4GB几乎所有的近代显卡都没问题。

在RTX 20系列和更老显卡上尚未经过验证，也没有提及AMD、Intel处理器的需求。

操作系统支持Windows、Linux。

性能方面，RTX 4090经过teacache优化之后，每秒可以生成大约0.6帧。