VideoCrafter 是 AILab-CVC（腾讯 AI Lab 系）开源的潜在视频扩散模型（LVDM）系列，从 2023 年 4 月 256×256 的 t2v-version-1-1 起步，到 VideoCrafter1 做到 576×1024，再到 2024 年 1 月的 VideoCrafter2。骨架是 Stable Diffusion 2.1 那一套：4 通道 VAE 做 8 倍下采样，OpenCLIP ViT-H 文本编码器取 penultimate 层、context_dim 1024，UNet 换成加了时序卷积与时序自注意力的 3D 版本，model_channels 320、temporal_length 锁死 16 帧，还额外挂了 fps 条件嵌入。VideoCrafter2 的论文卖点很直白：用画质糟糕的 WebVid-10M 学运动，用合成的高质量图像单独微调空间模块学画质，把两者解耦。
但别指望它还在迭代。仓库最后一次实质性代码更新停在 2024 年 7 月，2026 年唯一一次提交是社区把 README 里的 Techinical 改成 Technical（PR #102）；官方 Hugging Face Space 目前是 BUILD_ERROR 状态，Gradio 还锁在 3.43。官方 README 自己也把图生视频的接力棒交了出去 —— 明写着 I2V 请改用 DynamiCrafter。更往后，同一条技术线上已经是 HunyuanVideo 1.5（8.3B，开 offload 最低 14GB 显存，480p/720p/1080p）。这些都不是黑点，是你选型时该知道的事实。
可它并没有失去价值。1.8B 量级、16 帧、320×512 的体量意味着不用 offload、不用多卡、不用等四十分钟出一条片；它是 VBench 上的常驻基线，也是 T2V-Turbo 这类一致性蒸馏工作直接拿来当底模的对象。要做消融实验、要复现论文数字、要一个真跑得动又改得动的 LVDM 基线，VideoCrafter 依旧是成本最低的那个选择 —— 前提是你的显卡架构和它锁死的 torch 2.0.0 对得上。这一点，恰好是租卡比买卡划算的地方。
01 —
权重清单：到底该下哪一个 ckpt
官方从没发过 VideoCrafter2 的 1024 档，想要高分辨率只能回头用 VideoCrafter1。
| 版本 | 参数量 | 显存 | 上下文 | 说明 |
|---|---|---|---|---|
| VideoCrafter2（base_512_v2） | 合计约 1.8B（ckpt 7.4GB，fp32 打包 UNet3D + VAE + OpenCLIP） | 同族 320×512 档 4090 实测 12.8GB；社区经验下限 16–18GB；官方 Demo 跑在 24GB 的 L4 上 | 16 帧 · 320×512 · 存盘 8fps 即 2 秒 | 现在的默认选择。画质相对 VC1 明显提升，配置里 use_scale: true、scale_b: 0.7 是它独有的噪声缩放。HF 上标 Apache-2.0。 |
| VideoCrafter1 T2V 1024（base_1024_v1） | ckpt 6.34GB fp32 | 同族 1024 档 RTX 4090 实测 18.3GB（576×1024） | 16 帧 · 576×1024（latent 72×128） | 整个系列里唯一的高分辨率文生视频权重。训练走 256×256 → 512×320 → 1024×576 三段课程，最后一段 45K 步、batch 64。 |
| VideoCrafter1 T2V 512（base_512_v1） | ckpt 6.33GB fp32 | 与 VideoCrafter2 同档，约 12.8GB 起 | 16 帧 · 320×512 | 只有做版本对比、复现 VC1 论文数字时才需要它；日常出片没有理由不用 VideoCrafter2。 |
| VideoCrafter1 I2V 512（i2v_512_v1） | ckpt 5.22GB fp32 | 约 12.8GB 起，与 T2V 512 同档 | 16 帧 · 320×512 · 图像 + 文本双条件 | 在 T2V 基础上加了第二路 cross-attention，走 FrozenOpenCLIPImageEmbedderV2 编码参考图。脚本默认 --fps 8、CFG 12。 |
| DynamiCrafter（官方指定的 I2V 接班人） | 同族 LVDM，非 VideoCrafter 权重 | 4090 实测：18.3GB @576×1024、12.8GB @320×512、11.9GB @256×256 | 16 帧 · 1024 长边（另有 512 插值/循环变体） | VideoCrafter 的 README 直接把图生视频指向它，并附了完整显存表与 A100 耗时（1024 档 50 步 75 秒、512 档 20 秒）。 |
| t2v-version-1-1（初代 LVDM） | 2023 年 4 月首发权重 | 作者当年给的口径：开 xformers 最低 6.3GB | 256×256 | 唯一一个明确标 MIT 的权重仓。除了考古和极限低显存验证，没有生产价值。 |
02 —
选卡：VideoCrafter 的显存需求不高，架构挑剔
官方脚本没有 fp16 开关，全程 fp32 推理 —— 这决定了选卡逻辑和现代 bf16 模型完全不同。
VideoCrafter2 出 320×512 片段，日常主力
RTX 3090 24GB$0.193/卡·时
24GB 对齐官方 Demo 用的 L4，Ampere sm_86 正好被 torch 2.0.0 的官方轮子覆盖，而且它比 16GB 的 Tesla T4（$0.298）更便宜、显存还多一半。
VideoCrafter1 跑 576×1024，或者批量刷 prompt 想缩短 wall clock
RTX 4090 24GB$0.540/卡·时
1024 档同族实测 18.3GB，24GB 装得下但没什么余量；4090 的 fp32 吞吐能把每条片子的时间压掉近一半，批量任务算总账反而更省。
bs 想开大于 1，或改 temporal_length 做长帧实验，24GB 顶不住
Tesla V100 32GB$0.188/卡·时
全系最便宜的 32GB 卡；因为 VideoCrafter 本来就跑 fp32、用不上 bf16 张量核心，V100 在这个模型上不吃架构亏，只是慢一点。
在 VideoCrafter2 上做 LoRA 微调或一致性蒸馏（T2V-Turbo 那条路）
A100 SXM4 80GB$1.088/卡·时
训练要同时扛住 3D UNet 的时序注意力激活和优化器状态，80GB 加 NVLink 才够；单节点最多挂 14 张卡，扩到多卡不用换供应商。
03 —
在 NexGPU 上部署 VideoCrafter2：四步出片
从空实例到第一条 mp4，卡住的地方基本都在依赖版本上，所以第一步就要把 Python 钉死。
- 01
开卡，建一个 Python 3.8.5 的干净环境
在控制台选 RTX 3090 24GB，直接用 PyTorch 预置镜像开机，SSH 进去。requirements.txt 钉的是 torch==2.0.0、transformers==4.25.1、pytorch_lightning==1.8.3、open_clip_torch==2.22.0，这套组合在 Python 3.10+ 上会连环冲突，老老实实建 3.8.5 环境最省事。
conda create -n videocrafter python=3.8.5 -y && conda activate videocrafter - 02
拉代码装依赖
仓库 5,000 多 star、400 多 fork，但 74 个 issue 挂着没人处理，装依赖时别指望上游修。xformers 不带版本锁，装完先跑一次 import 确认它没顺手把 torch 升级掉。
git clone https://github.com/AILab-CVC/VideoCrafter && cd VideoCrafter && pip install -r requirements.txt - 03
下 7.4GB 权重，放进脚本写死的目录
脚本里的路径是硬编码的 checkpoints/base_512_v2/model.ckpt，目录名错一个字符就报找不到文件。仓里只有一个 model.ckpt，fp32 存储，7.4GB，在 NexGPU 节点上通常一两分钟就拉完。
hf download VideoCrafter/VideoCrafter2 model.ckpt --local-dir checkpoints/base_512_v2 - 04
跑推理，或者起 Gradio
默认脚本是 320×512、16 帧、DDIM 50 步、CFG 12.0、--fps 28（fps 是条件嵌入，不是存盘帧率，存盘走 --savefps，默认 10）。想再快一点，把 configs/inference_t2v_512_v2.0.yaml 里的 use_checkpoint 从 true 改成 false —— 官方 Gradio 后端就是这么干的，用更多显存换速度，24GB 卡完全吃得下。
sh scripts/run_text2video.sh # 或 python gradio_app.py 起网页界面
一条片子到底多少钱
按默认配置算：320×512、16 帧、DDIM 50 步。同族的 DynamiCrafter512 在 A100 上 50 步耗时 20 秒，换到 RTX 3090 上加解码写盘，保守按每条 45 秒估。3600 ÷ 45 = 80 条/小时，$0.193 ÷ 80 ≈ 每条 $0.0024，两分钱一条。刷一整套 500 条 prompt 的评测集：500 × 45 秒 = 6.25 小时，6.25 × $0.193 = $1.21。嫌慢就换 RTX 4090 24GB $0.540/卡·时，同样 500 条约 3 小时、3 × $0.540 = $1.62 —— 时间砍半，多花 0.41 美元。存储另算：代码加 7.4GB 权重，20GB 卷按中位价 $0.414/GB·月 = $8.28/月，但计算费在实例停止那一秒就停，存储费只在卷没删掉时才继续走。500 段 mp4 大约 0.2GB，出网按中位价 $0.0081/GB 算不到一美分。按秒计费、无最低消费、无开通费，跑完就停。
04 —