企业官网建设流程全解析

1. 为什么要在云端跑 FramePack 图生视频

把 FramePack 和 ComfyUI 放在云上跑图生视频，本质上解决的是三个现实问题：本地显存不够、长时间渲染会中断、以及环境依赖太容易崩。我自己的笔记本是 RTX 4060 Laptop 8G 显存，本地跑一张 512×512 的图生视频，帧数稍微拉长一点就直接爆显存，风扇狂转不说，中途还会因为驱动崩溃报出“d3d 设备已移除”这种让人血压升高的错误。后来把整套流程搬到云端 GPU 服务器上，才算真正把这件事跑通。

FramePack 这个项目的核心思路，是把视频生成过程中的上下文压缩到固定长度，让显存占用不随视频长度线性增长。换句话说，它让“用一张图生成一段几秒到十几秒视频”这件事，从“只有 24G 显存的大卡才能玩”变成了“12G 到 16G 显存也能勉强跑”。而 ComfyUI 作为节点式工作流工具，负责把模型加载、采样、解码、导出这些环节串起来，让你可以像搭积木一样调整参数。两者结合，就是目前图生视频领域比较务实的一套方案。

这套流程适合谁？如果你手里有一张 8G 到 16G 显存的显卡，想玩图生视频但本地总是爆显存；或者你根本没有独立显卡，只有 Intel UHD Graphics 核显，想通过云端租用来体验；再或者你已经装了秋叶 ComfyUI 整合包，但卡在 FramePack 节点报错上——那这篇内容就是给你写的。我会从云端环境选型、依赖安装、ComfyUI 配置、FramePack 工作流搭建，一直讲到常见报错排查，尽量把每个环节的“为什么”说清楚。

需要提前说明的是，云端部署和本地部署在操作逻辑上差别不大，核心区别在于：你不需要自己折腾显卡驱动，但要学会选镜像、配端口、传文件。下面按实际操作的顺序展开。

2. 云端 GPU 环境选型与基础准备

2.1 显卡怎么选：别只看显存数字

选云端 GPU 的时候，很多人第一反应是“显存越大越好”，但实际上 FramePack 对显卡的架构也有要求。我实测下来，RTX 4090 24G 当然是最舒服的，但 RTX 3090 24G 性价比更高，跑 512×512、16 帧左右的视频大概 2 到 3 分钟出结果。如果预算有限，RTX 4080 16G 也能跑，但帧数要控制在 12 帧以内，分辨率降到 448×448 会更稳。

这里有个坑要提醒：不要选那种只有计算卡没有图形输出的实例，比如某些纯计算型 GPU 服务器，虽然算力强，但 ComfyUI 的预览界面可能会因为缺少图形上下文而显示异常。我一般会选带 RTX 系列的实例，驱动版本建议 535 以上，CUDA 版本 12.1 或 12.4 都可以。

另外，热词里提到的“显卡有两个 Intel UHD Graphics 和 NVIDIA RTX 4060 Laptop GPU”这种情况，在云端是不存在的，因为云端实例通常只挂载一张计算卡。但如果你是在本地用双显卡笔记本，记得在 NVIDIA 控制面板里把 Python 和 ComfyUI 的可执行文件强制指定为独显运行，否则它会默认走核显，然后你就会看到“CUDA 不可用”的提示。

2.2 镜像选择：省掉驱动和 CUDA 的麻烦

云端部署最大的优势就是镜像。我一般会选已经预装好 NVIDIA 驱动、CUDA、cuDNN 的基础镜像，比如 Ubuntu 22.04 + CUDA 12.1 的组合。如果你用的是国内云平台，很多都提供“PyTorch 2.1 + CUDA 12.1”的一键镜像，直接选这个就行，省得自己编译。

这里要解释一下为什么强调 CUDA 版本。FramePack 底层依赖 PyTorch，而 PyTorch 的 GPU 版本必须和 CUDA 版本匹配。比如你装的是 PyTorch 2.1.0+cu121，那系统 CUDA 就应该是 12.1。如果版本对不上，运行时会报“CUDA error: no kernel image is available for execution on the device”，翻译过来就是“你的显卡算力和编译时的目标算力不匹配”。这个错误在热词里也出现过，本质上是 PyTorch 预编译的 kernel 没有覆盖你的显卡架构。

选好镜像后，第一件事是验证 GPU 是否可用。在终端里跑：

nvidia-smi

如果能看到显卡型号、驱动版本、CUDA 版本，说明驱动没问题。然后再跑：

import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果输出 True 和显卡型号，说明 PyTorch 也能正常调用 GPU。这两步是后面所有操作的基础，千万别跳过。

2.3 存储和网络：模型文件别放系统盘

云端实例的系统盘通常只有 20G 到 50G，而 FramePack 的模型文件动辄几个 G，ComfyUI 的插件和依赖也会占不少空间。我建议在创建实例时挂载一块 100G 以上的数据盘，挂载到/data目录，然后把 ComfyUI、模型、输出都放在数据盘里。

网络方面，国内云平台访问 GitHub 和 HuggingFace 可能会慢，这时候需要切换国内源。比如 pip 可以用清华源：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

HuggingFace 的模型下载可以用hf-mirror.com镜像，在下载命令前加HF_ENDPOINT=https://hf-mirror.com就行。这个小技巧能帮你省下大量等待时间，尤其是下载那几个 G 的模型时。

3. ComfyUI 云端安装与 FramePack 节点配置

3.1 ComfyUI 安装：手动装比整合包更可控

虽然秋叶 ComfyUI 整合包在本地很流行，但在云端我不推荐直接用整合包。原因是整合包里的 Python 环境是打包好的，路径和依赖都固定了，云端实例的系统环境一旦有差异，很容易出现“找不到 DLL”或者“torch 版本冲突”的问题。手动装虽然多几步，但每一步都可控。

先装 Miniconda，然后创建独立环境：

conda create -n comfy python=3.10 conda activate comfy

Python 3.10 是兼容性最好的版本，3.11 和 3.12 有些插件会报错。接着装 PyTorch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

然后克隆 ComfyUI：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt

装完后先跑一次python main.py --listen 0.0.0.0 --port 8188，确认能正常启动。--listen 0.0.0.0是为了让外部能访问，云端实例通常需要通过公网 IP 加端口来打开界面。

3.2 FramePack 节点安装：路径和依赖是关键

FramePack 在 ComfyUI 里通常以自定义节点的形式存在。进入custom_nodes目录：

cd custom_nodes git clone https://github.com/xxx/ComfyUI-FramePack.git cd ComfyUI-FramePack pip install -r requirements.txt

这里要注意，FramePack 的依赖里可能包含特定版本的diffusers、transformers、accelerate。如果安装过程中出现版本冲突，优先保证torch不被降级。我遇到过pip自动把torch从 2.1 降到 2.0 的情况，结果 GPU 直接不可用。解决办法是先用pip install -r requirements.txt --no-deps跳过依赖，再手动补装缺少的包。

模型文件需要放到指定目录。FramePack 一般需要基础模型和 VAE 两部分，基础模型放到models/checkpoints，VAE 放到models/vae。如果节点报“model not found”，先检查路径对不对，再检查文件名是否和节点里写的一致。有些节点对文件名大小写敏感，FramePack.safetensors和framepack.safetensors会被当成两个文件。

3.3 启动参数与显存优化

ComfyUI 启动时可以加一些参数来优化显存。比如：

python main.py --listen 0.0.0.0 --port 8188 --lowvram --preview-method auto

--lowvram会把模型分块加载到显存，适合 8G 到 12G 的卡。如果你的卡有 16G 以上，可以不加这个参数，速度会更快。--preview-method auto是让预览图自动选择方式，避免因为预览功能占用额外显存。

还有一个参数是--disable-smart-memory，这个在显存紧张的时候有用，它会强制 ComfyUI 在每次生成后释放显存，而不是缓存起来。代价是下一次生成会慢一点，但能避免“生成到一半爆显存”的问题。

4. FramePack 图生视频工作流搭建与参数调优

4.1 工作流骨架：从图片到视频的五个节点

一个完整的 FramePack 图生视频工作流，核心节点大概有五个：图片加载、文本编码、FramePack 采样、VAE 解码、视频导出。在 ComfyUI 里，你可以从Load Image节点开始，接一个CLIP Text Encode来写提示词，然后连到 FramePack 的采样节点，再经过VAE Decode，最后用Save Video或Save Image Sequence导出。

这里的关键是 FramePack 采样节点的参数。我一般会设置：

• frame_count：12 到 16，帧数越多视频越长，但显存和时间也线性增加。
• resolution：512×512 起步，显存够可以上 640×640。
• steps：20 到 30，步数太低画面会糊，太高收益递减。
• cfg_scale：7 到 9，控制提示词的影响强度。
• seed：固定一个值方便复现，想随机就设为 -1。

提示词的写法也有讲究。图生视频的提示词不需要像文生图那样堆砌形容词，而是要描述“运动”。比如“a woman smiling, hair gently moving in the wind, camera slowly zooming in”就比“beautiful woman, high quality, 8k”更有效。因为 FramePack 是根据图片内容来推断运动的，提示词的作用是引导运动方向。

4.2 显存不够时的降级策略

如果你用的是 12G 显存的卡，跑 16 帧 512×512 可能会在 VAE 解码阶段爆显存。这时候有几个降级策略：

第一，降低帧数到 8 或 10。帧数减少对显存的影响是线性的，8 帧的显存占用大概是 16 帧的一半。

第二，开启--lowvram并配合--disable-smart-memory。这两个参数组合能把峰值显存压下来 20% 到 30%。

第三，把 VAE 解码放到 CPU 上跑。ComfyUI 里有VAE Decode (Tiled)节点，它会分块解码，显存占用极低，代价是速度慢一些。我实测 16 帧 512×512 用 Tiled 解码大概多花 30 秒，但能避免爆显存。

第四，如果以上都不行，就把分辨率降到 384×384。虽然画质有损失，但至少能跑通流程，等确认工作流没问题后再换大显存实例重新生成。

4.3 参数计算：帧数和显存的关系

这里给一个粗略的估算公式，方便你判断自己的卡能不能跑：

显存占用（GB）≈ 基础模型占用 + 帧数 × 分辨率系数

基础模型占用大概是 4G 到 6G，分辨率系数在 512×512 时约为 0.3G/帧，640×640 时约为 0.5G/帧。比如 16 帧 512×512，显存占用大约是 5 + 16×0.3 = 9.8G，加上 VAE 解码的峰值，12G 卡刚好够用。如果换成 640×640，就是 5 + 16×0.5 = 13G，12G 卡就会爆。

这个公式不是精确值，但能帮你快速判断。实际跑的时候，建议先用 8 帧低分辨率测试，确认工作流没问题后再逐步加码。

5. 常见报错与排查技巧实录

5.1 FramePack 报错：从日志里找线索

FramePack 最常见的报错是“RuntimeError: CUDA out of memory”，这个不用多说，就是显存不够，按上面的降级策略处理。另一个常见的是“KeyError: 'framepack_model'”，这通常是模型文件没放对位置，或者节点配置里的模型名称和实际文件名不一致。

还有一种报错是“ImportError: cannot import name 'xxx' from 'diffusers'”，这是依赖版本不匹配。解决办法是先确认 FramePack 节点要求的diffusers版本，然后手动安装指定版本：

pip install diffusers==0.24.0

如果报错信息里出现“cooperative thread array”或者“wrap”这类词，说明是 CUDA kernel 层面的问题，通常是 PyTorch 版本和显卡架构不匹配。这时候需要重新安装对应 CUDA 版本的 PyTorch，或者换一个显卡架构更通用的实例。

5.2 ComfyUI 启动失败：端口和依赖

ComfyUI 启动失败最常见的原因是端口被占用。云端实例有时候会预装一些服务，占用了 8188 端口。解决办法是换一个端口，比如--port 8189。如果换端口后还是打不开，检查安全组规则有没有放行这个端口。

另一个原因是依赖缺失。ComfyUI 的requirements.txt里有些包在云端镜像里可能已经装了旧版本，导致冲突。我一般会先pip install -r requirements.txt --upgrade，如果还不行，就逐个检查报错信息里提到的包，手动升级或降级。

5.3 生成结果异常：画面闪烁或静止

如果生成的视频画面闪烁严重，通常是cfg_scale太高或者steps太低。把cfg_scale降到 7 左右，steps提到 25 以上，画面会稳定很多。如果视频几乎静止不动，说明提示词里的运动描述不够明确，或者 FramePack 的运动强度参数设得太低。可以在采样节点里找motion_scale或类似参数，适当调高。

还有一种情况是视频颜色偏暗或偏亮，这通常是 VAE 的问题。检查 VAE 模型是否和基础模型匹配，有些 FramePack 版本需要特定的 VAE，用错了会导致颜色异常。

5.4 常见问题速查表

6. 云端部署的实操心得与避坑建议

6.1 文件传输：别用网页上传大文件

云端实例和本地之间传文件，很多人第一反应是用网页控制台的上传功能。但模型文件动辄几个 G，网页上传经常断线，而且速度慢。我一般用scp或者rsync命令行传输：

scp -P 端口号 本地模型路径 root@公网IP:/data/models/

如果文件特别大，可以先在本地压缩，传上去再解压。另外，很多云平台提供对象存储服务，可以先把模型传到对象存储，再从实例里下载，速度会快很多。

6.2 实例关机前的检查清单

云端实例按小时计费，不用的时候记得关机。但关机前有几件事要做：第一，确认所有生成结果已经下载到本地，因为有些平台关机后数据盘虽然保留，但系统盘可能会重置。第二，记录当前的环境配置，比如 Python 版本、PyTorch 版本、节点版本，方便下次快速重建。第三，如果数据盘是按量计费的，确认没有残留的大文件占用空间。

我自己的习惯是，每次跑完一批视频，就把工作流 JSON 文件和生成参数一起保存到本地，这样下次换实例时直接导入就能用，不用重新调参。

6.3 成本控制：按需选实例

云端 GPU 实例的价格差异很大，RTX 4090 大概每小时 2 到 4 元，RTX 3090 大概 1 到 2 元，RTX 4080 大概 1.5 到 3 元。如果只是测试工作流，用 3090 就够了。如果要批量生成高质量视频，再换 4090。

另外，很多平台有“竞价实例”或“抢占式实例”，价格便宜一半以上，但可能被随时回收。我一般用竞价实例跑批量任务，但会把工作流设成自动保存中间结果，这样即使实例被回收，也不会丢失太多进度。

6.4 一个容易被忽略的细节：虚拟内存

热词里有人提到“comfyui 虚拟内存”，这个在云端其实也需要注意。虽然云端实例的物理内存通常比较大，但如果同时加载多个模型，或者开了多个 ComfyUI 实例，物理内存也可能不够。这时候系统会使用交换分区，也就是虚拟内存。如果虚拟内存也不够，进程就会被杀掉。

解决办法是创建实例时选内存大一点的配置，比如 32G 以上。如果已经创建了，可以在实例里手动增加交换分区：

sudo fallocate -l 16G /swapfile sudo chmod 600 /swapfile sudo mkswap /swapfile sudo swapon /swapfile

这能给你多一层缓冲，避免因为内存不足导致生成中断。

6.5 关于“手机本地 AI 部署图生视频”的一点看法

热词里有人搜“手机本地 ai 部署图生视频”，我直接说结论：目前手机端跑 FramePack 这类模型不现实。手机 GPU 的算力和显存和桌面级显卡差了好几个数量级，即使能跑，生成一段几秒的视频也要几十分钟，而且发热严重。如果你真的想在移动端体验，比较务实的方案是用手机远程连接云端实例，通过浏览器访问 ComfyUI 界面，这样计算在云端，手机只负责显示和操作。

我在实际使用中发现，云端部署 FramePack 最耗时的环节其实是环境配置和模型下载，真正跑生成的时间反而只占一小部分。所以我的建议是，第一次部署时把环境配置的每一步都记录下来，最好写成一个脚本，下次换实例时直接跑脚本，十分钟就能恢复环境。另外，工作流 JSON 文件一定要保存好，里面包含了所有节点连接和参数，比截图靠谱得多。