LongCat Video 中文指南：在线体验、本地部署与 ComfyUI

先验证结果，再决定要不要维护本地环境

在线路径适合先出一个结果；官方仓库适合复现；ComfyUI 适合可视化编排，三条路不要混着装

你现在就能在浏览器里生成 LongCat Video，不必先装 CUDA、下载权重或打开 ComfyUI；文生视频和图生视频都在在线生成器。本地部署和 ComfyUI 安装步骤在后面，先确认一条结果，再决定要不要维护本机环境。

LongCat-Video 是美团开源的 136 亿参数视频基础模型，官方支持文生视频、图生视频和视频续写。它在 2025 年 10 月发布，仓库采用 MIT 许可证。官方资料强调 720p、30fps、长视频与 coarse-to-fine 推理，但这不等于“任何消费级显卡都能无限、无漂移、零成本地生成”。原页面里没有依据的 10GB/8GB 最低显存、虚构商业产品价格、固定推理时长和“无限生成”承诺已经删除。

先用一张表选路线

你的目标	建议路线	主要成本与边界
先判断图片和提示词能否出片	在线生成器	无需本地 GPU；按页面显示的积分与模型可用性执行
复现官方模型	LongCat-Video 官方仓库	CUDA、模型权重、存储、运行时间与升级维护
做节点化工作流	ComfyUI-WanVideoWrapper	社区项目持续变化，要锁 commit 并回归测试
批量生产	先跑小样，再固定版本	需要重试边界、输出验收、容量与失败日志

官方模型到底支持什么

文生视频：从文字描述生成视频。
图生视频：用一张图片约束主体与画面。
视频续写：在已有片段后继续生成，而不是简单复制最后一帧。
LongCat Avatar 1.5：独立的音频驱动人物视频链路，不能把它和基础 LongCat-Video checkpoint 混用。

官方说“可生成分钟级长视频”，是模型能力描述，不是每条素材的质量保证。人物身份、背景、颜色和动作可能随着续写次数累积偏差，必须逐段验收。

官方本地部署链路

git clone --single-branch --branch main https://github.com/meituan-longcat/LongCat-Video
cd LongCat-Video

conda create -n longcat-video python=3.10
conda activate longcat-video

# PyTorch/CUDA 要按自己的机器匹配；官方示例使用 CUDA 12.4 组合
pip install ninja psutil packaging
pip install flash_attn==2.7.4.post1
pip install -r requirements.txt

然后从官方 README 链接下载 LongCat-Video 权重，并使用仓库里的 run_demo_text_to_video.py、run_demo_image_to_video.py 或 run_demo_video_continuation.py。不要使用不存在的 scripts/download_models.py 或笼统的 inference.py 命令来假装安装成功。

FlashAttention-2 在官方配置中默认启用。安装失败时应立刻检查 CUDA、PyTorch、编译器和 GPU 支持情况；不要吞掉异常后继续跑一个配置不明的任务。

ComfyUI 路线怎么做才可回滚

cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-WanVideoWrapper.git
cd ComfyUI-WanVideoWrapper
pip install -r requirements.txt
git rev-parse HEAD

把最后一行输出的 commit 和 workflow JSON 一起保存。这个 wrapper 的维护者明确说明项目长期处于 work in progress，节点、LoRA 加载与显存行为都可能变化。正确做法是：新版本装在另一个目录或 worktree，用同一张图、同一提示词、同一 seed 回归，通过后再替换旧版本。

第一次任务怎么测

只用一个主体、一段动作、一个固定镜头。
先用短帧数和较小尺寸确认全链路能跑通。
记录模型文件、commit、seed、尺寸、帧数、步数与 attention backend。
同时记录峰值显存、系统内存和墙钟时间。
只改一个变量再重跑，避免不知道哪项真正有效。

提示词先写“画面里有什么”，再写“它怎么动”。例如：

暖色工作室内，一台白色陶瓷机器人站在木桌上，背景保持静止。机器人缓慢转头看向镜头，镜头固定，动作自然克制。

这比同时要求转场、变装、快速运镜和多人动作更容易判断模型是否听懂。

显存不足如何有边界地降级

官方没有给出一个适用于所有分支、精度和尺寸的“8GB 必跑”承诺。FP8、GGUF、CPU offload 和 block swap 都属于具体实现的资源交换：可能省显存，但会增加系统内存、时间或兼容风险。

按这个顺序降级：

先减帧数；
再按相同比例降低宽高；
再启用 wrapper 文档支持的 offload/block swap；
再考虑来源可追踪的低精度 checkpoint；
每一步都用同一输入重新量峰值和质量。

如果机器大量使用交换分区，即使没有 CUDA OOM，也可能慢到不适合生产。判断标准不是“最后生成了文件”，而是“结果合格、耗时可接受、失败能复现”。

长视频续写验收

每生成一段，都检查片尾几帧是否稳定，再继续下一段。重点看：

人脸、服装和主体形状有没有变；
色温、曝光和背景有没有跳；
手脚、物体数量与空间关系是否合理；
拼接处运动方向和速度是否连续；
输出帧率、编码和音视频播放是否正常。

一旦连续两段都出现同类漂移，先缩短片段或简化动作，不要无限重试同一个错误配置。

常见故障对照

现象	先查什么	第一恢复动作
ComfyUI 红节点	ComfyUI 与 wrapper 版本	重启并回到已记录的 commit
模型 shape 不匹配	checkpoint 是否对应当前 loader	回官方或可信发布页核对文件
CUDA OOM	帧数、宽高、模型常驻	每次只减一项，再量峰值
首次运行长时间不动	编译、下载、磁盘与系统内存	看日志并设置超时，不要重复排队
续写突然换人或换景	上一段片尾与续写设置	缩短片段，降低动作复杂度

上线前最后一关

完整播放一次，并逐帧检查关键位置。保留输入、seed、工作流、模型来源与版本。涉及真人、声音、音乐或品牌素材时，分别确认肖像同意、声音权利、版权与披露要求；“开源模型”不自动赋予你所有输入和输出的商业权利。

官方与可追踪来源

如果你还不知道本地方案值不值得维护，先跑一个在线小样，再用“合格结果的积分成本”对比“本地合格结果的机器时间与维护成本”。这比只比较免费和付费更接近真实生产决策。