nvidia/cmd 是 NVIDIA 基于Context-Matched Distillation（CMD，上下文匹配蒸馏）开源的因果图像生成视频（image-to-video）模型，底层基于 Cosmos-Predict2.5 2B。仓库提供了chunk1与chunk4两组共 8 个长视频生成检查点，覆盖短时、长时和相机控制三类场景。本文带你快速搞懂两者区别，并附一份长时长生成的避坑清单。

nvidia/cmd 长视频生成原理：为什么要分 chunk？

传统的视频扩散模型一次性生成整个视频，帧数一多，显存爆炸、时长受限。nvidia/cmd 换了个思路：

• 块自回归（Block-Autoregressive）：把视频拆成若干时间块（chunk），逐块顺序生成，前面生成的帧作为条件，"引导"后面的内容
• 因果时间注意力（Causal Temporal Attention）：只关注"过去"，保证时序上前后一致
• 局部注意力窗口l：限制每个块回看的帧范围，用更少的显存换来更长的可生成时长

简单说：chunk 决定"每次生成几帧"，t决定"总共能生成多长"，l决定"回看多远的上下文"。

chunk1 与 chunk4 的 8 个检查点全表

所有检查点均为 Safetensors 格式，命名规则为chunkN_场景_t{时长}_l{局部注意力}.safetensors：

配置名中t表示帧时长（duration），l表示局部注意力窗口大小。

chunk1 vs chunk4 怎么选？一张表看懂 🎯

选择建议：

• 👉 只做几秒短片、追求画面精细度 →chunk1_short
• 👉 要生成几十秒以上长视频 → 优先chunk4_long（误差累积更少）
• 👉 需要电影感运镜（推拉摇移） → 选对应camera_control版本
• 👉 GPU 显存紧张 → chunk4 系列（局部注意力窗口更小）

快速上手：安装与下载步骤

# 1. 克隆参考实现 git clone https://gitcode.com/hf_mirrors/nvidia/cmd cd cmd # 2. 创建环境并安装依赖 conda create -n causal-cosmos python=3.10 -y conda activate causal-cosmos python -m pip install -r requirements.txt python -m pip install flash-attn --no-build-isolation python setup.py develop # 3. 下载检查点（全量） hf download nvidia/cmd --local-dir checkpoints # 只下载单个模型也可以 hf download nvidia/cmd \ chunk1_short_t24_l21.safetensors \ --local-dir checkpoints

⚠️ 注意：flash-attn需要 CUDA 环境，推荐 NVIDIA GPU + Linux。检查点必须搭配参考实现中对应的模型架构与配置使用，不能直接塞进其他推理框架。

长时长生成避坑指南 🛡️

结合 README.md 中的 Limitations 说明，以下是长视频生成最容易踩的 6 个坑：

1. 误差累积：越生成越"飘"

自回归生成中，前面的小误差会沿时间轴累积。长视频后段容易出现画面漂移、物体形变。缓解思路：

• 长片优先选chunk4_long（累积步数少）
• 首帧图像质量要高（首帧是所有后续帧的条件）
• 提示词描述具体场景，避免抽象概念

2. 检查点与配置不匹配

chunk1和chunk4的局部注意力配置不同（l21vsl16），切勿混用配置。每个.safetensors必须搭配 config.json 体系下对应的生成配置，否则加载会直接报错。

3. 忽略校验和

每个检查点都附带.sha256文件，下载后务必校验，避免网络截断导致权重损坏（表现为生成画面花屏、全黑）：

• chunk1_long_t126_l21.safetensors.sha256
• chunk4_long_t121_l16.safetensors.sha256

4. 相机控制轨迹偏离

camera_control系列接受相机轨迹输入，但输出可能偏离预期轨迹，轨迹越复杂、时长越长，偏差越明显。建议先用短轨迹调通，再拉长参数。

5. 细节类内容容易翻车

小字、文字、人脸、手部、快速运动都是生成伪影高发区。如果是产品展示、口播类内容，建议缩短单段时长 + 后期拼接，而不是一次生成超长视频。

6. 误用商用场景

nvidia/cmd 采用NVIDIA OneWay Noncommercial License授权，仅限非商业研究与教育用途，商用前请务必确认授权范围。

常见问题 FAQ

Q：短时长模型能生成长视频吗？不能。t参数决定了该检查点训练时的时长上限，超出范围生成质量不可控。长视频请用*_long_*系列。

Q：显存不够跑 chunk1 怎么办？换 chunk4 系列，其局部注意力窗口（l16）更小，显存压力更低。

Q：支持文生视频（text-to-video）吗？当前发布的是图像生成视频（image-to-video）管线：输入 = 首帧图像 + 文本提示词（相机控制版再加相机轨迹），输出为 RGB 视频，时长由所选t配置决定。

小结

• chunk1= 细粒度、强局部一致性，适合精修短片
• chunk4= 高效率、长时更稳，适合批量长片
• 生成前认准t/l配置、校验.sha256、首帧给好图，能避开 90% 的坑

祝长视频生成顺利 🚀