显卡努力干活，我的耳朵优雅上班：4080S 32G 的 250W H3 甜点功耗实测
-
看了老特的吐槽，我全面支持他。本地 AI 是自己的未来，该学、该折腾的东西得掌握在自己手里。云端我也用，按任务选，两者本来就不冲突。
我这台机器也没什么讲究，放在家里一个角落。随意就是真理，能跑就是硬道理
当然，随意归随意，风扇在家里嗷嗷叫，我耳朵也受不了。我也想看看多耗的电到底换来多少性能。正好看到坛友双 W7900 跑 H3 的帖子，就拿自己的卡照着规格跑了一遍。
先说我的结论：这次 H3 测试里，250W 是我喜欢的甜点档。能省电、风扇转得低一些，性能也没丢多少。这次只测了 250W 和 320W，不能说 250W 是所有任务和所有档位的绝对最优。
机器和参数
- HP Z240 Tower，Xeon E3-1260L v5，64G 内存，飞牛 NAS；测试时两台虚拟机都开着。
- 单张 RTX 4080 SUPER 魔改 32G，分别测试锁 250W 和恢复默认 320W 功耗上限。
- ComfyUI 0.43.0、PyTorch 2.9.1+cu130、NVIDIA 驱动 580.142。
- H3 fused Turbo INT8，权重约 19.54 GiB；Qwen3-VL NVFP4 文本编码器约 14.61 GiB。
- 图生视频，832×480、124 帧、24 fps、8 步，seed 145。采样器
res_multistep，调度simple，视频 / 音频 shift 12 / 3。 - 普通 PyTorch 注意力和 H3 SLA 稀疏注意力都测了。SLA 设置是稀疏率 0.9、block 64、最小序列长度 8192，并保护音频。
两档功耗用的是同一张首帧、同样的提示词、模型和参数，工作流除了输入文件名和输出名之外逐项一致。每组正式规格热机跑两轮，采样节点每次都实际执行，没有拿缓存结果充数。
提示词是：
A woman stands on a rain-soaked city street. She slowly turns her head and moves gently as rain falls and neon reflections shimmer. Smooth natural motion, single continuous shot.首帧我没有公开；换一张图，画面和耗时也可能不同。250W 和 320W，先看出片
注意力 / GPU 功耗上限 每步，两轮 出片，两轮 普通 PyTorch，250W 5.99 / 5.98 秒 59.82 / 59.53 秒 普通 PyTorch，320W 5.51 / 5.50 秒 55.16 / 55.26 秒 SLA 稀疏，250W 3.21 / 3.19 秒 36.48 / 36.00 秒 SLA 稀疏，320W 2.84 / 2.83 秒 32.70 / 32.44 秒 每步按第 2～7 步取平均，出片时间从提交任务算到保存完成。成片实际核对过，是 5.17 秒、124 帧。
同一档功耗下，SLA 确实比普通注意力快：250W 平均 36.24 秒对 59.67 秒，320W 平均 32.57 秒对 55.21 秒。但两个后端的画面并不完全一样，后面会说。
单卡锁 250W，和坛友的双 W7900 放一起
原帖作者用两张 W7900，每张 48GB，只把 DiT 做 TP2；文本编码器和 VAE 没有参加并行。作者报告的数据是：
原帖方案 每步 端到端 单 W7900，SDPA 18.6 秒 201.3 秒 双 W7900，SDPA 8.3 秒 134.1 秒 单 W7900，CK 12.8 秒 原帖未在表中列出 双 W7900，CK 7.7 秒 约 128 秒 只看两套方案的出片数字，我这张 单卡锁 250W 的 4080S：普通注意力平均 59.7 秒 ，原帖双卡 SDPA 是 134.1 秒 ；SLA 平均 36.2 秒 ，原帖双卡 CK 约 128 秒 。两组出片时间的比值分别约 2.25 倍和 3.53 倍。
数字摆在这里，但话得说清楚：原帖没公开首帧、提示词、精确权重和完整工作流。我用的是自己的首帧和 fused Turbo INT8 / NVFP4，原帖是 PDD 蒸馏 INT8 和约 26G 的文本编码器；注意力后端也不同。原帖双卡计时还要等两个实例都出片。这是两套方案的结果对照，不能把时间比当成显卡硬件算力比。
功耗也一样。我这张卡是 锁 250W 上限 ，任务期间 GPU 实际平均功率：普通注意力约 228W，SLA 约 223W。AMD 官方规格里 W7900 是每张 295W 板卡功耗，两张规格相加 590W。即使按规格打 85 折估算，双卡也约 502W （590W × 85% = 501.5W）；不过原帖没给实测功耗，这个只是计算假设，不能冒充人家实际跑片的用电。
能省，也要性能
250W 提到 320W，SLA 的 GPU 实际平均功率约 223W → 281W，多了 26.0% ；按 124 帧除以出片时间计算，等效产出约 3.42 → 3.81 帧/秒，增加 11.3% 。
普通注意力也是类似情况：实际平均功率增加约 19.2%，等效产出增加约 8.1%。多用的功率确实换来了速度，但没有等比例换回来。
图里的橙色虚线是一个假设：如果产出也跟实际功率一样增加 26%，会到约 4.31 帧/秒；实测是 3.81。它只是比较用的参考，不是额外实测，也不是硬件性能承诺。纵轴从 90 开始，只连接两档端点，中间档位没有用这组参数测过。
跑一段视频，显卡用了多少电？
方案 GPU 功耗上限 实测 GPU 平均功率 每段约 5.17 秒显卡耗电 SLA 250 瓦 223 瓦 约 0.00225 度 SLA 320 瓦 281 瓦 约 0.00254 度 普通注意力 250 瓦 228 瓦 约 0.00378 度 普通注意力 320 瓦 272 瓦 约 0.00416 度 怎么算的：GPU 功率约每 0.5 秒采样一次，从提交到保存完成做近似积分。表里只是 GPU 跑这段任务的耗电估算 ，不含 CPU、其他硬件、整机电源损耗、待机和冷启动。边界用最近的采样点估算；两档分别测试，并非随机交替。
250W 的 SLA 每片比 320W 慢约 3.7 秒，但每帧 GPU 能耗低约 11.7%；普通注意力慢约 4.5 秒，每帧能耗低约 9.3%。
要是按短片长度等比例折算成 60 秒视频 ，我这边 SLA 的 GPU 耗电：250 瓦档约 0.0261 度 ，320 瓦档约 0.0295 度 。
坛友没有公布 W7900 的实际功耗。如果假设双卡在原帖约 128 秒出片期间全程耗电约 502 瓦，同样按短片长度折算，GPU 约 0.2071 度 。这个数是基于假设的粗算，不是实测，不能拿来当硬件同条件能效对比。
这些都是用 124 帧（约 5.17 秒）短片线性折算， 不是已经实测生成了一段 60 秒视频 。也没算分段衔接、帧重叠、失败重跑、冷启动或整机其他部分的电耗。没有整机插座功率记录，所以目前不能算出 PC 的实际总耗电。
风扇噪音体感
速度测完，我又用普通注意力补跑了四轮：先 250W 两轮，再 320W 两轮。下面是 GPU 利用率不低于 50% 时，显卡驱动报告的风扇通道 0：
功耗上限 两轮峰值转速 高负载末尾约 10 秒平均转速 GPU 温度峰值 250W 2,586 / 2,293 rpm 2,576 / 2,268 rpm 65 / 63°C 320W 3,813 / 3,577 rpm 3,781 / 3,533 rpm 66 / 66°C 按我这台机器的听感：2,500 转以下就是普通台式机；2,800 转开始比较吵，3,500 转很吵，3,800 转以上就是狂吵。250W 有一轮峰值 2,586 转，略过了 2,500；320W 两轮到了 3,813 和 3,577 转。
这是我个人的听感，不是通用噪音标准。我没有测环境分贝；测试顺序也不是随机的，温度和前一轮状态会影响风扇转速。驱动另一个风扇通道返回 0，不能靠这个判断实体风扇数量或状态。
显存和画面
我这里约每 0.5 秒采一次 GPU 整卡显存。四组正式测试的采样期峰值都是 30,531 MiB，约 29.8 GiB；全流程峰值最高 31,043 MiB，约 30.3 GiB。这个是整卡占用，不是单独的模型大小。两台虚拟机都开着，正式测试期间系统可用内存最低约 12.4 GiB。
原帖作者报告单 W7900 采样期为 23.5 GiB；双卡 TP2 后分别为 12.9 / 13.2 GiB。双卡省的是每张卡的占用；两边模型、编码器量化和采集接口不同，不拿来排显存效率名次。
同一注意力模式下，250W 和 320W 的成片解码后 124 帧逐帧校验一致；我只核对了画面，音频没有逐样本对比。MP4 文件哈希不同，也不能直接拿文件哈希判断画面不同。
换注意力后画面就不完全一样了。同一首帧和 seed，320W 普通注意力与 SLA 的成片，用 FFmpeg 计算 124 帧的平均 PSNR 约 15.27 dB。这个值说明像素有差异，不能单靠它判断哪段更好看。原帖的 25.5 dB 比较的是单卡和 TP2，不是同一个比较，不能横着排名。
冷启动和一点限制
上面完整规格的成绩都是热机。250W 首次启动时先跑了 416×256、22 帧、2 步的小样，约 422 秒；320W 那次小样约 426 秒。这里包含首次加载和小样执行，不是完整 124 帧视频的冷启动时间。
两边素材、模型和工作流不完全一样，我无法严格复现原帖；本机每档每种后端只有两轮，没测环境分贝，也没做随机交替。原帖的双卡数字是作者自报，不能凭两套方案的时间差，断言单张 4080S 的硬件算力强过两张 W7900。
就我自己家里这台来说， 能省又要性能 ：250W 跑 H3 还是挺快，风扇没必要为了快几秒一直往高处转。机器放家里一个角落，随意折腾，能跑就行。
本地 AI 我会继续玩，云端也照样用。先把东西跑起来，碰到问题再一点点调，慢慢把这些本事攒在自己手里。
本文由 Hermes Agent 辅助测试和整理；4080S 数据来自本机实测，W7900 数据来自坛友原帖。
关键词：MiniMax H3、RTX 4080S、ComfyUI、视频生成、本地模型。
-
看了老特的吐槽，我全面支持他。本地 AI 是自己的未来，该学、该折腾的东西得掌握在自己手里。云端我也用，按任务选，两者本来就不冲突。
我这台机器也没什么讲究，放在家里一个角落。随意就是真理，能跑就是硬道理
当然，随意归随意，风扇在家里嗷嗷叫，我耳朵也受不了。我也想看看多耗的电到底换来多少性能。正好看到坛友双 W7900 跑 H3 的帖子，就拿自己的卡照着规格跑了一遍。
先说我的结论：这次 H3 测试里，250W 是我喜欢的甜点档。能省电、风扇转得低一些，性能也没丢多少。这次只测了 250W 和 320W，不能说 250W 是所有任务和所有档位的绝对最优。
机器和参数
- HP Z240 Tower，Xeon E3-1260L v5，64G 内存，飞牛 NAS；测试时两台虚拟机都开着。
- 单张 RTX 4080 SUPER 魔改 32G，分别测试锁 250W 和恢复默认 320W 功耗上限。
- ComfyUI 0.43.0、PyTorch 2.9.1+cu130、NVIDIA 驱动 580.142。
- H3 fused Turbo INT8，权重约 19.54 GiB；Qwen3-VL NVFP4 文本编码器约 14.61 GiB。
- 图生视频，832×480、124 帧、24 fps、8 步，seed 145。采样器
res_multistep，调度simple，视频 / 音频 shift 12 / 3。 - 普通 PyTorch 注意力和 H3 SLA 稀疏注意力都测了。SLA 设置是稀疏率 0.9、block 64、最小序列长度 8192，并保护音频。
两档功耗用的是同一张首帧、同样的提示词、模型和参数，工作流除了输入文件名和输出名之外逐项一致。每组正式规格热机跑两轮，采样节点每次都实际执行，没有拿缓存结果充数。
提示词是：
A woman stands on a rain-soaked city street. She slowly turns her head and moves gently as rain falls and neon reflections shimmer. Smooth natural motion, single continuous shot.首帧我没有公开；换一张图，画面和耗时也可能不同。250W 和 320W，先看出片
注意力 / GPU 功耗上限 每步，两轮 出片，两轮 普通 PyTorch，250W 5.99 / 5.98 秒 59.82 / 59.53 秒 普通 PyTorch，320W 5.51 / 5.50 秒 55.16 / 55.26 秒 SLA 稀疏，250W 3.21 / 3.19 秒 36.48 / 36.00 秒 SLA 稀疏，320W 2.84 / 2.83 秒 32.70 / 32.44 秒 每步按第 2～7 步取平均，出片时间从提交任务算到保存完成。成片实际核对过，是 5.17 秒、124 帧。
同一档功耗下，SLA 确实比普通注意力快：250W 平均 36.24 秒对 59.67 秒，320W 平均 32.57 秒对 55.21 秒。但两个后端的画面并不完全一样，后面会说。
单卡锁 250W，和坛友的双 W7900 放一起
原帖作者用两张 W7900，每张 48GB，只把 DiT 做 TP2；文本编码器和 VAE 没有参加并行。作者报告的数据是：
原帖方案 每步 端到端 单 W7900，SDPA 18.6 秒 201.3 秒 双 W7900，SDPA 8.3 秒 134.1 秒 单 W7900，CK 12.8 秒 原帖未在表中列出 双 W7900，CK 7.7 秒 约 128 秒 只看两套方案的出片数字，我这张 单卡锁 250W 的 4080S：普通注意力平均 59.7 秒 ，原帖双卡 SDPA 是 134.1 秒 ；SLA 平均 36.2 秒 ，原帖双卡 CK 约 128 秒 。两组出片时间的比值分别约 2.25 倍和 3.53 倍。
数字摆在这里，但话得说清楚：原帖没公开首帧、提示词、精确权重和完整工作流。我用的是自己的首帧和 fused Turbo INT8 / NVFP4，原帖是 PDD 蒸馏 INT8 和约 26G 的文本编码器；注意力后端也不同。原帖双卡计时还要等两个实例都出片。这是两套方案的结果对照，不能把时间比当成显卡硬件算力比。
功耗也一样。我这张卡是 锁 250W 上限 ，任务期间 GPU 实际平均功率：普通注意力约 228W，SLA 约 223W。AMD 官方规格里 W7900 是每张 295W 板卡功耗，两张规格相加 590W。即使按规格打 85 折估算，双卡也约 502W （590W × 85% = 501.5W）；不过原帖没给实测功耗，这个只是计算假设，不能冒充人家实际跑片的用电。
能省，也要性能
250W 提到 320W，SLA 的 GPU 实际平均功率约 223W → 281W，多了 26.0% ；按 124 帧除以出片时间计算，等效产出约 3.42 → 3.81 帧/秒，增加 11.3% 。
普通注意力也是类似情况：实际平均功率增加约 19.2%，等效产出增加约 8.1%。多用的功率确实换来了速度，但没有等比例换回来。
图里的橙色虚线是一个假设：如果产出也跟实际功率一样增加 26%，会到约 4.31 帧/秒；实测是 3.81。它只是比较用的参考，不是额外实测，也不是硬件性能承诺。纵轴从 90 开始，只连接两档端点，中间档位没有用这组参数测过。
跑一段视频，显卡用了多少电？
方案 GPU 功耗上限 实测 GPU 平均功率 每段约 5.17 秒显卡耗电 SLA 250 瓦 223 瓦 约 0.00225 度 SLA 320 瓦 281 瓦 约 0.00254 度 普通注意力 250 瓦 228 瓦 约 0.00378 度 普通注意力 320 瓦 272 瓦 约 0.00416 度 怎么算的：GPU 功率约每 0.5 秒采样一次，从提交到保存完成做近似积分。表里只是 GPU 跑这段任务的耗电估算 ，不含 CPU、其他硬件、整机电源损耗、待机和冷启动。边界用最近的采样点估算；两档分别测试，并非随机交替。
250W 的 SLA 每片比 320W 慢约 3.7 秒，但每帧 GPU 能耗低约 11.7%；普通注意力慢约 4.5 秒，每帧能耗低约 9.3%。
要是按短片长度等比例折算成 60 秒视频 ，我这边 SLA 的 GPU 耗电：250 瓦档约 0.0261 度 ，320 瓦档约 0.0295 度 。
坛友没有公布 W7900 的实际功耗。如果假设双卡在原帖约 128 秒出片期间全程耗电约 502 瓦，同样按短片长度折算，GPU 约 0.2071 度 。这个数是基于假设的粗算，不是实测，不能拿来当硬件同条件能效对比。
这些都是用 124 帧（约 5.17 秒）短片线性折算， 不是已经实测生成了一段 60 秒视频 。也没算分段衔接、帧重叠、失败重跑、冷启动或整机其他部分的电耗。没有整机插座功率记录，所以目前不能算出 PC 的实际总耗电。
风扇噪音体感
速度测完，我又用普通注意力补跑了四轮：先 250W 两轮，再 320W 两轮。下面是 GPU 利用率不低于 50% 时，显卡驱动报告的风扇通道 0：
功耗上限 两轮峰值转速 高负载末尾约 10 秒平均转速 GPU 温度峰值 250W 2,586 / 2,293 rpm 2,576 / 2,268 rpm 65 / 63°C 320W 3,813 / 3,577 rpm 3,781 / 3,533 rpm 66 / 66°C 按我这台机器的听感：2,500 转以下就是普通台式机；2,800 转开始比较吵，3,500 转很吵，3,800 转以上就是狂吵。250W 有一轮峰值 2,586 转，略过了 2,500；320W 两轮到了 3,813 和 3,577 转。
这是我个人的听感，不是通用噪音标准。我没有测环境分贝；测试顺序也不是随机的，温度和前一轮状态会影响风扇转速。驱动另一个风扇通道返回 0，不能靠这个判断实体风扇数量或状态。
显存和画面
我这里约每 0.5 秒采一次 GPU 整卡显存。四组正式测试的采样期峰值都是 30,531 MiB，约 29.8 GiB；全流程峰值最高 31,043 MiB，约 30.3 GiB。这个是整卡占用，不是单独的模型大小。两台虚拟机都开着，正式测试期间系统可用内存最低约 12.4 GiB。
原帖作者报告单 W7900 采样期为 23.5 GiB；双卡 TP2 后分别为 12.9 / 13.2 GiB。双卡省的是每张卡的占用；两边模型、编码器量化和采集接口不同，不拿来排显存效率名次。
同一注意力模式下，250W 和 320W 的成片解码后 124 帧逐帧校验一致；我只核对了画面，音频没有逐样本对比。MP4 文件哈希不同，也不能直接拿文件哈希判断画面不同。
换注意力后画面就不完全一样了。同一首帧和 seed，320W 普通注意力与 SLA 的成片，用 FFmpeg 计算 124 帧的平均 PSNR 约 15.27 dB。这个值说明像素有差异，不能单靠它判断哪段更好看。原帖的 25.5 dB 比较的是单卡和 TP2，不是同一个比较，不能横着排名。
冷启动和一点限制
上面完整规格的成绩都是热机。250W 首次启动时先跑了 416×256、22 帧、2 步的小样，约 422 秒；320W 那次小样约 426 秒。这里包含首次加载和小样执行，不是完整 124 帧视频的冷启动时间。
两边素材、模型和工作流不完全一样，我无法严格复现原帖；本机每档每种后端只有两轮，没测环境分贝，也没做随机交替。原帖的双卡数字是作者自报，不能凭两套方案的时间差，断言单张 4080S 的硬件算力强过两张 W7900。
就我自己家里这台来说， 能省又要性能 ：250W 跑 H3 还是挺快，风扇没必要为了快几秒一直往高处转。机器放家里一个角落，随意折腾，能跑就行。
本地 AI 我会继续玩，云端也照样用。先把东西跑起来，碰到问题再一点点调，慢慢把这些本事攒在自己手里。
本文由 Hermes Agent 辅助测试和整理；4080S 数据来自本机实测，W7900 数据来自坛友原帖。
关键词：MiniMax H3、RTX 4080S、ComfyUI、视频生成、本地模型。
@Takano-RR 涡轮卡么？
-
-
-
-
@Bunsei 用你这套规格跑了一轮，4080S 32G 的数字：
规格：1376×768（约 1.03MP）、226 帧、9.4 秒、4 步 SLA
- 冷启动（含模型加载）：521 秒
- 热机：119 秒
- 显存峰值：30.8G（32G 基本顶满）
拆开看：模型加载 215 秒，4 步采样 108 秒，其余是文本编码和 VAE 解码。
说明：我这边跑的是同规格的纯生成（简化提示词），没接你那套 5 参考图 + 动作视频 + 音频的完整 Ref2VA 流程。所以你那个 9.17 秒的成片要完整复现的话，还要加上参考编码时间，估计热机 2 分半到 3 分钟一条。
附一条同规格生成的样片，只用来参考速度，提示词是简化的，画面不代表你那套素材的效果。
-
@Bunsei 更正一下上面那条：那个"热机 2 分半到 3 分钟"是我估的，实测根本跑不通。
按你这套 Ref2VA 跑（ref2va_pruned_w4a8 + 32B 视觉编码器），4080S 32G 的实际结果：
- 1376×768 × 226 帧：OOM
- 944×544 × 226 帧：OOM
- 768×432 × 226 帧：OOM
- 512×288 × 226 帧（9.4 秒）：能跑，冷启动 316 秒
- 512×288 × 362 帧（15 秒）：OOM
显存报错原文是 "Need: 23.9GB free, Have: 3.5GB free"。
试过换 8B 编码器省显存，也不行：ref2va 要求 32B 的 5120 维，8B 只有 4096 维，直接维度不匹配。
所以结论是：4080S 32G 跑 Ref2VA，一次最多大约 0.15MP / 9.4 秒。你那个 1MP 9.17 秒的成片，这张卡复现不了。
上面那条纯生成的 1MP 数据（冷 521 秒 / 热 119 秒）是另一回事：不接参考图能跑 1MP，一加参考编码就装不下了。
-
@Bunsei 更正一下上面那条：那个"热机 2 分半到 3 分钟"是我估的，实测根本跑不通。
按你这套 Ref2VA 跑（ref2va_pruned_w4a8 + 32B 视觉编码器），4080S 32G 的实际结果：
- 1376×768 × 226 帧：OOM
- 944×544 × 226 帧：OOM
- 768×432 × 226 帧：OOM
- 512×288 × 226 帧（9.4 秒）：能跑，冷启动 316 秒
- 512×288 × 362 帧（15 秒）：OOM
显存报错原文是 "Need: 23.9GB free, Have: 3.5GB free"。
试过换 8B 编码器省显存，也不行：ref2va 要求 32B 的 5120 维，8B 只有 4096 维，直接维度不匹配。
所以结论是：4080S 32G 跑 Ref2VA，一次最多大约 0.15MP / 9.4 秒。你那个 1MP 9.17 秒的成片，这张卡复现不了。
上面那条纯生成的 1MP 数据（冷 521 秒 / 热 119 秒）是另一回事：不接参考图能跑 1MP，一加参考编码就装不下了。
-
-
@Takano-RR 如果允许内存的话应该能生成出来，但是时间就久了。这是在Windows下跑的吗？
-
咱们可以试试这个大概 1MP 生成的速度吗？ 很想知道4080的生成速度大概是多快。
咱们可以试试这个大概 1MP 生成的速度吗？ 很想知道4080的生成速度大概是多快。
抄 2582 的第二组：同一套"宇宙公交站"素材，双 7900XTX（自建 TP2）和单张 4080S 各跑一遍全程
0x00 缘起
楼主第二组用的"宇宙公交站"素材包（5 张角色图 + 一段动作参考视频 + 原声），我们拿过来按同口径重跑了全程：832×480（0.399MP）、124 帧、20 步 Euler、seed 145、不用加速 LoRA、参考条件与初始噪声共享。手上正好有两台机器，一台 AMD 双卡、一台 N 卡单卡，分段计时都记下来了。
先说结论：单张 4080S 比我们的双 7900XTX 快 2.04 倍（10 分 36 秒 vs 5 分 12 秒）。
0x01 两台机器的配置
机器 A（AMD 双卡，自建 TP2）：
项目 配置 主板 / CPU ASRock X570 ACE / Ryzen 5 3500X（6C6T，无 SMT） 内存 94 GB GPU 2 × RX 7900 XTX 24G，拆 x8/x8（实测各 14.2 GB/s，不因第二张卡掉速） P2P 开（BIOS 开 IOMMU + 内核 iommu=pt）系统 / 内核 Ubuntu 24.04.5 / 7.0.0-38-generic ROCm / torch ROCm 7.2.3 / torch 2.12.1+rocm7.2（hip 7.2.53211） ComfyUI 0.39.0 跑法 自建 TP2 脚本：每卡装半宽模型，100 个行并行层自己做 int8（ _int_mm），列并行保留 ck 算子，--use-ck-attention机器 B（N 卡单卡，标准路径）：
项目 配置 CPU Ryzen 7 9700X（8C16T） 内存 92 GB GPU RTX 4080 SUPER 32G 驱动 / 内核 595.99.02 / 7.0.0-38-generic CUDA / torch CUDA 13.0 / torch 2.13.0+cu130 ComfyUI 0.39.0 跑法 上游 h3_comfy_benchmark.py，标准单卡路径，不加任何补丁两边用的是同一个 checkpoint 文件：
minimax_h3_ref2va_pruned_fp8_scaled.safetensors，20,958,205,608 字节，日期都一样。0x02 成绩
段 双 7900XTX（TP2） 单张 4080S 楼主（双 R9700，Radiance 原生） 预处理（VAE 编码 + Qwen3-VL-32B 条件） 141 s 38 s ~5 分钟 采样 20 步 438.3 s（20.4 → 22.8 s/步） 255.8 s（12.40 s/步） — VAE 解码 + 合成 33 s 12.0 s — 合计 636 s = 10 分 36 秒 312 s = 5 分 12 秒 15 分 35 秒 预处理这一段两台差了近 4 倍（141s vs 38s），跟楼主账上"预处理走单卡 PyTorch 路径"那个观察是同一件事，只是 N 卡那边明显更不吃这一项。
0x03 逐步曲线（这个差别挺有意思）
机器 A（双 XTX）20 步，单位秒：
23.05, 20.39, 20.58, 20.69, 20.84, 20.89, 21.12, 21.38, 21.56, 21.73, 21.86, 22.03, 22.11, 22.18, 22.29, 22.37, 22.49, 22.56, 22.64, 22.81首步之后单调上升，到第 20 步涨了 12%，不是随机抖动，是热/功耗漂移。
机器 B（4080S）20 步全在 12.399 ~ 12.408 之间，基本一条直线。
0x04 一个必须说清的事：同 seed 不跨后端复现
两台出来的不是同一个画面——两段成片对拍 PSNR 只有 15.6 dB。seed 一样、素材一样、checkpoint 一样，但采样路径的数值实现不同（我们 TP2 是自建 int8 行并行，N 卡是标准 fp8 路径），20 步下来就分叉了。
所以上面那张表只能比时间，不能比画质；两台各自的效果请各自看成片。
0x05 为什么单卡 4080S 反而快（推断，没逐项隔离）
按可能的贡献排序：
- FP8：checkpoint 是
fp8_scaled。Ada 有 FP8 Tensor Core，gfx1100 没有 FP8 硬件，只能反量化成 fp16/bf16 再算。 - TP 通信：我们每个 block 一次 all_reduce（100 个行并行层），走 PCIe x8/x8（各 14.2 GB/s）。单卡完全没有这笔开销。
- 主机差一档：3500X 6C6T 对 9700X 8C16T。
- 热漂移：XTX 这对 +12%，4080S 全程死平。
要坐实的话，下一步是在 8.147 上把 TP2 的 all_reduce 单独计时，再用同一份 int8 版 ref2va 跑一遍，把"FP8"和"通信"两项拆开。现在这版结论请当测量结果 + 未验证的解释看。
0x06 顺手踩到的两个坑，抄的人可以直接避开
第一个：VAE 解码 OOM，根因不是显存不够，是没带
--use-ck-attention。 24G 卡上解 832×480×148 帧会炸，PyTorch 只报了 4.87GB 但卡上只剩 30MB——VAE 解码器里的注意力块用朴素实现，256×256 的 tile 就是 6.5 万 token 的注意力矩阵，20GB 是它吃掉的。带上 ck-attention 之后解码 19.4 秒。我们试过小 tile（256→128）、时间块切小、按时间/空间切两半、MIOpen FIND_MODE、expandable_segments、强制/不强制全载入——全部无效，别浪费时间。第二个：跑过被 OOM 杀掉的 GPU 进程之后，amdgpu 会扣住主机内存不还。 我们这边连续几个解码进程被杀之后，空载 37GB 不在任何进程、不在缓存、不在 slab、不在 GTT 里，模型加载直接开始疯狂换页（302 秒还没起来）。
modprobe -r amdgpu的瞬间 MemFree 从 62.2GB 跳到 97.4GB，重新起就是 42 秒。双卡跑完 GPU 任务，起模型之前先看一眼MemAvailable，不够就把驱动卸了重载（前提是别让桌面会话占着卡，否则卸不掉）。 - FP8：checkpoint 是
版主审定：本帖设为优秀，作者 +3 积分奖励，继续加油！