激动的心，颤抖的手，双7900 xtx tp2 生成10秒1080p 成功

J I

先感谢两篇帖子提供的 TP2 思路和实测经验：Topic 2665，post 20 分享了双 RX 7900 XTX 跑 H3 TP2 的可行性，Topic 2643 记录了 RDNA3 上 INT8/ConvRot、张量并行和注意力优化的探索。沿着这些经验，我在自己的双卡环境里继续折腾，终于把 W4A8 + Turbo LoRA + 稀疏注意力 的 10 秒 1080p 视频完整采样、GPU VAE 解码、封装并验收通过。

这次的“片子”是黑猫泡泡浴。最终 MP4 为 1920×1080、24 fps、240 帧，正好 10 秒，包含 H.264 视频和 32 kHz 双声道 AAC。不是只看采样进度条：视频 latent、GPU FP32 VAE 解码像素都通过 finite 检查，ffprobe 确认分辨率/帧数/音轨，ffmpeg -v error -xerror 对整段视频完整解码也通过。

这次的机器和设置

两张 AMD Radeon RX 7900 XTX，单卡 24 GB；ComfyUI 0.43 / ROCm 7.2。
H3 DIT：Minimax-h3_Singularity_ref2va_v2_pruned_w4a8.safetensors，本地 W4A8 量化权重。
Turbo LoRA：minimax_h3_turbo_v4_step600_ema_pruned_comfyui.safetensors，strength 1；Euler/simple、8 步、CFG 1，video/audio shift 12/3，seed 145。
稀疏注意力：Sol-Attn BlockSparseAttention，tau 1.3、start 0.2、end 1.0、min_tokens 12288、extra_tokens 256、conditioning sink exact_kv_and_rows。这次前两步走 dense，后六步日志确认进入 sparse producer path；1080p token 数 149,753。
请求输出 1920×1080。为适配 H3 latent 网格，内部画布按 1920×1088 采样/解码，最后裁去上下对齐填充共 8 px，导出 1920×1080。
这是我本机 ComfyUI 上的自写 TP2 runner；不是 Radiance 原生 TP2 支持。conditioning 使用预先算好的缓存，因此采样速度/显存不含一次性文本编码阶段。

INT8 到 W4A8 的过程

先前 INT8 ConvRot TP2 在 1344×768、请求 241 帧时成功生成 241 帧（10.0417 秒），Dynamic Turbo LoRA 开启，H.264 + AAC 成片完整通过检查。采样队列 640.5 秒，两个 rank 的驱动显存峰值为 19.44 / 20.22 GiB。

之后测试 INT8 的 15 秒长片（画布对齐后是 1376×768），保留 Dynamic Turbo LoRA。它在第一个 dense step 的 LoRA 分支 OOM：日志显示当时 GPU 0 只剩 652 MiB，却要申请 1.23 GiB；堆栈落在 apply_dynamic_lora_delta 的 F.linear(lora_x, lB)。这个失败发生在采样阶段，不是 VAE 解码。该次没有成功完成采样，所以没有可当作正式峰值的完整 benchmark。

为了定位，随后关掉 LoRA 用 INT8 跑了同分辨率/时长的诊断样例：采样完成，峰值 22.63 / 22.85 GiB，但音频 source-lock 检查没通过，因此只保留静音视频。接着把 DIT 权重换成 W4A8，重新打开 Turbo LoRA，并使用稀疏注意力：1344×768 / 15 秒的有声成片完整通过，采样峰值降到 16.48 / 16.96 GiB。再把时长改为 10 秒、分辨率升到 1080p，仍完整通过，采样峰值 19.85 / 20.37 GiB。

这组对比显示 W4A8 这套组合在我的机器上显著降低了显存，并保留 LoRA 和 sparse attention。不过不同轮次的分辨率、注意力路径和音频状态不完全相同，不是严格控制单一变量的量化格式 A/B，数字只代表这里记录的具体工作流。

实测对比

显存数值按 rank0 / rank1 列出，单位 GiB。表中的“注意力”写的是实际节点/日志情况；“dense→sparse”表示启用了稀疏节点，但前两步按调度仍是 dense。

DIT / 画布 / 时长	Turbo LoRA	注意力节点/路径	采样耗时	采样峰值显存（rank0 / rank1）	结果
INT8 ConvRot · 1344×768 · 241帧 / 10.04秒	开，Dynamic Turbo	Comfy Kitchen + PyTorch attention；此 workflow 未接 `BlockSparseAttention`	640.5秒	19.44 / 20.22	H.264 + AAC 成片通过
INT8 ConvRot · 1376×768 · 15秒	开，Dynamic Turbo	配置了 `BlockSparseAttention` / Comfy Kitchen dense fallback；OOM 发生在第一个 dense step，未进入 sparse steps	未完成	OOM：GPU0 剩 652 MiB，申请 1.23 GiB；PyTorch 已分配 21.78 GiB	动态 LoRA 的 `F.linear` 申请失败；无完整峰值
INT8 ConvRot · 1376×768 · 15秒（诊断）	关闭	`BlockSparseAttention`；前两步 dense、后续 sparse	886.3秒	22.63 / 22.85	静音视频通过；音频锁定校验失败
W4A8 · 1344×768 · 15秒	开，Turbo v4	Sol-Attn `BlockSparseAttention`；dense→sparse	715.6秒	16.48 / 16.96	H.264 + AAC 成片通过
W4A8 · 1920×1080 · 10秒	开，Turbo v4	Sol-Attn `BlockSparseAttention`；dense→sparse	1108.3秒（约18分28秒）	19.85 / 20.37	240帧 H.264 + AAC 成片通过

注意：INT8 的 15 秒 LoRA 失败行没有“峰值”可报告，因为它没有完成；OOM 时日志给出的剩余显存和申请大小是失败现场，不应误读成精确峰值。另一个 INT8 no-LoRA 15 秒诊断的画布为 1376×768，而 W4A8 为 1344×768，因此两行不是逐像素同条件比较。

1080p 这次的时间与 VAE 显存

阶段	耗时	峰值显存	备注
TP2 采样	1108.27秒（约18分28秒）	19.85 / 20.37 GiB	rank0 / rank1；8步
GPU FP32 视频 VAE 解码	473.73秒（约7分54秒）	13.30 GiB driver peak	采样 worker 退出后单独解码；像素全 finite
GPU FP32 音频 VAE 解码	1.44秒	1.46 GiB	输出有限；mux 时按 10 秒裁切

采样日志按累计时间取差得到每步约：dense 第 1 步 235 秒、第 2 步 241 秒；sparse 第 3–8 步依次约 114、103、102、102、102、102 秒。日志计时有约 1 秒取整误差。VAE 解码与采样是分开的阶段，显存峰值不能相加。

1080p 10 秒还没有同设置、同帧数的 INT8 成功对照，因此我不据此断言 INT8 1080p 一定 OOM，也不把 1080p 10 秒说成硬件极限。当前已经完整验证的是 W4A8 + Turbo LoRA + BlockSparseAttention，1080p / 10 秒。

成片截图

以下截图从最终 1080p MP4 抽取，时间点约为 0.5、3.0、6.0、9.5 秒。

祝大家都能少一点 OOM，多一点成功出片！

J I

太激动了，刚发完才发现忘了补机器配置和 P2P 情况；我又把黑猫这段测试片换成布偶猫从 10 秒加长测到了 12 秒。

这段是 1920×1080、24 fps、288 帧、12 秒，W4A8 DIT + Turbo LoRA 8 步 + 稀疏注意力，双卡 TP2。采样约 25 分钟，两张卡的采样显存峰值为 22.89 / 22.95 GiB；每张卡总显存约 23.98 GiB，所以这次已经非常接近显存边缘。GPU FP32 视频 VAE 解码约 9 分 35 秒。最后的 MP4 是 H.264 视频加 32 kHz 双声道 AAC；ffprobe 检查为 288 帧、12 秒，ffmpeg -v error -xerror 全片解码通过。

本机配置是 Ryzen 9 3900X、ASUS ROG CROSSHAIR VIII HERO (WI-FI)、128 GB RAM、2 张 RX 7900 XTX 24 GB。GPU0 接着显示器，显存峰值是运行时实测值，包含当时桌面环境占用。

P2P 也确认可用：我用本机相同双卡 rank 映射做了 RCCL 两进程 all-reduce 探针，调试输出明确显示数据通道 via P2P/IPC，collective 正常完成。这个路径走本机 PCIe P2P/IPC；12 秒正式采样本身没有开启 P2P 调试日志，所以这里是同配置通信探针的验证结果。

15 秒 1080p 在当前设置下曾于采样阶段 OOM：日志显示只剩约 620 MiB 时还要申请 2.22 GiB。因此目前 12 秒是这套具体设置下成功跑通的高点，约 23 GiB/卡，不能当成普适的硬上限。Ref2VA 如果加入多张参考图，额外显存开销还要看具体参考图和条件；这次没有做多参考图压力测试，安全时长可能会更短。

下面是 12 秒布偶猫成片的六格抽帧；

terry

很好，双卡方案开始崛起，我的脸已经被打肿。

Michael ZHANG

等新卡到了，就可以抄作业，准备折腾双7900XTX。看了老特视频，放下买4080S32G魔改卡想法了。

懒人烘培

这不错呀，双卡确实很舒服了，可以抄作业了

懒人烘培

@J-I

我也刚刚生成了同款（1920×1080、24 fps、288 帧、12 秒，H.264 视频带 AAC 音轨），总耗时29分25秒。

Enigma

@懒人烘培说:

@J-I

我也刚刚生成了同款（1920×1080、24 fps、288 帧、12 秒，H.264 视频带 AAC 音轨），总耗时29分25秒。

又有新活了，真好！感谢分享

J I

@懒人烘培哈哈太棒了 7900xtx 最大短板h3音视已经被补上了双卡+1080就是实实在在的生产力 i

J I

@terry 我是看了老特的油管才买的7900 xtx 引路人属于是了

懒人烘培

@J-I d5平台要略快于d3或者d4平台，觉得不值哈

懒人烘培

@J-I 我也是看老特，所以购买了两张7900XTX

tom23

看视频越玩越溜了，我也心动了

perter

直出1080p太慢了 ,使用selflift 二采要快的多。

Xiaote

版主审定：本帖设为优秀，作者 +3 积分奖励，继续加油！

奖励凭证：优秀 +3 分 · 编号 e2724-3746-1

抡锤者