【34.5 min → 3.3 min】用对注意力机制的2×7900XTX在H3流程中可以提速多少?—— 答案1050%↑
-
抄了一下作业,让deepseek测的的结果
实测结果
统一条件:minimax_h3_fl2va_pruned_int8_convrot(20 G)+ qwen3vl_32b_int4(14 G)+ lightx2v turbo v4 LoRA 0.75、362 帧(15 s @24fps)、4 步、res_multistep、DV + int8 注意力全开。分辨率 s/it 采样 端到端(含冷启动)
832×480 50.58 3:22 4 分 40 秒(280.2 s)
1344×768 245.67 16:23 18 分 36 秒(1115.7 s)
两条产物都是 362 帧、15.08 秒、带 AAC 音轨,解码保存都正常 -
交作业|单张 7900 XTX 跑 MiniMax-H3,1536×864、15 秒、4 步有声出片
本机用一张 RX 7900 XTX 24 GB 跑 MiniMax-H3,1536×864、362 帧(15.08 秒)、4 步已完整有声出片。提交到出片用时 28 分 01 秒,峰值显存 23.82 GiB,四步采样和 VAE 解码均通过。

配置
- 主模型:
minimax_h3_fl2va_pruned-w4a8_convrot_pruned - LoRA:
minimax_h3_turbo_v4_step600_ema_pruned_comfyui,强度 1.0 - 采样器:
res_multistep,调度器:simple,24 fps - 环境:ComfyUI 0.40.0、PyTorch
2.11.0+rocm7.2、Comfy Kitchen 0.2.37 - 启动参数:
--enable-dynamic-vram --use-ck-attention --mmap-torch-files --disable-smart-memory - 导出:视频与音频分开导出,再合成 H.264 + AAC MP4
配置参考@xiongjie-gao 贴文。
4 步有声出片对比
分辨率 帧数 / 时长 采样用时 端到端用时 峰值显存 1280×736 362 / 15.08 秒 13 分 52 秒 15 分 54 秒 23.86 GiB 1536×864 362 / 15.08 秒 25 分 14 秒 28 分 01 秒 23.82 GiB 兼顾分辨率和耗时,推荐 1280×736、约 15 秒、4 步。 需要更高分辨率时,1536×864 同规格已经跑通,像素数多约 41%,本轮出片多等 12 分 07 秒。两档各有一次成功实测,连续多轮的稳定性还有待验证。

单卡显存边界
本机可用显存 23.98 GiB。成功档最高测到 23.86 GiB,余量约 120 MiB。下表的 1 步用于测试采样、解码和导出能否通过。OOM 档的显存峰值只包含已成功分配的显存。
测试方向 成功档 首步 OOM 档 固定 362 帧 / 15.08 秒,提高分辨率 1536×864,4 步,峰值 23.82 GiB 1728×960,1 步,申请 2.33 GiB 时剩 2.21 GiB;1920×1088 也触发 OOM 固定 1280×736,增加时长 549 帧 / 22.88 秒,1 步,10 分 12 秒有声出片,峰值 23.55 GiB 617 帧 / 25.71 秒,1 步,申请 1.70 GiB 时剩 576 MiB 下图取自 22.88 秒压力测试的第 18 秒。这个时长已验证 1 步有声出片,4 步仍待实测。

结论
单张 RX 7900 XTX 24 GB 已实测跑通 1536×864、362 帧(15.08 秒)、4 步的 MiniMax-H3 有声视频。整条用时 28 分 01 秒,峰值显存 23.82 GiB。同样是 15 秒,升到 1728×960 就在首步遇到显存不足。
日常兼顾分辨率和耗时,我推荐 1280×736、15 秒、4 步,本机实测 15 分 54 秒。有更高分辨率需求时,可以用已经跑通的 1536×864,同样 4 步多等约 12 分钟。这两个档位各完成了一次有声出片,连续跑多条的稳定性还待验证。
- 主模型:
-
你的和我之前测的感觉速度差不多一样吧?有不对可以更正我。
https://lcz.me/topic/1168 -
补一个涡轮卡测试:
我是蓝宝石的涡轮卡(不是常见的零售三风扇版)。照着自己的机器做了三组对照,把能抄的和抄不了的都写一下。
一、先说我这张卡:蓝宝石涡轮版
- 品牌型号:蓝宝石 7900 XTX 涡轮版
- 功耗上限默认 257 W(可调范围 231~350 W)
- 一般零售 7900 XTX 是 339~355 W、boost 约 2500 MHz(说明一下:楼主和下面复测的朋友用的具体型号帖子里没写,这里只是按零售版推测,没有核实)
- 实测:257 W 时约 2200 MHz;提到 350 W 后在 2200~2480 MHz 之间来回跳
所以楼主的 TP2 那部分(1 MP 时 2.30×)单卡抄不了;能抄的是环境自查和注意力那一段。
二、DynamicVRAM 在我这儿开不了
按帖子参数试的:
--enable-dynamic-vram --use-ck-attention --mmap-torch-files。aimdo 本身能起来(
comfy-aimdo 0.6.0,识别到 24560 MB),但第一个 VAE 编码触发的部分卸载就崩:aimdo: model-vbar.c:269 ERROR: Could not reserve Virtual Address space for VBAR MemoryError: VBAR allocation failed10 秒结束,一步都没跑。系统限制我都排除了:
vm.overcommit_memory=0、vm.max_map_count=1048576、服务LimitAS/DATA=infinity,都正常。差别在版本:我用的是 ROCm 7.2.0(发行版包),楼主环境是 7.2.26015(更新的构建)。结论就是 VBAR 这套虚拟地址预留机制在我这个构建上用不了,要开 DV 得升级 ROCm 且 torch 同源,风险太大,暂时不开。三、试着提功耗:只有 6%,撞的是温度墙
同一配置:832×480 / 362 帧 / 4 步 / res_multistep,int8 20.9 GB + nvfp4 编码器 + kitchen attention,无分块。
功耗上限 s/it 采样 端到端 峰值显存 257 W(默认) 65.14 4:20 390.4 s 23.96 GiB 350 W 61.06 4:04 380.5 s 23.93 GiB 只快了 6.3%。350 W 那轮的温度:edge 79 °C、junction(热点)104 °C、显存 84 °C,而 junction 限值是 110 °C。
关键在功耗数字:平均只有 243 W,离 350 W 上限还差 30%。所以不是撞功耗墙,是撞温度墙——热点到 104 °C 后 SMU 自己压频,功耗自然上不去。结论:不固化 350 W,已还原 257 W。为 6% 常年 95~104 °C 不值得。
四、单卡校准:确实慢,但不是降级路径
和帖子里 @6cccccc 的单卡复测对照:
- 832×480 / 362 帧 / 4 步:我 65.14 s/it,他 50.58,慢 29%
- 1 MP / 362 帧 / 4 步:我 310 s/步,他 245.67,慢 26%
两档差距一致,说明我不是踩到了降级路径(真降级是 259 s/it 那种量级),而是硬件/配置整体差一截;顺带也验证了 kitchen attention 在我这儿是通的。差距里有一部分大概率的来源是卡:涡轮版的功耗和频率上限都比零售版低,但对方到底是哪张卡我并不确定,只能说是推测。
当前极限:0.4 MP / 362 帧 = 65 s/it;1 MP / 362 帧 = 310 s/步。
后面还没试的方向:undervolt(同频降温,也许能让 350 W 站得住)、ROCm 升级后开 DV、以及算法层的 3 步 LoRA / 时间维切段 / 降分辨率。暂时到这儿,有新招再来更新。
10 秒结束,一步都没跑。系统限制我都排除了:vm.overcommit_memory=0、vm.max_map_count=1048576、服务 LimitAS/DATA=infinity,都正常。差别在版本:我用的是 ROCm 7.2.0(发行版包),楼主环境是 7.2.26015(更新的构建)。结论就是 VBAR 这套虚拟地址预留机制在我这个构建上用不了,要开 DV 得升级 ROCm 且 torch 同源,风险太大,暂时不开。
这套底层栈我在布置中花了不少时间,感觉挺值的。
但兄弟你这优先要解决的还是你的结温过高的问题
问问坛子里兄弟们有没有你一样的问题吧。如果涡轮卡都这个体质就只能认命。如果只是你,就走个人送保吧 -
测试过程相当详细,如果楼主方便的时候把生成出来的视频也粘贴一下,看看实际效果。
怎么说呢,数值是有绝对提升的,但是视频这个东西,最后是要看动画效果的,能动的不一定能用。
比如一条龙环绕人体,或者空中高速移动的时候,加速到这种程度还能正常观赏,那就是比较实用的。 -
@terry 画质我对比过,同样模型和设置下,A 卡和 N 卡出片效果看起来一样。
我之前测的是自己短片里的几个片段。双 7900 XTX TP2 测了 768p 8 秒,没测 768p 15 秒;不过也测了 1080p 8 秒。1080p 分辨率更高,8 秒的计算和显存压力跟 768p 15 秒已经比较接近,甚至可能更大。
在我自己的工作流和 Vast.ai 租卡测试里,N 卡跟双 7900 TP2 的实际差距没有 2867 帖子里 5080 看起来那么大,大约最多两倍不到(而且我的双卡7900xtx限制了频率在2300,功耗最多也就跑220w)。我猜可能跟我的流程一直用了 Sol-Attn 稀疏注意力有关
所以纯做 H3 视频,我目前更倾向 N 卡,比较省心。差距可能跟算子、驱动和 ComfyUI 生态都有关系,希望后面有社区大佬用ai帮忙优化一下 AMD

不过双 7900 也有自己的玩法:一张跑 Strata,另一张可以打游戏(这卡单卡游戏光栅性跟5080一样,价格只有一半?)、出图或者低分辨率跑 H3。我最后买了张 5070 Ti 专门跑 H3,双 7900 留给 Strata rdna3 tp。
相关参赛贴: https://lcz.me/topic/3047
-
双 3090 + --use-ck-attention:单变量 A/B,端到端 1.95×
平台:2× RTX 3090 24 GB(Ampere sm_86),NVLink 4(实测 P2P 49 GB/s),Ryzen 9 5950X,60 GB DDR4,Ubuntu 26.04 / CUDA 13.1 / torch 2.14.1+cu130
工作流:MiniMax-H3 int8,576×1024,362 帧(15 s @ 24fps),8 步 + 8 步 turbo LoRA,res_multistep / simple,BasicGuider(无 CFG)
A/B(同机同工作流,唯一变量是这个 flag):
启动参数 日志里的后端 端到端
main.py --port 8189 --listen 0.0.0.0 Using pytorch attention 891 s
... --use-ck-attention Using Comfy Kitchen attention 457 s
1.95×
补充观察:① 先做注意力微基准,比"能不能出片"可靠
python
4096 token,SDPA×20 取均值
正常: 2.7 ms/次 ← 健康
异常: 数百 ms ← 静默降级
这条来自你 F2 的思路,我照做了,确认没走兜底路径之后才去测端到端。② 你的 F1 在 CUDA 上有等价陷阱:我用 torch 2.14.1+cu130 对系统 CUDA 13.1,同源。minor 版本错配同样会让内核失效且不报错。
③ --disable-pinned-memory 是我这边的必要设置:两个实例各驻留 23 GB 模型,60 GB RAM 放不下锁页缓冲区。代价是模型加载慢 1.5-3 倍,但只在加载阶段,采样不受影响。
④ 我现在是"双实例并行"而不是 TP2:两条片同时出,各自占一张卡。NVLink 插着但单实例 ComfyUI 用不到 —— 我试过 Comfy-H3-MultiStream(装得上、零依赖、六个节点正常),它的价值在"能原生跑 720×1280 而不是生成后放大",不在"更快",所以我暂时撤了。
⑤ 感谢那 12 条失败档案 —— F8(同 seed 命中节点缓存造出假的 7.1 s)和 F2 直接帮我省了时间。
-
@Leon-Y N卡应该有更好的解法。比如原生的aimdo
-
aimdo
aimdo帮不了提速,只能跑大一点的模型
-


杰杰拿下库克和Lisa-Su
我对世界充满了轻蔑,我懂显卡,我也懂那些创造显卡的人.......
这些人支配了AI,但我支配了他们!
收下这些显卡,因为在我心中,它们一文不值!
--雄杰-高 -
-
单卡 R9700 32G 跑 MiniMax-H3优化效果:每步从 353 秒到 114 秒
近期一直在搞R9700的Comfyui,搞得有点崩溃,我之前1344×768像素下,测出来的效果一直是每步 353 秒左右,做视频很痛苦。跟着大佬的帖子,让Agent梳理了下,目前提升到114秒
环境
项 对齐前 对齐后 GPU AMD Radeon AI PRO R9700 32 GB(gfx1201) 同左(未变) 系统 ROCm 7.2.53211 7.2.53211(未变) venv 里的 torch 2.10.0+rocm7.0 2.11.0+rocm7.2 torch.version.hip7.0.51831 7.2.26015 torchvision 0.25.0+rocm7.0 0.26.0+rocm7.2 torchaudio 2.10.0+rocm7.0 2.11.0+rocm7.2 ComfyUI 0.41.0 0.41.0(未变) comfy_kitchen 0.2.38 0.2.38(未变) 权重 主模型 ref2va_pruned-w4a812 GB + 编码器qwen3vl_32b-int413.5 GB + VAE 5 GB ≈ 31 GB同左(未变) 出图规格 1344×768(1.03 MP)/ 294 帧 @ 24 fps = 12.25 秒 / 参考图 6 张(ref2v) 同左(未变) 启动参数 无额外开关 --use-ck-attention --disable-smart-memory对齐前 torch 与系统 ROCm 分属 7.0 与 7.2(同大版本、次版本不同);对齐后两端均为 7.2。
之前的问题:
- comfy_kitchen 0.2.38 其实早就装好了。
int8_attention_is_available()在 R9700 上返回 True,HIP 后端也注册成功(backend hip: {'available': True, 'disabled': False})。 - 但 ComfyUI 一直没带
--use-ck-attention启动,所以跑的一直是兜底路径。日志原话:[INFO] Using pytorch attention。 - 每步 353 秒就是这个兜底路径下的数字。作为参照,社区在 832×480 / 362 帧 / 8 步上测到 sub_quad 259 秒/步、CK 50.1 秒/步(外部数据,仅作量级参考)——353 秒与 sub_quad 那一档处于同一量级,而不是 CK 档。
加上开关后日志变成:
[INFO] Found comfy_kitchen backend hip: {'available': True, 'disabled': False, ...} [INFO] Using Comfy Kitchen attention [INFO] comfy-kitchen version: 0.2.38数据表
# 环境 torch / 系统 ROCm 启动参数 注意力后端(日志原文) 步数 每步 采样 端到端 1 之前 2.10.0+rocm7.0(HIP 7.0.51831)/ 7.2.53211 无额外开关 Using pytorch attention8 ≈353 秒 未跑完 — 2 现在 同上,未变 --use-ck-attention --disable-smart-memoryUsing Comfy Kitchen attention4 114.35 秒 7 分 37 秒 13 分 56 秒 3 现在 同上,未变 同上 同上 8 114.33 秒 15 分 14 秒 21 分 16 秒 4 对齐后 2.11.0+rocm7.2(HIP 7.2.26015)/ 7.2.53211 同上 同上 4 114.37 秒 7 分 37 秒 未留存 5 对齐后 同上 去掉 --use-ck-attention,仅--disable-smart-memoryUsing pytorch attention4 352.31 秒 23 分 29 秒 29 分 45 秒 五行同为 1344×768、294 帧、同一套 int4 权重,差别只在启动开关与 torch 版本。第 2、4 行用 4 步 LoRA,第 3 行用 8 步 LoRA;每步 114.35 / 114.33 / 114.37,说明单步成本与步数、LoRA 档位都无关,也与 torch 版本无关。
第 5 行是本轮补的关键对照:同一套 int4 权重、同一环境,只把
--use-ck-attention去掉,每步从 114.37 秒回到 352.31 秒(3.08×)。这说明 3 倍差距完全由这一个开关造成,与其他变量无关。三条同口径结论:
- 单步成本与步数、LoRA 档位无关:114.35 / 114.33 / 114.37。
- 单步成本与 torch 小版本无关:114.35(rocm7.0)对 114.37(rocm7.2)。
- 单步成本与权重精度档无关:353(fp8 组)对 352.31(int4 组),同一 SDPA 路径。
横向对照:同分辨率、同后端,单卡 vs 双卡
社区帖(RX 7900 XTX ×2,RDNA3,ROCm 7.2)与本机同分辨率实测并列。社区数据为其帖子表格原文,仅作量级对照;其序列为 362 帧,比本机 294 帧多 23%。
机器 显卡 卡数 分辨率 / 帧 注意力后端 每步 本机 R9700 32G(RDNA4) 1 1344×768 / 294 CK 114.37 秒 社区 7900 XTX 24G(RDNA3) 2(TP2) 1344×768 / 362 CK 112.3 秒 社区 7900 XTX 24G(RDNA3) 1 1344×768 / 362 CK 257.9 秒 本机 R9700 32G 1 1344×768 / 294 通用 SDPA 352.4 秒 社区 7900 XTX 24G 1 1344×768 / 362 sub_quad 兜底 OOM 两点可直接引用:
- 一张 R9700 ≈ 两张 7900 XTX 的 TP2(114.37 对 112.3)。对方是两张卡张量并行,本机是一张卡。
- 同分辨率单卡对比:114.37 对 257.9,快 2.25×。 扣掉帧数差(294 对 362,少 19%)折算后仍快约 1.8×。
低分辨率参照(社区,832×480 / 362 帧):sub_quad 兜底 259 秒、CK 单卡 53.7 秒、CK TP2 31.9 秒。该档像素仅 0.4 MP,约为本机 1.03 MP 的四成,不能与本机数字直接相比。
对齐 torch 与系统 ROCm 之后:大版本内的对齐,收益基本没有
先界定这次对齐的性质:venv 里
torch.version.hip从7.0.51831变成7.2.26015,系统是7.2.53211,两端始终在 ROCm 7.x 这同一个大版本内,只差次版本。属于「大版本内对齐」——ROCm 同大版本保持 ABI 兼容,内核本来就能正常加载,可修的东西几乎没有。对齐类型 典型例子 预期收益 实测 大版本内(本次) torch 7.0.51831 → 7.2.26015,系统 ROCm 7.2 接近 0,只消除隐患 114.35 → 114.37,+0.02% 跨大版本 torch +rocm10.1.0 链系统 ROCm 7.2(社区) 高,属修复静默降级 4.8×(259 → 53.7) - comfy_kitchen 0.2.38 其实早就装好了。
-
单卡 R9700 32G 跑 MiniMax-H3优化效果:每步从 353 秒到 114 秒 近期一直在搞R9700的Comfyui,搞得有点崩溃,我之前1344×768像素下,测出来的效果一直是每步 353 秒左右,做视频很痛苦。跟着大佬的帖子,让Agent梳理了下,目前提升到114秒 环境 项 对齐前 对齐后 GPU AMD Radeon AI PRO R9700 32 GB(gfx1201…
啊,原来你之前也是没有做过ck attention这块的优化,那就属于直接捞了个最大的优化权重。ദ്ദി˶•̀֊•́)✧
-
单卡 R9700 32G 跑 MiniMax-H3优化效果:每步从 353 秒到 114 秒 近期一直在搞R9700的Comfyui,搞得有点崩溃,我之前1344×768像素下,测出来的效果一直是每步 353 秒左右,做视频很痛苦。跟着大佬的帖子,让Agent梳理了下,目前提升到114秒 环境 项 对齐前 对齐后 GPU AMD Radeon AI PRO R9700 32 GB(gfx1201…
啊,原来你之前也是没有做过ck attention这块的优化,那就属于直接捞了个最大的优化权重。ദ്ദി˶•̀֊•́)✧
-
啊,原来你之前也是没有做过ck attention这块的优化,那就属于直接捞了个最大的优化权重。ദ്ദി˶•̀֊•́)
是的,感谢大佬!
之前一直没发现这个问题,当时就是感觉能跑 但一步要跑几分钟,所以头大。净捞干的,还是个大的,哈哈哈哈恭喜恭喜
-
-
-
净捞干的,还是个大的,哈哈哈哈恭喜恭喜
-
@xiongjie-gao 我弟你怎么和我的爱好如此重叠。这片子我可老爱看了,特别是徐爷的人生轨迹,为国拼杀,结果牢底坐穿。他给文三买了一辆车,尽显重情重义。文三去下馆子,后来石头片子蘸醋下酒,也是名场面。这个片段是白爷捞自助的段子吧。
哈哈哈哈哈哈哈哈对
白爷在捞瞪眼食儿ദ്ദി˶•̀֊•́)✧ -
@xiongjie-gao 我弟你怎么和我的爱好如此重叠。这片子我可老爱看了,特别是徐爷的人生轨迹,为国拼杀,结果牢底坐穿。他给文三买了一辆车,尽显重情重义。文三去下馆子,后来石头片子蘸醋下酒,也是名场面。这个片段是白爷捞自助的段子吧。
哈哈哈哈哈哈哈哈对
白爷在捞瞪眼食儿ദ്ദി˶•̀֊•́)✧



