跳转至内容
  • 版块
  • 最新
  • 标签
  • 热门
  • 用户
  • 群组
皮肤
  • 浅色
  • Brite
  • Cerulean
  • Cosmo
  • Flatly
  • Journal
  • Litera
  • Lumen
  • Lux
  • Materia
  • Minty
  • Morph
  • Pulse
  • Sandstone
  • Simplex
  • Sketchy
  • Spacelab
  • United
  • Yeti
  • Zephyr
  • 深色
  • Cyborg
  • Darkly
  • Quartz
  • Slate
  • Solar
  • Superhero
  • Vapor

  • 默认(LCZ-Blue)
  • 不使用皮肤
  • LCZ-Green
  • LCZ-Blue
  • LCZ-Black
折叠
品牌标识

抡锤者

首页 版块 标签
硬件
装备秀
AI 广场 App
  1. 主页
  2. 版块
  3. AI音视频画图
  4. 【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%↑

【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%↑

已定时 已固定 已锁定 已移动 精华 热议 AI音视频画图
7900xtx视频生成多卡部署
59 帖子 15 发布者 2.9k 浏览 3 关注中
  • 从旧到新
  • 从新到旧
  • 最多赞同
回复
  • 在新帖中回复
登录后回复
此主题已被删除。只有拥有主题管理权限的用户可以查看。
  • xiongjie gaoX xiongjie gao

    @ericyancw
    image.jpeg

    净捞干的,还是个大的,哈哈哈哈恭喜恭喜

    terryT
    terryT
    terry
    易有太极
    编写于 最后由 编辑
    #45

    @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。

    油管:https://www.youtube.com/@抡锤者

    1 条回复 最后回复
    0
    • xiongjie gaoX
      xiongjie gaoX
      xiongjie gao
      王侯将相
      编写于 最后由 编辑
      #46

      @terry 说:

      @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˶•̀֊•́)✧

      https://github.com/shawn86574-prog/x99-7900xtx-p2p
      https://github.com/shawn86574-prog/kuzuryusen

      terryT 1 条回复 最后回复
      0
      • xiongjie gaoX xiongjie gao

        @terry 说:

        @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˶•̀֊•́)✧

        terryT
        terryT
        terry
        易有太极
        编写于 最后由 编辑
        #47

        @xiongjie-gao 真男人既要能在特殊时刻,效仿徐爷。也要能找到闲暇时刻,和白爷一样逍遥洒脱。当然了,和文爷一样,是大多数人的日常,也要甘之如饴。

        油管:https://www.youtube.com/@抡锤者

        xiongjie gaoX 1 条回复 最后回复
        0
        • terryT terry

          @xiongjie-gao 真男人既要能在特殊时刻,效仿徐爷。也要能找到闲暇时刻,和白爷一样逍遥洒脱。当然了,和文爷一样,是大多数人的日常,也要甘之如饴。

          xiongjie gaoX
          xiongjie gaoX
          xiongjie gao
          王侯将相
          编写于 最后由 编辑
          #48

          @terry 学文爷,把挨嘴把子当学费。
          疼,但不致命。平平安安活到八十。

          https://github.com/shawn86574-prog/x99-7900xtx-p2p
          https://github.com/shawn86574-prog/kuzuryusen

          E 1 条回复 最后回复
          1
          • E
            E
            Enigma
            硕果累累 贵族大夫
            编写于 最后由 编辑
            #49

            @xiongjie-gao 几天没来,又出了如此精品作业啊,苏妈的offer正飞奔过来...我再考虑要不要再屯一张7900

            1 条回复 最后回复
            1
            • xiongjie gaoX xiongjie gao

              @terry 学文爷,把挨嘴把子当学费。
              疼,但不致命。平平安安活到八十。

              E
              E
              Enigma
              硕果累累 贵族大夫
              编写于 最后由 编辑
              #50

              @xiongjie-gao 说:

              @terry 学文爷,把挨嘴把子当学费。
              疼,但不致命。平平安安活到八十。

              抄作业交卷:2×7900XTX 上把你的 3035 复现了一遍。单卡 6% 内对上,双卡要改你两行代码,另外顺手发现 sol 比 int8 还能再快一倍多。

              先认个错,我这台的数和你的不是一组:DiT 是 Minimax-h3_Singularity_ref2va_v2_Pruned_w4a8(12.55 GB,你的是 fl2va w4a8 11.7 GB)、TE 是 qwen3vl_32b_minimax_h3_nvfp4_awq(15.69 GB,你的 w4a8 是 26 GB)、LoRA 是 minimax_h3_dmd_ref2va_8step_turbo_pruned(你那个 turbo_v4_step600 在我们机器上是坏链接)、CPU 是 5950X 不是 E5-2696v4、两卡到 CPU 还是 x8。所以下面只比同档位的比值和你给的验收线。

              一、单卡:你的三档,我们都在 6% 内

              档 你的 我们
              832×480·124f·8 步 单卡 11.235 s/it 10.564(端到端 109.2 s)
              832×480·362f·8 步 单卡 53.7,显存 19.96 GB 50.78,20.01 GB
              1344×768·362f·2 步 单卡 257.9,显存 23.82 GB 251.90,23.84 GB

              (用的是你 kuzuryusen 仓库里那个 bench.py + run_tp.sh,只换了权重名和端口。)

              二、你 1050% 里最大的那层(F1),我们这台没有

              我们 venv 里是 torch 2.15.0+rocm7.14,/opt 里躺着 7.2.3 / 7.13.0 / 10.1 —— 按 F1 的说法这叫"看着就该坏"。但 S1 探针是健康的:

              路径 4096 8192 16384
              pytorch(SDPA) 13.2 85.3 1164.4
              kitchen int8 6.4 24.7 93.3
              kitchen sol 2.3 7.4 25.3
              basic(默认) 19.8 77.3 OOM(要 28.00 GiB)

              所以 F1 的正确用法是"用 S1 去证",不是看版本号猜 —— 这点你帖里已经写了,我只是补一个反例:版本不同源不等于内核坏。

              顺带一个建议:你那条 200 ms 的线,建议挪到 16384。 我们这台 SDPA 在 8192 只有 85 ms(过线),到 16384 是 1164 ms(×13.7,长度翻倍平方该 ×4)—— 8192 上是"假健康"。真实序列(1344×768·294f ≈ 30 万 token)比 16384 还远。

              三、双卡:p2p 只值 1%,真原因是 split_state_dict 取裸 key

              原样跑,三档全是负的:

              档 原样双卡 相对单卡 你的
              832×480·124f·8 11.95 s/it 0.88× 7.618(1.47×)
              832×480·362f·8 54.20 0.94× 31.9(1.68×)
              1344×768·362f·2 257.78 0.98× 112.3(2.30×)

              先按你的路子走了一遍 p2p:装 p2p_force、按你这台的真实 sysfs 拓扑生成 NCCL_TOPO_FILE(2e:00.0 → 2f:00.0/32:00.0)、重启后 isAllDirectP2p 1、通道 via P2P/IPC、你自己的 bootcheck 也 [OK] KFD 链路 2。只快 1%(11.99→11.95、54.20→53.59)。传输不是瓶颈。

              真原因在 comfyui-tp2/__init__.py 的 split_state_dict() 开头:

              qkv = sd.get("blocks.0.attn.qkv_proj.weight")     # 取不到 → return sd,静默、不切
              hd  = sd.get("blocks.0.attn.q_norm.weight")
              if qkv is None or hd is None:
                  return sd
              

              我们这个 w4a8 检查点 1333 个 key 里 1332 个带 model.diffusion_model. 前缀,裸 key 0 个 → 每次都静默 return。于是两卡各算整个模型,每步 450 次 all_reduce / 15.1 GB;10.564 + 1.4 ≈ 11.95,一分不差。

              把取 key 改成允许 "" / model.diffusion_model. / diffusion_model. 三种前缀(就那两行),立刻听到:

              [tp2] rank0 state_dict split: heads 56->28, keys 1332
              
              档 切了之后 相对单卡 每卡显存
              832×480·124f·8 6.539 s/it,端到端 79.2 s 1.61× 23.74 GB
              1344×768·362f·2 131.66 s/it,端到端 370.4 s 1.91× 17.60 GB(−6.2)

              LoRA 那 208 个 shape 错也一起没了(模型切了,切过的 LoRA 就对上了)。

              但有个必须说清的:切了不等于单卡那一张。整帧 mean|Δ| 16.5/255(结构 14.7);参照是换 seed 重采 34.1、没切 54.8、同配置两次 0.00。全局统计一致(mean RGB 107/103/95 vs 110/103/94,std 66.8 vs 67.2)——不是坏图,但不是你验收表里的 max_abs_diff = 0。

              原因大概在格式:我们是打包 I8(qkv [21504,2688]、fc1 [28672,2688],头部没有 _quantization_metadata),你依赖的是 comfy_quant + codebook。打包 I8 按 K 对半切合不合法,得你判 —— 我只能给"快是真的"。

              四、彩蛋:sol_attn 比 int8 快,而且 1MP 单卡就够

              你 S1 表里 kitchen 只有 int8。但 attention.py 里还有 comfy_kitchen_sol(config 写 "attention": "comfy_kitchen_sol";节点下拉里没有,得自己 set_model_optimized_attention)。16k 上它是 int8 的 3.7×。

              搬进流水线(tau=1.0、seed 145、每档冷启动、其余开关不动、权重与上表相同):

              档 kitchen int8 sol s/it
              832×480·124f·8 单卡 10.53 / 108.2 s 8.09 / 87.2 s 1.30×
              832×480·124f·8 TP2 6.55 / 77.6 s 5.32 / 68.4 s 1.23×
              832×480·362f·8 单卡 50.78 / 455.6 s 28.96 / 280.5 s 1.75×
              1344×768·362f·2 单卡 250.58 / 596.8 s 105.00 / 312.5 s 2.39×
              1344×768·362f·2 TP2 132.40 / 367.6 s 60.47 / 226.3 s 2.19×

              三句话:

              1. 序列越长赢越多(1.2× → 2.4×),和你 S1 里 16k 那格的形态一致。
              2. 1MP 不用 TP2 了:单卡 sol 105.0 s/it,比 int8 双卡 132.4 还快,也接近你双卡的 112.3。代价是显存:0.4MP·362f 从 20.01 涨到 23.83(+3.8 GB),1MP 单卡仍装得下(23.83,没 OOM)。
              3. 输出约等于换一次 seed(30.5/255),是另一张同题图,不是坏图。

              五、想请你判两件事

              1. 打包 I8 按 K 对半切(qkv [21504,2688] → 每卡 [10752,2688])合不合法?如果不合法,我们那 1.91× 就只能当"能跑但别用"。
              2. sol 在你那套权重/环境上能不能也复现 2.4×?能的话,你 S4 的 112.3 大概还能再对半一次。

              代码我可以直接开 PR:split_state_dict 的后缀匹配 + 一个 18 行的 MiniMaxSOLAttention 节点(set_model_optimized_attention(partial(attention_comfy_kitchen_sol, tau=1.0))),要不要?

              xiongjie gaoX 6 3 条回复 最后回复
              2
              • E Enigma

                @xiongjie-gao 说:

                @terry 学文爷,把挨嘴把子当学费。
                疼,但不致命。平平安安活到八十。

                抄作业交卷:2×7900XTX 上把你的 3035 复现了一遍。单卡 6% 内对上,双卡要改你两行代码,另外顺手发现 sol 比 int8 还能再快一倍多。

                先认个错,我这台的数和你的不是一组:DiT 是 Minimax-h3_Singularity_ref2va_v2_Pruned_w4a8(12.55 GB,你的是 fl2va w4a8 11.7 GB)、TE 是 qwen3vl_32b_minimax_h3_nvfp4_awq(15.69 GB,你的 w4a8 是 26 GB)、LoRA 是 minimax_h3_dmd_ref2va_8step_turbo_pruned(你那个 turbo_v4_step600 在我们机器上是坏链接)、CPU 是 5950X 不是 E5-2696v4、两卡到 CPU 还是 x8。所以下面只比同档位的比值和你给的验收线。

                一、单卡:你的三档,我们都在 6% 内

                档 你的 我们
                832×480·124f·8 步 单卡 11.235 s/it 10.564(端到端 109.2 s)
                832×480·362f·8 步 单卡 53.7,显存 19.96 GB 50.78,20.01 GB
                1344×768·362f·2 步 单卡 257.9,显存 23.82 GB 251.90,23.84 GB

                (用的是你 kuzuryusen 仓库里那个 bench.py + run_tp.sh,只换了权重名和端口。)

                二、你 1050% 里最大的那层(F1),我们这台没有

                我们 venv 里是 torch 2.15.0+rocm7.14,/opt 里躺着 7.2.3 / 7.13.0 / 10.1 —— 按 F1 的说法这叫"看着就该坏"。但 S1 探针是健康的:

                路径 4096 8192 16384
                pytorch(SDPA) 13.2 85.3 1164.4
                kitchen int8 6.4 24.7 93.3
                kitchen sol 2.3 7.4 25.3
                basic(默认) 19.8 77.3 OOM(要 28.00 GiB)

                所以 F1 的正确用法是"用 S1 去证",不是看版本号猜 —— 这点你帖里已经写了,我只是补一个反例:版本不同源不等于内核坏。

                顺带一个建议:你那条 200 ms 的线,建议挪到 16384。 我们这台 SDPA 在 8192 只有 85 ms(过线),到 16384 是 1164 ms(×13.7,长度翻倍平方该 ×4)—— 8192 上是"假健康"。真实序列(1344×768·294f ≈ 30 万 token)比 16384 还远。

                三、双卡:p2p 只值 1%,真原因是 split_state_dict 取裸 key

                原样跑,三档全是负的:

                档 原样双卡 相对单卡 你的
                832×480·124f·8 11.95 s/it 0.88× 7.618(1.47×)
                832×480·362f·8 54.20 0.94× 31.9(1.68×)
                1344×768·362f·2 257.78 0.98× 112.3(2.30×)

                先按你的路子走了一遍 p2p:装 p2p_force、按你这台的真实 sysfs 拓扑生成 NCCL_TOPO_FILE(2e:00.0 → 2f:00.0/32:00.0)、重启后 isAllDirectP2p 1、通道 via P2P/IPC、你自己的 bootcheck 也 [OK] KFD 链路 2。只快 1%(11.99→11.95、54.20→53.59)。传输不是瓶颈。

                真原因在 comfyui-tp2/__init__.py 的 split_state_dict() 开头:

                qkv = sd.get("blocks.0.attn.qkv_proj.weight")     # 取不到 → return sd,静默、不切
                hd  = sd.get("blocks.0.attn.q_norm.weight")
                if qkv is None or hd is None:
                    return sd
                

                我们这个 w4a8 检查点 1333 个 key 里 1332 个带 model.diffusion_model. 前缀,裸 key 0 个 → 每次都静默 return。于是两卡各算整个模型,每步 450 次 all_reduce / 15.1 GB;10.564 + 1.4 ≈ 11.95,一分不差。

                把取 key 改成允许 "" / model.diffusion_model. / diffusion_model. 三种前缀(就那两行),立刻听到:

                [tp2] rank0 state_dict split: heads 56->28, keys 1332
                
                档 切了之后 相对单卡 每卡显存
                832×480·124f·8 6.539 s/it,端到端 79.2 s 1.61× 23.74 GB
                1344×768·362f·2 131.66 s/it,端到端 370.4 s 1.91× 17.60 GB(−6.2)

                LoRA 那 208 个 shape 错也一起没了(模型切了,切过的 LoRA 就对上了)。

                但有个必须说清的:切了不等于单卡那一张。整帧 mean|Δ| 16.5/255(结构 14.7);参照是换 seed 重采 34.1、没切 54.8、同配置两次 0.00。全局统计一致(mean RGB 107/103/95 vs 110/103/94,std 66.8 vs 67.2)——不是坏图,但不是你验收表里的 max_abs_diff = 0。

                原因大概在格式:我们是打包 I8(qkv [21504,2688]、fc1 [28672,2688],头部没有 _quantization_metadata),你依赖的是 comfy_quant + codebook。打包 I8 按 K 对半切合不合法,得你判 —— 我只能给"快是真的"。

                四、彩蛋:sol_attn 比 int8 快,而且 1MP 单卡就够

                你 S1 表里 kitchen 只有 int8。但 attention.py 里还有 comfy_kitchen_sol(config 写 "attention": "comfy_kitchen_sol";节点下拉里没有,得自己 set_model_optimized_attention)。16k 上它是 int8 的 3.7×。

                搬进流水线(tau=1.0、seed 145、每档冷启动、其余开关不动、权重与上表相同):

                档 kitchen int8 sol s/it
                832×480·124f·8 单卡 10.53 / 108.2 s 8.09 / 87.2 s 1.30×
                832×480·124f·8 TP2 6.55 / 77.6 s 5.32 / 68.4 s 1.23×
                832×480·362f·8 单卡 50.78 / 455.6 s 28.96 / 280.5 s 1.75×
                1344×768·362f·2 单卡 250.58 / 596.8 s 105.00 / 312.5 s 2.39×
                1344×768·362f·2 TP2 132.40 / 367.6 s 60.47 / 226.3 s 2.19×

                三句话:

                1. 序列越长赢越多(1.2× → 2.4×),和你 S1 里 16k 那格的形态一致。
                2. 1MP 不用 TP2 了:单卡 sol 105.0 s/it,比 int8 双卡 132.4 还快,也接近你双卡的 112.3。代价是显存:0.4MP·362f 从 20.01 涨到 23.83(+3.8 GB),1MP 单卡仍装得下(23.83,没 OOM)。
                3. 输出约等于换一次 seed(30.5/255),是另一张同题图,不是坏图。

                五、想请你判两件事

                1. 打包 I8 按 K 对半切(qkv [21504,2688] → 每卡 [10752,2688])合不合法?如果不合法,我们那 1.91× 就只能当"能跑但别用"。
                2. sol 在你那套权重/环境上能不能也复现 2.4×?能的话,你 S4 的 112.3 大概还能再对半一次。

                代码我可以直接开 PR:split_state_dict 的后缀匹配 + 一个 18 行的 MiniMaxSOLAttention 节点(set_model_optimized_attention(partial(attention_comfy_kitchen_sol, tau=1.0))),要不要?

                xiongjie gaoX
                xiongjie gaoX
                xiongjie gao
                王侯将相
                编写于 最后由 编辑
                #51

                @Enigma 也就是你自己还把int8r换成了sol
                生成速度提升 1.99× / 4.17× (per-step)
                端到端 1.60–2.64×

                https://github.com/shawn86574-prog/x99-7900xtx-p2p
                https://github.com/shawn86574-prog/kuzuryusen

                1 条回复 最后回复
                1
                • E Enigma

                  @xiongjie-gao 说:

                  @terry 学文爷,把挨嘴把子当学费。
                  疼,但不致命。平平安安活到八十。

                  抄作业交卷:2×7900XTX 上把你的 3035 复现了一遍。单卡 6% 内对上,双卡要改你两行代码,另外顺手发现 sol 比 int8 还能再快一倍多。

                  先认个错,我这台的数和你的不是一组:DiT 是 Minimax-h3_Singularity_ref2va_v2_Pruned_w4a8(12.55 GB,你的是 fl2va w4a8 11.7 GB)、TE 是 qwen3vl_32b_minimax_h3_nvfp4_awq(15.69 GB,你的 w4a8 是 26 GB)、LoRA 是 minimax_h3_dmd_ref2va_8step_turbo_pruned(你那个 turbo_v4_step600 在我们机器上是坏链接)、CPU 是 5950X 不是 E5-2696v4、两卡到 CPU 还是 x8。所以下面只比同档位的比值和你给的验收线。

                  一、单卡:你的三档,我们都在 6% 内

                  档 你的 我们
                  832×480·124f·8 步 单卡 11.235 s/it 10.564(端到端 109.2 s)
                  832×480·362f·8 步 单卡 53.7,显存 19.96 GB 50.78,20.01 GB
                  1344×768·362f·2 步 单卡 257.9,显存 23.82 GB 251.90,23.84 GB

                  (用的是你 kuzuryusen 仓库里那个 bench.py + run_tp.sh,只换了权重名和端口。)

                  二、你 1050% 里最大的那层(F1),我们这台没有

                  我们 venv 里是 torch 2.15.0+rocm7.14,/opt 里躺着 7.2.3 / 7.13.0 / 10.1 —— 按 F1 的说法这叫"看着就该坏"。但 S1 探针是健康的:

                  路径 4096 8192 16384
                  pytorch(SDPA) 13.2 85.3 1164.4
                  kitchen int8 6.4 24.7 93.3
                  kitchen sol 2.3 7.4 25.3
                  basic(默认) 19.8 77.3 OOM(要 28.00 GiB)

                  所以 F1 的正确用法是"用 S1 去证",不是看版本号猜 —— 这点你帖里已经写了,我只是补一个反例:版本不同源不等于内核坏。

                  顺带一个建议:你那条 200 ms 的线,建议挪到 16384。 我们这台 SDPA 在 8192 只有 85 ms(过线),到 16384 是 1164 ms(×13.7,长度翻倍平方该 ×4)—— 8192 上是"假健康"。真实序列(1344×768·294f ≈ 30 万 token)比 16384 还远。

                  三、双卡:p2p 只值 1%,真原因是 split_state_dict 取裸 key

                  原样跑,三档全是负的:

                  档 原样双卡 相对单卡 你的
                  832×480·124f·8 11.95 s/it 0.88× 7.618(1.47×)
                  832×480·362f·8 54.20 0.94× 31.9(1.68×)
                  1344×768·362f·2 257.78 0.98× 112.3(2.30×)

                  先按你的路子走了一遍 p2p:装 p2p_force、按你这台的真实 sysfs 拓扑生成 NCCL_TOPO_FILE(2e:00.0 → 2f:00.0/32:00.0)、重启后 isAllDirectP2p 1、通道 via P2P/IPC、你自己的 bootcheck 也 [OK] KFD 链路 2。只快 1%(11.99→11.95、54.20→53.59)。传输不是瓶颈。

                  真原因在 comfyui-tp2/__init__.py 的 split_state_dict() 开头:

                  qkv = sd.get("blocks.0.attn.qkv_proj.weight")     # 取不到 → return sd,静默、不切
                  hd  = sd.get("blocks.0.attn.q_norm.weight")
                  if qkv is None or hd is None:
                      return sd
                  

                  我们这个 w4a8 检查点 1333 个 key 里 1332 个带 model.diffusion_model. 前缀,裸 key 0 个 → 每次都静默 return。于是两卡各算整个模型,每步 450 次 all_reduce / 15.1 GB;10.564 + 1.4 ≈ 11.95,一分不差。

                  把取 key 改成允许 "" / model.diffusion_model. / diffusion_model. 三种前缀(就那两行),立刻听到:

                  [tp2] rank0 state_dict split: heads 56->28, keys 1332
                  
                  档 切了之后 相对单卡 每卡显存
                  832×480·124f·8 6.539 s/it,端到端 79.2 s 1.61× 23.74 GB
                  1344×768·362f·2 131.66 s/it,端到端 370.4 s 1.91× 17.60 GB(−6.2)

                  LoRA 那 208 个 shape 错也一起没了(模型切了,切过的 LoRA 就对上了)。

                  但有个必须说清的:切了不等于单卡那一张。整帧 mean|Δ| 16.5/255(结构 14.7);参照是换 seed 重采 34.1、没切 54.8、同配置两次 0.00。全局统计一致(mean RGB 107/103/95 vs 110/103/94,std 66.8 vs 67.2)——不是坏图,但不是你验收表里的 max_abs_diff = 0。

                  原因大概在格式:我们是打包 I8(qkv [21504,2688]、fc1 [28672,2688],头部没有 _quantization_metadata),你依赖的是 comfy_quant + codebook。打包 I8 按 K 对半切合不合法,得你判 —— 我只能给"快是真的"。

                  四、彩蛋:sol_attn 比 int8 快,而且 1MP 单卡就够

                  你 S1 表里 kitchen 只有 int8。但 attention.py 里还有 comfy_kitchen_sol(config 写 "attention": "comfy_kitchen_sol";节点下拉里没有,得自己 set_model_optimized_attention)。16k 上它是 int8 的 3.7×。

                  搬进流水线(tau=1.0、seed 145、每档冷启动、其余开关不动、权重与上表相同):

                  档 kitchen int8 sol s/it
                  832×480·124f·8 单卡 10.53 / 108.2 s 8.09 / 87.2 s 1.30×
                  832×480·124f·8 TP2 6.55 / 77.6 s 5.32 / 68.4 s 1.23×
                  832×480·362f·8 单卡 50.78 / 455.6 s 28.96 / 280.5 s 1.75×
                  1344×768·362f·2 单卡 250.58 / 596.8 s 105.00 / 312.5 s 2.39×
                  1344×768·362f·2 TP2 132.40 / 367.6 s 60.47 / 226.3 s 2.19×

                  三句话:

                  1. 序列越长赢越多(1.2× → 2.4×),和你 S1 里 16k 那格的形态一致。
                  2. 1MP 不用 TP2 了:单卡 sol 105.0 s/it,比 int8 双卡 132.4 还快,也接近你双卡的 112.3。代价是显存:0.4MP·362f 从 20.01 涨到 23.83(+3.8 GB),1MP 单卡仍装得下(23.83,没 OOM)。
                  3. 输出约等于换一次 seed(30.5/255),是另一张同题图,不是坏图。

                  五、想请你判两件事

                  1. 打包 I8 按 K 对半切(qkv [21504,2688] → 每卡 [10752,2688])合不合法?如果不合法,我们那 1.91× 就只能当"能跑但别用"。
                  2. sol 在你那套权重/环境上能不能也复现 2.4×?能的话,你 S4 的 112.3 大概还能再对半一次。

                  代码我可以直接开 PR:split_state_dict 的后缀匹配 + 一个 18 行的 MiniMaxSOLAttention 节点(set_model_optimized_attention(partial(attention_comfy_kitchen_sol, tau=1.0))),要不要?

                  xiongjie gaoX
                  xiongjie gaoX
                  xiongjie gao
                  王侯将相
                  编写于 最后由 编辑
                  #52

                  @Enigma 你的报告把这项目又推到了更夸张的提升。

                  结论先给

                  指标 数值 含义
                  SOL 单次注意力 vs kitchen int8 3.5–4.1× 本机 microbench,S=15k/23k/38.5k
                  SOL 端到端折算 1.5–2.0× 0.4 MP 1.54×,1 MP ~2.0×(按注意力占比)
                  卡间实测带宽 5.00 GB/s 本机 Gen3 x8 是瓶颈(理论上限 7.88,效率 63%)
                  换 x16 板后 10.30 GB/s X99-T8 类,同 CPU 同 root port,只差 lane 数
                  TP2 每步通信暴露 4.0 s/it 32.7 − 57.4/2,占 TP2 单步 12.2%
                  并表后总加速 10.5 → 11.9 → 12.5× +SOL → 再加 P2P;单条 3.3 → 2.90 → 2.76 min

                  一句话:真正的大头是 SOL 注意力,不是卡间带宽。SOL 把单次注意力压到 1/3.5–1/4.1,端到端(外部同构实测 1.23×)就能把总账从 10.5× 推到 11.9×;P2P 只值 6–12%,且要换主板。

                  https://github.com/shawn86574-prog/x99-7900xtx-p2p
                  https://github.com/shawn86574-prog/kuzuryusen

                  E 1 条回复 最后回复
                  1
                  • xiongjie gaoX xiongjie gao

                    @Enigma 你的报告把这项目又推到了更夸张的提升。

                    结论先给

                    指标 数值 含义
                    SOL 单次注意力 vs kitchen int8 3.5–4.1× 本机 microbench,S=15k/23k/38.5k
                    SOL 端到端折算 1.5–2.0× 0.4 MP 1.54×,1 MP ~2.0×(按注意力占比)
                    卡间实测带宽 5.00 GB/s 本机 Gen3 x8 是瓶颈(理论上限 7.88,效率 63%)
                    换 x16 板后 10.30 GB/s X99-T8 类,同 CPU 同 root port,只差 lane 数
                    TP2 每步通信暴露 4.0 s/it 32.7 − 57.4/2,占 TP2 单步 12.2%
                    并表后总加速 10.5 → 11.9 → 12.5× +SOL → 再加 P2P;单条 3.3 → 2.90 → 2.76 min

                    一句话:真正的大头是 SOL 注意力,不是卡间带宽。SOL 把单次注意力压到 1/3.5–1/4.1,端到端(外部同构实测 1.23×)就能把总账从 10.5× 推到 11.9×;P2P 只值 6–12%,且要换主板。

                    E
                    E
                    Enigma
                    硕果累累 贵族大夫
                    编写于 最后由 编辑
                    #53

                    @xiongjie-gao 说:

                    @Enigma 你的报告把这项目又推到了更夸张的提升。

                    结论先给

                    指标 数值 含义
                    SOL 单次注意力 vs kitchen int8 3.5–4.1× 本机 microbench,S=15k/23k/38.5k
                    SOL 端到端折算 1.5–2.0× 0.4 MP 1.54×,1 MP ~2.0×(按注意力占比)
                    卡间实测带宽 5.00 GB/s 本机 Gen3 x8 是瓶颈(理论上限 7.88,效率 63%)
                    换 x16 板后 10.30 GB/s X99-T8 类,同 CPU 同 root port,只差 lane 数
                    TP2 每步通信暴露 4.0 s/it 32.7 − 57.4/2,占 TP2 单步 12.2%
                    并表后总加速 10.5 → 11.9 → 12.5× +SOL → 再加 P2P;单条 3.3 → 2.90 → 2.76 min

                    一句话:真正的大头是 SOL 注意力,不是卡间带宽。SOL 把单次注意力压到 1/3.5–1/4.1,端到端(外部同构实测 1.23×)就能把总账从 10.5× 推到 11.9×;P2P 只值 6–12%,且要换主板。

                    👍 👍 👍

                    1 条回复 最后回复
                    0
                    • E Enigma

                      @xiongjie-gao 说:

                      @terry 学文爷,把挨嘴把子当学费。
                      疼,但不致命。平平安安活到八十。

                      抄作业交卷:2×7900XTX 上把你的 3035 复现了一遍。单卡 6% 内对上,双卡要改你两行代码,另外顺手发现 sol 比 int8 还能再快一倍多。

                      先认个错,我这台的数和你的不是一组:DiT 是 Minimax-h3_Singularity_ref2va_v2_Pruned_w4a8(12.55 GB,你的是 fl2va w4a8 11.7 GB)、TE 是 qwen3vl_32b_minimax_h3_nvfp4_awq(15.69 GB,你的 w4a8 是 26 GB)、LoRA 是 minimax_h3_dmd_ref2va_8step_turbo_pruned(你那个 turbo_v4_step600 在我们机器上是坏链接)、CPU 是 5950X 不是 E5-2696v4、两卡到 CPU 还是 x8。所以下面只比同档位的比值和你给的验收线。

                      一、单卡:你的三档,我们都在 6% 内

                      档 你的 我们
                      832×480·124f·8 步 单卡 11.235 s/it 10.564(端到端 109.2 s)
                      832×480·362f·8 步 单卡 53.7,显存 19.96 GB 50.78,20.01 GB
                      1344×768·362f·2 步 单卡 257.9,显存 23.82 GB 251.90,23.84 GB

                      (用的是你 kuzuryusen 仓库里那个 bench.py + run_tp.sh,只换了权重名和端口。)

                      二、你 1050% 里最大的那层(F1),我们这台没有

                      我们 venv 里是 torch 2.15.0+rocm7.14,/opt 里躺着 7.2.3 / 7.13.0 / 10.1 —— 按 F1 的说法这叫"看着就该坏"。但 S1 探针是健康的:

                      路径 4096 8192 16384
                      pytorch(SDPA) 13.2 85.3 1164.4
                      kitchen int8 6.4 24.7 93.3
                      kitchen sol 2.3 7.4 25.3
                      basic(默认) 19.8 77.3 OOM(要 28.00 GiB)

                      所以 F1 的正确用法是"用 S1 去证",不是看版本号猜 —— 这点你帖里已经写了,我只是补一个反例:版本不同源不等于内核坏。

                      顺带一个建议:你那条 200 ms 的线,建议挪到 16384。 我们这台 SDPA 在 8192 只有 85 ms(过线),到 16384 是 1164 ms(×13.7,长度翻倍平方该 ×4)—— 8192 上是"假健康"。真实序列(1344×768·294f ≈ 30 万 token)比 16384 还远。

                      三、双卡:p2p 只值 1%,真原因是 split_state_dict 取裸 key

                      原样跑,三档全是负的:

                      档 原样双卡 相对单卡 你的
                      832×480·124f·8 11.95 s/it 0.88× 7.618(1.47×)
                      832×480·362f·8 54.20 0.94× 31.9(1.68×)
                      1344×768·362f·2 257.78 0.98× 112.3(2.30×)

                      先按你的路子走了一遍 p2p:装 p2p_force、按你这台的真实 sysfs 拓扑生成 NCCL_TOPO_FILE(2e:00.0 → 2f:00.0/32:00.0)、重启后 isAllDirectP2p 1、通道 via P2P/IPC、你自己的 bootcheck 也 [OK] KFD 链路 2。只快 1%(11.99→11.95、54.20→53.59)。传输不是瓶颈。

                      真原因在 comfyui-tp2/__init__.py 的 split_state_dict() 开头:

                      qkv = sd.get("blocks.0.attn.qkv_proj.weight")     # 取不到 → return sd,静默、不切
                      hd  = sd.get("blocks.0.attn.q_norm.weight")
                      if qkv is None or hd is None:
                          return sd
                      

                      我们这个 w4a8 检查点 1333 个 key 里 1332 个带 model.diffusion_model. 前缀,裸 key 0 个 → 每次都静默 return。于是两卡各算整个模型,每步 450 次 all_reduce / 15.1 GB;10.564 + 1.4 ≈ 11.95,一分不差。

                      把取 key 改成允许 "" / model.diffusion_model. / diffusion_model. 三种前缀(就那两行),立刻听到:

                      [tp2] rank0 state_dict split: heads 56->28, keys 1332
                      
                      档 切了之后 相对单卡 每卡显存
                      832×480·124f·8 6.539 s/it,端到端 79.2 s 1.61× 23.74 GB
                      1344×768·362f·2 131.66 s/it,端到端 370.4 s 1.91× 17.60 GB(−6.2)

                      LoRA 那 208 个 shape 错也一起没了(模型切了,切过的 LoRA 就对上了)。

                      但有个必须说清的:切了不等于单卡那一张。整帧 mean|Δ| 16.5/255(结构 14.7);参照是换 seed 重采 34.1、没切 54.8、同配置两次 0.00。全局统计一致(mean RGB 107/103/95 vs 110/103/94,std 66.8 vs 67.2)——不是坏图,但不是你验收表里的 max_abs_diff = 0。

                      原因大概在格式:我们是打包 I8(qkv [21504,2688]、fc1 [28672,2688],头部没有 _quantization_metadata),你依赖的是 comfy_quant + codebook。打包 I8 按 K 对半切合不合法,得你判 —— 我只能给"快是真的"。

                      四、彩蛋:sol_attn 比 int8 快,而且 1MP 单卡就够

                      你 S1 表里 kitchen 只有 int8。但 attention.py 里还有 comfy_kitchen_sol(config 写 "attention": "comfy_kitchen_sol";节点下拉里没有,得自己 set_model_optimized_attention)。16k 上它是 int8 的 3.7×。

                      搬进流水线(tau=1.0、seed 145、每档冷启动、其余开关不动、权重与上表相同):

                      档 kitchen int8 sol s/it
                      832×480·124f·8 单卡 10.53 / 108.2 s 8.09 / 87.2 s 1.30×
                      832×480·124f·8 TP2 6.55 / 77.6 s 5.32 / 68.4 s 1.23×
                      832×480·362f·8 单卡 50.78 / 455.6 s 28.96 / 280.5 s 1.75×
                      1344×768·362f·2 单卡 250.58 / 596.8 s 105.00 / 312.5 s 2.39×
                      1344×768·362f·2 TP2 132.40 / 367.6 s 60.47 / 226.3 s 2.19×

                      三句话:

                      1. 序列越长赢越多(1.2× → 2.4×),和你 S1 里 16k 那格的形态一致。
                      2. 1MP 不用 TP2 了:单卡 sol 105.0 s/it,比 int8 双卡 132.4 还快,也接近你双卡的 112.3。代价是显存:0.4MP·362f 从 20.01 涨到 23.83(+3.8 GB),1MP 单卡仍装得下(23.83,没 OOM)。
                      3. 输出约等于换一次 seed(30.5/255),是另一张同题图,不是坏图。

                      五、想请你判两件事

                      1. 打包 I8 按 K 对半切(qkv [21504,2688] → 每卡 [10752,2688])合不合法?如果不合法,我们那 1.91× 就只能当"能跑但别用"。
                      2. sol 在你那套权重/环境上能不能也复现 2.4×?能的话,你 S4 的 112.3 大概还能再对半一次。

                      代码我可以直接开 PR:split_state_dict 的后缀匹配 + 一个 18 行的 MiniMaxSOLAttention 节点(set_model_optimized_attention(partial(attention_comfy_kitchen_sol, tau=1.0))),要不要?

                      6
                      6
                      6cccccc
                      编写于 最后由 编辑
                      #54

                      @Enigma 我让hy4 flash查看了一下,说sol_attn虽然更快,但是精度上要比int8差,不知道实际出片的时候是什么样的

                      xiongjie gaoX E 2 条回复 最后回复
                      0
                      • 6 6cccccc

                        @Enigma 我让hy4 flash查看了一下,说sol_attn虽然更快,但是精度上要比int8差,不知道实际出片的时候是什么样的

                        xiongjie gaoX
                        xiongjie gaoX
                        xiongjie gao
                        王侯将相
                        编写于 最后由 编辑
                        #55

                        @6cccccc 昨天跑了样片,因为太晚了没时间整理
                        今晚整理出来
                        从我观感看来,这个损失可以接受,几乎看不出画面质量的区别。

                        https://github.com/shawn86574-prog/x99-7900xtx-p2p
                        https://github.com/shawn86574-prog/kuzuryusen

                        6 1 条回复 最后回复
                        0
                        • xiongjie gaoX xiongjie gao

                          @6cccccc 昨天跑了样片,因为太晚了没时间整理
                          今晚整理出来
                          从我观感看来,这个损失可以接受,几乎看不出画面质量的区别。

                          6
                          6
                          6cccccc
                          编写于 最后由 编辑
                          #56

                          @xiongjie-gao 行,我一会也试试

                          1 条回复 最后回复
                          0
                          • 6 6cccccc

                            @Enigma 我让hy4 flash查看了一下,说sol_attn虽然更快,但是精度上要比int8差,不知道实际出片的时候是什么样的

                            E
                            E
                            Enigma
                            硕果累累 贵族大夫
                            编写于 最后由 编辑
                            #57

                            @6cccccc 说:

                            @Enigma 我让hy4 flash查看了一下,说sol_attn虽然更快,但是精度上要比int8差,不知道实际出片的时候是什么样的

                            两张样片 + 一张左右对照(左 = kitchen int8,右 = sol)
                            side_int8_sol.png

                            感觉SOL更好,有没有?

                            6 1 条回复 最后回复
                            0
                            • E Enigma

                              @6cccccc 说:

                              @Enigma 我让hy4 flash查看了一下,说sol_attn虽然更快,但是精度上要比int8差,不知道实际出片的时候是什么样的

                              两张样片 + 一张左右对照(左 = kitchen int8,右 = sol)
                              side_int8_sol.png

                              感觉SOL更好,有没有?

                              6
                              6
                              6cccccc
                              编写于 最后由 编辑
                              #58

                              @Enigma 我还传不了图,我用h3感觉没啥问题,目测的话。moss我刚刚试用了一下,sol这个用同样种子出的图跟int8的比较来说根本看不了。不知道哪里出问题了

                              E 1 条回复 最后回复
                              0
                              • 6 6cccccc

                                @Enigma 我还传不了图,我用h3感觉没啥问题,目测的话。moss我刚刚试用了一下,sol这个用同样种子出的图跟int8的比较来说根本看不了。不知道哪里出问题了

                                E
                                E
                                Enigma
                                硕果累累 贵族大夫
                                编写于 最后由 编辑
                                #59

                                @6cccccc 说:

                                @Enigma 我还传不了图,我用h3感觉没啥问题,目测的话。moss我刚刚试用了一下,sol这个用同样种子出的图跟int8的比较来说根本看不了。不知道哪里出问题了

                                我传了视频,你可以去看看 https://lcz.me/topic/3189

                                1 条回复 最后回复
                                0

                                你好!看起来您对这段对话很感兴趣,但您还没有一个账号。

                                厌倦了每次访问都刷到同样的帖子?您注册账号后,您下次访问时都将自动回到上次浏览的位置,并可选择接收新回复的通知(通过电子邮件或推送通知)。您还可以收藏帖子、为帖子点赞,以此向其他社区成员表达您的感谢。

                                有了你的建议,这篇帖子会更精彩哦 💗

                                注册 登录
                                回复
                                • 在新帖中回复
                                登录后回复
                                • 从旧到新
                                • 从新到旧
                                • 最多赞同


                                • 登录

                                • 登录或注册以进行搜索。
                                • 第一个帖子
                                  最后一个帖子
                                0
                                • 版块
                                • 最新
                                • 标签
                                • 热门
                                • 用户
                                • 群组