看到帖子里双卡张量并行把 H3 的采样速度明显拉高，我也在两张 RX 7900 XTX 上按相同的视频规格做了一组单卡 / TP2 对照。先说结果：TP2 确实让 DiT 稳定采样快了约 1.59 倍，也把显存分到两张卡；但整段视频只快约 16%，不是每个环节都能翻倍。

这次对照使用相同首帧、相同提示词和 seed，单卡、双卡都生成 832×480、124 帧、24 fps 的视频，Euler 8 步。两段都是完整 MP4，实际解码为 124 帧、时长 5.167 秒。

测试环境

怎么测的

两次测试顺序执行，各自使用新启动的 ComfyUI 进程；测试前没有清空操作系统的文件缓存。生成条件固定如下：

• 832×480，124 帧，24 fps（成片约 5.17 秒）
• Euler sampler，simple scheduler，8 步
• seed 145；同一首帧和提示词：“A small red fox walks through a quiet forest after rain. Natural movement, soft daylight, steady camera. Ambient forest sounds. No text or logos.”
• INT8 ConvRot H3 DiT；CPU 文本编码器、GPU VAE；两边均用 PyTorch attention
• 单卡只让 GPU 0 运行；TP2 将 DiT 注意力和 FFN 的线性层权重切到两张卡，并用 RCCL 汇总行并行层的部分结果

这里的 TP2 是真正的张量并行：QKV 和 FFN 第一层按输出维切分；attention 输出层和 FFN 第二层按输入维切分，并在两个行并行层之后做跨卡归约。两张卡处理同一份激活序列，文本编码器和 VAE 没有做 TP。

结果

采样阶段的加速比是 1.59×，整段生成只有 1.19×。原因是被 TP 切分的主要是 H3 DiT；文本编码、模型载入和 VAE 编解码没有因此按两卡缩短。视频越长、采样占总时间越高，TP2 的算力收益才越容易体现在最终等待时间上。

两段视频使用相同 seed，但 TP2 并非单卡逐像素复刻：抽取完整视频逐帧计算得到的 PSNR 均值约为 23.94 dB。这说明量化、分片计算和归约会改变输出细节；同 seed 不能当作画面完全相同的保证。

TP 组起来有意义吗？

**有条件地有意义。**这次测试里，TP2 把稳定采样步从 21.16 秒降到 13.35 秒，单卡 GPU 峰值也从 23.51 GiB 降到 18.91 GiB，第二张卡承担约 13.07 GiB。单卡已经非常接近 24 GiB 上限；若要增加视频帧数、分辨率或工作流里其他 GPU 节点，显存余量会很紧。TP2 的显存分摊可能比它的整段速度提升更有实际价值。

如果主要看单条短视频端到端耗时，这组 5.17 秒视频从 5分12秒降到 4分22秒，实际少等约 50 秒，提升存在，但远没有采样阶段看起来那么大。组双卡还会增加显卡、电源、机箱和散热成本，也引入 TP 实现、跨卡通信和数值差异；只为了跑短片，不一定值得专门添一张卡。

如果手头已经有两张 7900 XTX，或者目标是减少单卡显存压力并跑更重的长视频，TP2 就比较有意义。当前这套配置更准确的结论是：双卡显著改善了 DiT 采样速度和显存余量，整条生成流程得到中等幅度提速。