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。
  • Leon YL Leon Y

    @xiongjie-gao 说:

    aimdo

    aimdo帮不了提速,只能跑大一点的模型

    xiongjie gaoX
    xiongjie gaoX
    xiongjie gao
    王侯将相
    编写于 最后由 xiongjie gao 编辑
    #36

    @Leon-Y Aimdo是保证高显存占用下不OOM的策略😊
    N卡用户天然就有的用,A卡用户得手搓代码绕着走

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

    1 条回复 最后回复
    0
    • terryT terry

      高雄杰和库克给粉丝发N卡.jpeg
      高雄杰和苏姿丰给粉丝发A卡.jpeg

      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

      kos orK
      kos orK
      kos or
      至尊皇帝
      编写于 最后由 编辑
      #37

      @terry said:

      杰杰拿下库克和Lisa-Su

      照片一放大 帥氣許多 😁

      terryT 1 条回复 最后回复
      0
      • kos orK kos or

        @terry said:

        杰杰拿下库克和Lisa-Su

        照片一放大 帥氣許多 😁

        terryT
        terryT
        terry
        易有太极
        编写于 最后由 编辑
        #38

        @kos-or 其实有些失真,我弟帅的是阳刚之气。对世俗的不屑一顾。

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

        kos orK 1 条回复 最后回复
        1
        • ericyancwE
          ericyancwE
          ericyancw
          编写于 最后由 ericyancw 编辑
          #39

          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.hip 7.0.51831 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-w4a8 12 GB + 编码器 qwen3vl_32b-int4 13.5 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:

          1. 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})。
          2. 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。
          3. 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 attention 8 ≈353 秒 未跑完 —
          2 现在 同上,未变 --use-ck-attention --disable-smart-memory Using Comfy Kitchen attention 4 114.35 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-memory Using pytorch attention 4 352.31 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:

          1. 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。
          2. 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)
          1 条回复 最后回复
          3
          • xiongjie gaoX
            xiongjie gaoX
            xiongjie gao
            王侯将相
            编写于 最后由 编辑
            #40

            @ericyancw 说:

            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˶•̀֊•́)✧

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

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

              @ericyancw 说:

              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˶•̀֊•́)✧

              ericyancwE
              ericyancwE
              ericyancw
              编写于 最后由 编辑
              #41

              @xiongjie-gao 说:

              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。

              xiongjie gaoX 1 条回复 最后回复
              0
              • ericyancwE ericyancw

                @xiongjie-gao 说:

                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。

                xiongjie gaoX
                xiongjie gaoX
                xiongjie gao
                王侯将相
                编写于 最后由 编辑
                #42

                @ericyancw
                image.jpeg

                净捞干的,还是个大的,哈哈哈哈恭喜恭喜

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

                terryT 1 条回复 最后回复
                1
                • terryT terry

                  @kos-or 其实有些失真,我弟帅的是阳刚之气。对世俗的不屑一顾。

                  kos orK
                  kos orK
                  kos or
                  至尊皇帝
                  编写于 最后由 编辑
                  #43

                  @terry said:

                  其实有些失真,我弟帅的是阳刚之气

                  杰杰他都這麼帥了 還失真喔 😵
                  地球上又帥又會玩7900 XTX 24G的人可是鳳毛麟角
                  但都集中在我們的論壇上 😁

                  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 xiongjie gao 编辑
                    #44

                    @kos or 说:
                    杰杰他都這麼帥了 還失真喔 地球上又帥又會玩7900 XTX 24G的人可是鳳毛麟角 但都集中在我們的論壇上

                    😂莫嫖我了老哥

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

                    1 条回复 最后回复
                    1
                    • 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

                                          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