【A卡/ROCm】7900 XTX 跑 ComfyUI 启用 SageAttention 出黑图 (NaN) 修复指南
-
【A卡/ROCm】7900 XTX 跑 ComfyUI 启用 SageAttention 出黑图 (NaN) 修复指南
本篇指南记录了在 AMD Radeon RX 7900 XTX (RDNA3 / gfx1100) 显卡、Ubuntu/Linux (ROCm 7.x + PyTorch 2.x) 环境下，运行 ComfyUI 启用 SageAttention (v1.0.6) 导致生成图片“全黑（无报错静默失败）”的硬核排障过程与解决方案。
如果你也遇到了开加速器必黑图、关掉就正常的灵异事件，本篇笔记能帮你彻底解决。
我们的软硬件测试环境为便于对比排查，以下是本案所处的真实软硬件基础环境：
- GPU: AMD Radeon RX 7900 XTX (24GB GDDR6 / RDNA3 / gfx1100)
- CPU: 双路 Intel Xeon E5-2682 v4
- 内存: 64GB DDR4 REG ECC (全插满)
- 操作系统: Ubuntu (Kernel 5.15.0-181-generic)
- ROCm 运行环境:
torch 2.12.0+rocm7.2 - SageAttention 库版本:
1.0.6（纯 Triton JIT 动态编译版） - ComfyUI 版本: v0.24.0 (机智罗 A 卡专用整合版)
背景与受影响工作流在运行以下针对 AMD 优化的 ComfyUI 整合包（如机智罗 A 卡专用包）工作流时极易触发此问题：
- 机智罗 44号工作流（基于 Qwen-Image / Flux 架构的 GGUF 混合多模态工作流）
- 机智罗 14号工作流（Wan2.2 视频生成工作流，大分辨率开启 SageAttention 加速时）
故障现象- 表现：当且仅当在工作流中接入
XB_SageAttentionAccelerator（SageAttention 算子加速器） 节点时，最终输出的图片（或视频帧）100% 是一片漆黑。 - 控制台警告：生图结束、准备输出图像的瞬间，终端会静默弹出一行 RuntimeWarning，没有其他任何 CUDA/ROCm 崩溃堆栈：
/home/peter/ComfyUI/nodes.py:1657: RuntimeWarning: invalid value encountered in cast img = Image.fromarray(np.clip(i, 0, 255).astype(np.uint8))
硬核根因分析通过拉取并审计 SageAttention (v1.0.6) 在 Linux AMD 环境下的底层源码，揪出了以下两个核心冲突：
1. 累加精度不足导致数值溢出（NaN）
目前 pip 直接安装的 SageAttention 1.0.6 是纯 Triton JIT 编译版本（无预编译
.so），它在 GPU 运行时动态编译 attention kernel。
在其attn_qk_int8_per_block.py源码中，矩阵乘法累加计算硬编码为：acc += tl.dot(p, v, out_dtype=tl.float16) # 默认使用半精度累加在 AMD RDNA3 (7900 XTX) 的 Triton 编译器后端上，半精度累加在长序列或特定激活值下极易发生数值精度溢出，产生大量 NaN（非数）。
NaN 顺着 KSampler 扩散到整个 latent，最终 VAE 解码时把 NaN 全部强制截断为0，导致最终渲染出来的图片全黑。2. Shared Memory 硬件超限
原版 SageAttention 的 block 大小硬编码为
BLOCK_M=128, BLOCK_N=64，这在编译时需要约 106KB 的 Shared Memory（共享内存）。
而 AMD RDNA3 显卡（7900 XTX）的物理 Shared Memory 单个 Workgroup 上限只有 65KB，这会导致 Triton 编译器在分配寄存器和共享内存时崩溃，或发生隐式内存回滚，进一步拉低速度并加剧精度混乱。
️ 终极解决方案（手动打补丁）既然知道了是因为 “Shared Memory 超限” 和 “Triton 浮点累加溢出”，解决办法就是给 SageAttention 的 python 库手动替换补丁文件。
第一步：定位 SageAttention 库路径
在你的 ComfyUI 运行虚拟环境（venv）下，找到
sageattention包的实际安装路径：source /home/peter/ComfyUI/venv/bin/activate SA_DIR=$(python3 -c 'import sageattention, os; print(os.path.dirname(sageattention.__file__))') echo "你的包路径在: $SA_DIR"第二步：备份原始文件（安全第一）
cp $SA_DIR/attn_qk_int8_per_block.py $SA_DIR/attn_qk_int8_per_block.py.bak cp $SA_DIR/attn_qk_int8_per_block_causal.py $SA_DIR/attn_qk_int8_per_block_causal.py.bak cp $SA_DIR/quant_per_block.py $SA_DIR/quant_per_block.py.bak第三步：下载并覆盖 Zluda-AMD 优化版补丁
使用社区（来自
patientx/ComfyUI-Zluda）针对 AMD 显卡优化过的 Triton 参数补丁，直接覆盖本地文件：BASE_URL='https://raw.githubusercontent.com/patientx/ComfyUI-Zluda/refs/heads/master/comfy/customzluda/sa' curl -fsSL $BASE_URL/attn_qk_int8_per_block.py -o $SA_DIR/attn_qk_int8_per_block.py curl -fsSL $BASE_URL/attn_qk_int8_per_block_causal.py -o $SA_DIR/attn_qk_int8_per_block_causal.py curl -fsSL $BASE_URL/quant_per_block.py -o $SA_DIR/quant_per_block.py第四步：清空 Triton 缓存（核心步骤）
为了让刚刚覆盖的补丁生效，必须清空 Triton 之前的旧编译缓存，强迫它在下次启动时重新编译 kernel：
rm -rf ~/.triton/cache
补丁到底改了什么？out_dtype: tl.float16➔tl.float32：累加矩阵全部改用 Float32 全精度。这一步彻底消灭了 A 卡上的精度溢出，是解决黑图（NaN）的核心！BLOCK_M=128, BLOCK_N=64➔BLOCK_M=32, BLOCK_N=16：将 Block 大小缩到极小。这使得单个 Workgroup 占用的 Shared Memory 从 106KB 暴降到 ~8KB，完美躲开 gfx1100 显卡的 65KB 硬件上限。- 引入 Autotune（自动寻优）：新增了对
qo_len、kv_len、h_qo的 Triton 动态 autotune 查找，网卡会根据你的生成分辨率自动寻找效率最高的线程分配方案，不再死板硬编码。
🧪 验证与收尾
-
导入冒烟测试：
在命令行运行以下测试代码，确认没有 NaN 且有数据输出：python3 -c " import torch, sageattention from sageattention import sageattn q = torch.randn(1, 16, 256, 128, dtype=torch.float16, device='cuda') k = torch.randn(1, 16, 256, 128, dtype=torch.float16, device='cuda') v = torch.randn(1, 16, 256, 128, dtype=torch.float16, device='cuda') out = sageattn(q, k, v, tensor_layout='HND') print('是否有NaN:', torch.isnan(out).any().item()) print('是否全为零:', (out == 0).all().item()) " # 输出：是否有NaN: False，是否全为零: False ➔ ✅ 算法通路畅通！ -
重新运行 ComfyUI：
重启你的 ComfyUI 进程，在网页上接回并点亮XB_SageAttentionAccelerator节点，重新点击“Queue Prompt”。生图不仅完全恢复了色彩，而且由于 Triton 自动寻优，7900 XTX 终于能满血享受 SageAttention 带来的显存带宽减半与推理无痛加速了！
一开始agent建议我直接bypass掉
终于判断出来问题所在
解决方案出来了
测试成功
-
，
T terry 固定了此主题
-
，系统 取消固定了此主题
谢谢支持，然而我只是工程狗，只是一个从小学开始就喜欢折腾电脑的大叔而已拉
谢谢站长~
多加幾把風扇吧