@terry 默认1080的码率，你的视频应该没有我测试那个4k视频高吧？我看4k是有点卡……但是1080p不至于……

@老周 如果只是学习，没想好干嘛，就性价比为主：5060 Ti 16G, 生态齐全，价格不算贵，该有的都有。B站很多工作流，甚至支持8G的，16G是常态。

甚至看看有没有3090魔改……

我自用就7900XTX, 用着还行，满足需求了。

1. 实测参数与时间

我的工作流没有用任何的加速节点，直接选择10步采用就感觉很快了。用其他加速节点估计是没有匹配Linux或者ROCm的版本，采样后都是花屏。我的机器直出10s太勉强，用5s还是舒适一些。或者是低分辨率换其他方式超分放大。有兴趣的人可以进一步研究。

对我来说目前是够用了。我主要用来做游戏的512x512 , 2s的角色动画，用来抽帧， 平均90s一个小视频，批量抽卡也很快。

时长	分辨率	采样步数	耗时
5s	288x576	10	138.93s
10s	288x576	10	196.60s
5s	1024x588	10	335.71s
10s	1024x588	10	778.87s

** 我把我本机的配置环境，全量显示出来，如果有看不懂的，拿去喂AI就好了 =.= **

2. 概览

项目	内容
主机名	ferychen7900XTX
操作系统	CachyOS（Arch Linux 系）
内核	Linux 7.1.8-1-cachyos（x86_64, PREEMPT_DYNAMIC）
主板	ASUS TUF GAMING B760M-PLUS D4
CPU	Intel Core i5-13490F（13 代 Raptor Lake）
内存	38 GiB（另有 51 GiB 交换分区）
GPU	AMD Radeon RX 7900 XTX（Navi 31 / gfx1100，24 GiB 显存）
计算栈	ROCm 7.14 + PyTorch 2.11.0+rocm7.14.0
Python 环境	Python 3.12.13

---

3. 操作系统与内核

• 发行版：CachyOS（ID=cachyos, ID_LIKE=arch），滚动更新
• 内核：7.1.8-1-cachyos（CachyOS 定制内核，含性能调度优化）
• 桌面 / 显示服务器：Hyprland（Wayland，UWSM 启动）
• 登录管理器：greetd + noctalia-greeter

---

4. 硬件配置

4.1 CPU

项目	规格
型号	13th Gen Intel Core i5-13490F
核心 / 线程	10 核 16 线程（6P + 4E）
频率	基准 ~2.5 GHz，最大睿频 4.8 GHz
缓存	L3 24 MiB，L2 9.5 MiB
虚拟化	VT-x 支持

4.2 内存

项目	规格
物理内存	38 GiB（DDR4）
交换	51 GiB

4.3 GPU（AI 推理主力）

项目	规格
型号	AMD Radeon RX 7900 XTX
核心	Navi 31（gfx1100, RDNA 3）
显存	24 GiB GDDR6（实际 25.7 GB，rocm-smi 读数）
功耗上限	303 W

---

5. GPU 计算栈（ROCm）

• ROCm 版本：7.14（随 PyTorch wheel 绑定）；rocm-smi-lib 7.8.0
• 内核模块：amdgpu、amdkfd 已加载
• 检测命令：rocm-smi（可查看温度、功耗、显存占用）
• 常见坑位备注：pt-2.12(rocm7.14) 花屏 → 清 ~/.triton/cache + ~/.cache/comgr 即恢复

---

6. Python 虚拟环境（pt-2.11-r714）

• Python：3.12.13
• 用途：ComfyUI 宿主环境，本地运行 MiniMax H3 视频生成工作流（含 Ref2VA 全参考视频模式）
• 包总量：约 188 个

6.1 核心包版本

包	版本
torch	2.11.0+rocm7.14.0
torchvision	0.26.0+rocm7.14.0
torchaudio	2.11.0+rocm7.14.0
transformers	5.14.1
diffusers	0.27.2
safetensors	0.8.0
numpy	2.4.4
pillow	12.2.0
sentencepiece	0.2.2
modelscope	1.39.0
huggingface_hub	1.27.0
torchsde	0.2.6

6.2 ComfyUI 相关

• comfyui_frontend_package 1.48.7
• comfyui-manager 4.2.2
• comfyui_workflow_templates 0.11.41（及配套 media 模板包）

6.3 PyTorch 运行时验证结果

torch:      2.11.0+rocm7.14.0
hip:        7.14.60850
cuda avail: True（走 HIP 后端）
device:     AMD Radeon RX 7900 XTX

---

@186168 说:

本地跑comfyui，minimaxH3，hermes本地部署

你想好你要做啥没…？你这几个漫无目的的思路，不适合加大投资，建议还是看完老特的视频，想想自己到底要做啥

@老周 说这个没意义。解决问题才是关键。

@Bunsei 复制，在这个编辑器粘贴。就可以了啊……

7900xtx是6100京东入手的。入手后就听到又涨起来了。
@老周 AMD在Linux下的确很折腾，要各种调试。要省心，就换N卡吧。一个16g显存的N卡，在ComfyUI的内存调度下都可以出长视频，生态好，省心。A卡很容易动不动就ROCm调度异常，对Linux的内核/驱动/环境都要斟酌一下。

还有就是，你还是要明确自己的卡用来搞什么……要完整生产力，无脑去N卡，最快变现。留在A卡就是看性价比+部分满足自己生产所需……

老特，你最近几个视频的清晰度和偏色是不是压缩的时候损耗太大了？虽然可以只听声音不看画面，但这样的视频偏色，系统也会判断为“不清晰视频”的吧？你可以放大图片看看，有很明显的色条/色斑/噪点……就是观感真的不太好。

@williamlouis 继续用flash, 偶尔切一下pro, 做Hermes基本是够用而且不贵的。

因为对比Kimi K3……真的便宜太多了……我的199套餐，8月3日开，用work跑几个任务， 8月5日毙了……

编程继续用GLM 5.2, 目前真的能打，后面5.3也快出来了，够支撑下半年的了。

如果真没什么特殊需求，用API比本地好多了…………

flash的价格空闲时是原来的2.5倍……大家17号之后可以测测看看效果如何 ……对不对的起这个价格。

新价格将于北京时间 2026 年 8 月 17 日 00:00 开始生效，具体如下：

@terry Deepseek算力紧张，今日预告要涨价了。不知道多少而已……

@magician6677 模型推荐优先找Modelscope（国内）的， 速度很快的。比hf-mirror.com都快。如果在国内就走他俩下。

@exe127 有人在做int4模型，用这种应该可以好一些。现在也有不少人在开始做有损加速，但是还是再等等吧……我在等有64G内存的人测试一下……

@Miraco 在Windows或者虚拟机内，用机智罗的起动器，解压他的整合包。具体解压哪个你自己去看他的视频。解压后，有用的就几样内容：

1. 工作流（JSON）
2. custom_node（节点）
3. 模型

拷贝到Linux内，你让 Hermes等Agent, 帮你把节点迁移进去，模型放进去，它自己会搞。你让它迁移工作流的时候，跟它说，让它把windows的字符格式转linux的，例如Windows路径用""， Linux用"/"， 它自己会搞。

搞完你叫它跑一个测试流程就知道了。不难

@terry 惊艳，可以看看下面的对比：

另外，我发现B站刘悦也有更新这个工作流了。都赶着来了

@terry 老特你有64G内存吧？你试试跑跑看。升级ComfyUI到最新版本，有官方的实例工作流。支持int8模型，可以跑试试。就是慢。我文生图跑通了，速度还可以。

但是图生视频，我的内存不够，A卡调度老是出问题，容易爆。B站很多人都出视频介绍了。我关注萝卜的，他的工作流也挺有意思。

A卡可以玩一下Minimax H3 的文生视频, 但是因为ROCm的动态内存调度不理想，所以很慢……

我测试图生视频（参考生视频），因为我内存不够，ROCm的内存交换太渣，卡了好久，不想等下去了……

希望有好的配置的人试试。

感觉这玩意的效果还是挺好的。

@exe127 我找到了一条8g的ddr4..怼上去多了一丝丝的余量……其实还是最少48G比较好

RX 7900 XTX + ROCm 跑 LTX-2.3 视频折腾全记录（附能跑通的配置）

折腾了差不多一周，从花屏、黑图、卡死、OOM 杀桌面一路趟过来，终于让 LTX-2.3 在 A 卡上稳定出片了。把踩的坑和最终配方写下来，希望帮同样在 ROCm 上挣扎的朋友少走点弯路。

我的配置

项	配置
GPU	AMD Radeon RX 7900 XTX（24GB，gfx1100/RDNA3）
驱动/计算栈	ROCm 7.2.4
PyTorch	2.11.0+rocm7.2（关键，下面说）
系统	CachyOS（Arch 系），btrfs
CPU/内存	i5-13490F / 32GB 内存
ComfyUI	v0.29.0 + 几个本地补丁
工作流	LTX-2.3 22B AV（首尾帧视频、图生视频，GGUF Q4_K_M）

---

一、先说结论（太长不看版）

稳定组合 = LTS 内核 + PyTorch 2.11 + 下面那套启动参数。 记住这三样，剩下的都是细节。

• 内核：用 LTS（别用最新的 7.x）。
• PyTorch：用 2.11（别用 2.12）。
• TunableOp：关掉（花屏元凶，暂时我这里是……）。
• 注意力：用 --use-pytorch-cross-attention，别开 flash。
• 第一次跑会崩，当暖机，再跑一次就稳。

---

二、内核选择：一定要 LTS

这是最先踩的坑。最新的 7.x 内核（CachyOS 滚的）在重 ROCm 负载下，amdgpu 驱动会触发：

Memory access fault by GPU node-1 ... Reason: Page not present or supervisor privilege.
Fatal Python error: Aborted

直接 SIGABRT 退出。看内核日志就是一堆 [gfxhub] page fault。切到 LTS 内核（cachyos-lts）这个崩法就消失了。 所以开机 GRUB 永远选 LTS，别手贱升最新。

怎么判断是不是这个坑：崩之前日志里如果有 Memory access fault ... Page not present，基本就是新内核 amdgpu 的锅，换 LTS。

---

三、ComfyUI 升级 + 打补丁

直接 git pull 升到 v0.29.0 就行。但有几个坑上游还没修，得自己打本地补丁（补丁我存在仓库的 scripts/ 下，提交进了 git，pull 后重新 git apply 即可）。

补丁 1：pin_memory 预算修复（对应 GitHub #14525 / issue #13730）

症状：加载大模型时卡死在 Requested to load LTXAV，一动不动。
原因：AMD 上 pinned memory（锁页内存）会被无限注册直到把主机内存撑爆。上游 #14525 加了预算检查但至今没合并，#13730 那个 issue 还开着。
修法：本地把 comfy/model_management.py 的 pin_memory() 改成先检查预算：

# 改之前(裸调用,会卡死):
ensure_pin_registerable(size)
# 改之后(检查预算,失败就回退到普通内存):
if not ensure_pin_budget(size) or not ensure_pin_registerable(size):
    return False

补丁 2：SaveVideo 音频 NaN 修复（对应 #13192 / #14617）

症状：视频采样完了，最后存盘时报 avcodec_send_frame() returned 22（EINVAL），视频存不出来。
原因：音频波形里有 NaN/±Inf，ffmpeg 的 AAC 编码器直接拒绝。
修法：在 video_types.py 存盘前 np.nan_to_num 清洗 + try/except 兜底（音频实在编不了就存无声视频）。

这两个补丁上游都还没合，所以每次 git pull 升级 ComfyUI 都要重新打一遍，否则老问题又回来。

---

四、启动参数调优（最核心的一段）

这部分我反复调了好几天，直接给结论。下面这套是我实测能跑通的：

# 环境变量
export TORCH_BLAS_PREFER_HIPBLASLT=1
export COMFYUI_ENABLE_MIOPEN=1
export MIOPEN_FIND_MODE=FAST
export PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True,garbage_collection_threshold:0.7,max_split_size_mb:512"
export HSA_ENABLE_SDMA=0
# ⚠️ 切勿开启 PYTORCH_TUNABLEOP_ENABLED,会花屏!

python main.py \
  --use-pytorch-cross-attention \
  --disable-async-offload \
  --disable-dynamic-vram \
  --cache-none \
  --reserve-vram 4.0 \
  --enable-cors-header --preview-method auto --port 8188

每个 flag 为什么这么选

参数	为什么
--use-pytorch-cross-attention	ROCm 原生 SDPA，稳定。flash 和 quad 都试过，不稳（见第五节）。
--disable-dynamic-vram	必须留！ 关掉它才走 lowvram 逐层流式，22B 模型才塞得进 24G 显存。去掉会卡死。
--disable-async-offload	显存策略配套，留着。
--reserve-vram 4.0	单卡带显示，给桌面留点显存，不然 VRAM 峰值一来直接杀桌面。(其实实测，只要RAM内存太小，还是会杀桌面，峰值来了，不稳定)
--cache-none	排查期最干净，每次重算。
不开 --disable-smart-memory	让 smart memory 开着，文本编码器(Gemma)用完会自动释放，腾内存给后面的大模型加载。（0.29更新后，似乎有用了）
不开 --disable-pinned-memory	让 pinning 开着，CPUGPU 搬运快（配合上面的 #14525 补丁已经安全）。

️ PYTORCH_TUNABLEOP_ENABLED 千万别开！它会自动挑"最快"的核但不校验正确性，在 gfx1100 上挑到错核 → 全局花屏/黑图（连最简单的 SD1.5 文生图都崩）。这是花屏的真正元凶，我追了半天。

---

五、Flash Attention vs PyTorch Attention

这俩我都测试过，但是效果没多大感觉和区别：

• Flash Attention（--use-flash-attention）：我编译装了 flash_attn 2.8.4（ROCm/Triton 后端），这个稳定性存疑，要多测试。
• PyTorch Cross Attention（--use-pytorch-cross-attention）：ROCm 原生 SDPA，稳，画质无损。就用这个。
• SageAttention：这个版本太低了，不活跃，不如用原生的。

一句话：A 卡上老老实实用 --use-pytorch-cross-attention，速度够，稳定性最好。

---

六、显存内存峰值：24G， 内存32G，卡的天花板（这是最无奈的部分）

我用监控实测过，LTX-2.3 的 AV（音视频）工作流在"采样后合成"那一瞬间，显存峰值能冲到 23.82G / 24G——只剩 ~180MB 余量。这就是一切不稳定的总根源：

• 单卡同时干显示 + 计算，桌面合成器、鼠标、浏览器都要吃显存；
• 那 180MB 够不够显示用 → 全凭运气：有时候够（出片成功），有时候差一点（OOM 杀桌面 / GPU fault / 花屏）。
• --reserve-vram 4.0 在这个峰值点也没完全守住，ComfyUI 照样冲到 23.82G。

** 最佳还是用64GB内存，32GB内存要生成视频，一定要控制视频的块以及视频的分辨率，长度，不然卡在内存里面，就跟死了没两样 **

怎么把成功率拉到最高（但拉不到 100%）

1. 跑之前关掉所有吃显存的程序：GPU 加速的终端（Kitty/Alacritty 那种）、开了硬件加速的浏览器都关，换成软渲染终端 + 轻浏览器。腾出来的显存就是你的活路。
2. 第一次跑当暖机：刚启动 ComfyUI 的第一次跑基本会崩（冷加载 ~45G 模型 + 核 JIT 编译 + 内存碎片，把峰值顶穿）。崩了别管，直接再跑一次——第 2 次起模型进了缓存（ComfyUI 缓存 + 系统页缓存），复用、稳定出片。这是我的标准操作了。
3. 崩过之后重启电脑清干净状态，别在脏环境上硬重试。
4. 有一点估计是我看不仔细，就是很多人的7900XTX, 不跑桌面任务，单纯用来跑视频的。所以也就是很多人用SSH到另一台机器跑的缘故，可以节约1GB的显存 ————》机智罗的工作环境，他本地内存64GB, 而且他是Windows内，用核显跑桌面，显卡是专用跑AI的！

老实讲：一个峰值 23.82G 的工作流在 24G 单卡（还带显示）上，天生就是走钢丝。想 100% 稳，要么降峰值（分辨率/帧数/AI 模型），要么换更大显存的卡。在我这套硬件上，能跑通，但不是每次都通——这是物理上限，不是参数没调好。

---

七、关于 swap / zram（顺手提一下）

32G 内存跑 ~45G 模型，必然要 swap。我把 swap 调成了：

• zram 16G（优先级 100）：压缩内存，速度快，优先用；
• 磁盘 swap 32G（优先级 10）：兜底。

注意 zram 别开太大（我一开始开 31G 反而吃光内存），16G（约内存的一半）是甜点。btrfs 上的 swap 文件要用 btrfs filesystem mkswapfile 建（普通 fallocate 会被 swapon 拒绝，EINVAL）。

我推翻了我原来认为ZRAM的问题。因为说到底，是我没设置好。而且机器内存真的不够。

还有就是：ComfyUI对Linux的Swap真的不会去调用的。Windows内可以开虚拟显存，在Linux内我还在找办法。

---

八、PyTorch 版本：为什么是 2.11

我测了 2.11 / 2.12 / 2.13 三个版本：

版本	表现
2.11	稳，能完整跑通（就这个）
2.12	卡在 LTXAV 加载，过不去
2.13	没充分验证，不敢用

所以锁定 2.11。我的三个 venv 是 venv(2.13) / pt-2.12 / pt-2.11，启动器里永远选 pt-2.11。

---

九、几个"吓人但不是坏事"的现象

• 首次启动第一张图黑：ROCm 内核 JIT 冷启动，第二张就正常。无害。
• 跑完任务后屏幕花屏闪烁：基本是崩过之后 amdgpu 的脏状态残留，重启就好。判别：重启后消失 = 没事；BIOS 界面也花 = 才需要担心硬件。我查过内核日志，那些 fault 都是 ComfyUI 进程的权限错误（软件问题），GPU reset 次数为 0，硬件没坏。
• 换工作流报 VideoVAE has no attribute ...：大概率是 VAE 模型选错了（我就犯过），检查一下加载的 VAE 文件对不对。

---

十、为什么 N 卡 8G 能跑，我这 24G A 卡这么费劲？

不是 8G > 24G。是 ComfyUI 那套"显存不够就从内存流式喂"的机制，在 CUDA 上又快又顺，在 ROCm 上又慢又糙。N 卡的锁页内存和 CPUGPU 传输很快，GPU 一直被喂饱；A 卡这条传输路径慢一截，GPU 经常饿着（利用率掉到 3%、卡住）。再加上 ROCm 生态对 ComfyUI 这种动态搬权重的场景成熟度不如 CUDA，坑就多。

但结局不差：24G 显存比 8G 大，配对了之后能常驻的权重更多，理论上比 8G N 卡还快——只是路更颠。A 卡性价比是实打实的，没买错。

---

附：我的完整启动脚本片段

#!/bin/bash
# ROCm 环境变量
export TORCH_BLAS_PREFER_HIPBLASLT=1
export COMFYUI_ENABLE_MIOPEN=1
export MIOPEN_FIND_MODE=FAST
export MIOPEN_USER_DB_PATH="$HOME/.cache/miopen"
export PYTORCH_CUDA_ALLOC_CONF="expandable_segments:True,garbage_collection_threshold:0.7,max_split_size_mb:512"
export HSA_ENABLE_SDMA=0
# PYTORCH_TUNABLEOP_ENABLED 不设(=关)

python main.py \
  --use-pytorch-cross-attention \
  --disable-async-offload \
  --disable-dynamic-vram \
  --cache-none \
  --reserve-vram 4.0 \
  --disable-api-nodes \
  --enable-cors-header \
  --preview-method auto \
  --port 8188

---

TL;DR

1. LTS 内核 + PyTorch 2.11 是稳定基线，别用最新的。
2. #14525 和 SaveVideo 两个补丁自己打，上游没合。
3. TunableOp 关掉，用 pytorch-cross-attention，否则花屏。
4. --disable-dynamic-vram 必须留（lowvram 流式），smart memory 留开（自动释放）。
5. 峰值 23.82G 是天花板，第一次跑当暖机，关掉别的吃显存程序，崩了重启再来。
6. A 卡跑 ComfyUI 路是颠，但能跑通，性价比还是香的。
7. A 卡出一个大视频，低内存就别想了，还是老老实实做脚本，一段一段来吧。

最后，未来在继续尝试折腾看看。过阵子看看内存，上64G试试咸淡……

有问题欢迎在帖子里交流，我能帮的都答。祝大家的 7900 XTX 都能稳定出片

---

附带B站黑鹤001的工作流，我用这个测试的：

LTX23-首尾帧视频(双图).json

——————————————————————————
以下是机智罗的Wan2.1工作流测试图生视频。但是不知道为啥一次比一次慢

——————————————————
以下是内存爆满卡死的情况：

@abaalei 你有测试过机智罗最新的数字人无限时长工作流吗？搞不懂他上面的gemma-3-12b-it-heretic-v2_fp8_e4m3fn.safetensors ， 还有 ltx-2.3-22b-distilled-1.1_transformer_only_fp8_scaled.safetensors 是怎么加载进去的。我这边一跑就 OOM了……还在琢磨中……