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
Max WangM

Max Wang

@Max Wang
体面乡绅
取消关注 关注
关于
帖子
11
主题
2
分享
0
群组
1
粉丝
0
关注
0

帖子

最新 最佳 有争议的

  • 【H3剑心比赛】 Intel Arc Pro B70 32 GB 单卡本地跑 MiniMax H3:3D + 2D
    Max WangM Max Wang
    AI音视频画图 b70pro intel 视频生成

    @Tony-Wang 感谢鼓励!


  • 【H3剑心比赛】 Intel Arc Pro B70 32 GB 单卡本地跑 MiniMax H3:3D + 2D
    Max WangM Max Wang
    AI音视频画图 b70pro intel 视频生成

    @terry https://lcz.me/topic/3120 已分享👍


  • Arc Pro B70 32GB 在 Linux 上跑 XeStrata:Qwen3.8 Flash-Next 实测汇总,以及和 RTX PRO 4000 的对比
    Max WangM Max Wang
    LLM讨论区 b70pro intel qwen

    XeStrata 是什么:Strata 是一个在普通 PC 上跑 Qwen3.8 Flash-Next(约 125B 参数的 MoE 模型)的本地推理引擎:显存放不下的专家留在内存里由 CPU 计算,配合 MTP 推测解码,大幅降低了对显存的要求,16 GB 这类小显存显卡也能运行。上游支持的硬件很广:NVIDIA RTX 20–50 系列,AMD Radeon(RX 7000、9000 系列,AI PRO R9700)和 Strix Halo,Apple Silicon,以及 Linux 上的 Intel Arc(SYCL 移植版)。XeStrata 是它的分支,把 GPU 代码整体从 CUDA 改写成 SYCL 和 Level Zero,主要针对 Intel Arc 优化(XMX、oneMKL),同一套代码也能编译给 AMD 和 NVIDIA 显卡用;模型、安装方式和 API 与 Strata 基本一致。它分 free 和 contrib 两种编译方式,contrib 会用上 Intel 的 oneMKL。

    这两周在一台 Ubuntu 主机上,用 Intel Arc Pro B70 和 XeStrata 跑 Qwen3.8 Flash-Next,测了不同内存容量、不同量化和长上下文下的速度,还做了一轮 IQ3_S 和 4 比特的回答质量对比,最后和同一台机器上的 RTX PRO 4000 做了对照。数据都是自己机器上的实测,每项一般只跑一次,仅供参考。

    先说结论

    • B70 + XeStrata 可以稳定使用:128 GB 内存下,IQ3_XXS 短问答约 93 tok/s,agent 每轮首 token 约 1.3 s,比同一张卡在 Windows 上快不少(主要是内存大了)。
    • 内存容量影响最大:32 GB 下专家放不进内存;128 GB 下全部常驻,生成快约 20–45%,读提示词快约 45%。
    • 4 比特不值得:B70 跑 4 比特时,生成速度只有 IQ3_XXS 的 70% 左右;而在我们的质量测试里,4 比特在 agent 长任务上没有比 IQ3_S 更好。
    • 和 RTX PRO 4000(24 GB)插主槽比:跑同一个 IQ3_S,PRO 短问答快 38%,agent 生成快 63%,首 token 差不多。
    • 我们的看法:大模型用途上,PRO 4000 更快、更省心。B70 的优势在生图和 32 GB 显存,详见第 8 节。

    1. 硬件平台

    项目 配置
    显卡 ASRock Creator Arc Pro B70 32GB(Intel Arc Pro B70,BMG-G31)
    显卡接法 CPU 直连主槽 PCIe 5.0 x16,ReBAR 32G,默认功耗上限 275 W
    CPU Intel i5-13600K(6P + 8E)
    主板 MSI MAG B760M MORTAR WIFI DDR4
    内存 4×32GB DDR4 3200,共 128 GB(另用 mem=64G 内核参数测了 64 GB)
    硬盘 Lexar NM1090 PRO 2TB(模型和系统都在这块盘上)
    电源 850 W SFX

    注:32 GB 那组数据是升级前测的,当时是另一颗低功耗 CPU 加 32 GB 内存,下文单独标注。

    2. 软件环境(最终状态)

    项目 版本
    系统 Ubuntu 26.04,内核 7.0.0-43(xe 驱动)
    显卡固件 GuC 70.58.0,linux-firmware 20260319
    Intel 用户态驱动 compute-runtime 26.40.40196、IGC 2.42.14(kobuk-team PPA)
    XeStrata main 721afe51(0.2.8-1),contrib 编译(oneMKL + XMX)
    编译器 intel/llvm 7.2.0(XeStrata 的 setup 自动编译)
    模型 Qwen3.8 Flash-Next:GSQ-RCO IQ3_XXS、IQ3_S(ISTA-DASLab);unsloth UD-Q4_K_XL
    推理设置 128K 上下文,int8 KV,开启 MTP 推测解码,单路

    3. XeStrata 部署流程

    1. 装驱动:Ubuntu 自带的 compute-runtime 太旧(XeStrata 要求 Level Zero 的 build 号不低于 38646),改用 kobuk-team PPA 的版本。装好后用 sycl-ls 确认 B70 显示为 level_zero:gpu。
    2. 放开锁内存限制:XeStrata 会锁定一部分内存页(pinned memory),默认的 ulimit -l(8 MiB)太小。在 /etc/security/limits.d/ 下把用户的 memlock 设为 unlimited,重新登录后生效。
    3. 拉源码,建 Python 环境,然后运行:
      python setup.py --license contrib --model IQ3_XXS --context 131072 --vision no --no-start --yes --data-dir <数据目录>
      
      • 第一次运行会编译 intel/llvm,我们用了约半小时,以后会复用。
      • --license contrib 才会用上 oneMKL 和 XMX。启动日志里能看到 "prompt matrix products on oneMath (oneMKL)" 就说明生效了。
      • 模型直接从 Hugging Face 下载,setup 会校验 SHA-256。
    4. setup 会按内存大小自动生成配置,主要区别如下:
    内存 专家放在哪 关键参数
    32 GB 显存放约 50–60%,其余靠系统文件缓存或 SSD 32 GB 跑 IQ3_XXS 时加 --resident-experts;IQ3_S 时改为 --mmap-experts(低内存模式)
    64 GB 显存加内存基本能放下 IQ3_XXS --pool-workers 9(9 个 CPU 专家线程)
    128 GB 全部常驻内存,n-gram 表也放内存 另加 --ple-io ram,以及 --kv-resident 32768(KV streaming)
    1. 用 serve/server.py --engine strata --config <配置> 启动,默认只监听 127.0.0.1,接口兼容 OpenAI 和 Anthropic。

    如果机器上同时装了 NVIDIA 驱动:XeStrata 的 setup 检测到 nvidia-smi 时,会去编译 CUDA 版的 intel/llvm,既浪费时间也用不上。我们的做法是只在运行 setup 时,往 PATH 前面放一个直接返回失败的假 nvidia-smi,把它屏蔽掉。另外,用不同的 XDG_* 目录把 XeStrata 和上游 Strata 的配置隔离开。

    4. 测试方法

    • 速度:XeStrata 自带的 strata_bench,开思考模式(reasoning_effort = medium),每项 3 轮取中位数。
      • 短问答:约 44 个 token 的提问,生成 100 个 token。
      • 4K / 16K 提示词:全新的长提示词,测读提示词的速度(prefill)。
      • agent:带系统提示词和 4 个工具定义,连续 5 轮,每轮追加约 1500 词的文件内容,最后上下文约 11K token。记录每轮的首 token 时间和生成速度。
      • 2 路并发:两个请求同时发出,统计合计的 tok/s。
    • 质量:自己出的 18 道问答题(环境调试、运维、编程各 6 题,部分有陷阱),每题 2 轮;另有 4 个用 opencode 完成的 agent 长任务(写一个带测试的多文件小项目、只读巡检本机、从约 7 万 token 的日志里找故障、一串精确的哈希计算),每题 3 轮。主观题打乱顺序后盲评,代码题在断网容器里实际运行判分。

    5. 测试结果

    5.1 内存容量的影响(IQ3_XXS)

    指标 Windows(32 GB)¹ 32 GB ² 64 GB 128 GB
    短问答生成 tok/s 50.2 65.0 88.1 93.4
    4K 提示词 tok/s — 1214 1692 1768
    16K 提示词 tok/s 1843 1669 2352 2456
    agent 每轮首 token(s) 1.9 1.91 1.33 1.28
    agent 生成 tok/s 60.5 75.6 90.7 89.1
    2 路并发合计 tok/s — — 71.8 71.0

    ¹ 同一张卡此前在 Windows 上的成绩:R7 9700X,32 GB DDR5,XeStrata xe0.2.2-1。平台不同,仅作参考。
    ² 升级前的平台(低功耗 CPU,32 GB DDR4),内核 7.0.0-42,驱动 26.35。

    64 GB 到 128 GB 差别很小,说明 IQ3_XXS 有 64 GB 基本就够了。32 GB 时专家放不下,速度下降很明显。

    5.2 量化档位(128 GB)

    指标 IQ3_XXS IQ3_S UD-Q4_K_XL UD-Q4_K_XL(64 GB)
    模型大小 约 76 GB 约 84 GB 约 111 GB 同左
    短问答生成 tok/s 93.4 84.1 67.0 46.9
    4K 提示词 tok/s 1768 1680 1399 425
    16K 提示词 tok/s 2456 2399 2269 775
    agent 每轮首 token(s) 1.28 1.34 1.65 4.96
    agent 生成 tok/s 89.1 71.2 61.9 43.7
    2 路并发合计 tok/s 71.0 51.2 53.1 32.6
    • IQ3_S 读提示词几乎不慢,生成慢 10–20%。
    • 4 比特在 128 GB 下还能用;64 GB 下专家要从 SSD 读,首 token 接近 5 秒,基本不可用。
    • 参考:升级前 32 GB 跑 IQ3_S(低内存模式),4K 提示词只有 575 tok/s,agent 首 token 4.0 s,agent 生成 45.4 tok/s。

    5.3 回答质量:IQ3_S 和 4 比特(B70 + XeStrata)

    指标 IQ3_S UD-Q4_K_XL
    问答 18 题,2 轮平均(满分 36) 24.5 29.5
    opencode 长任务,3 轮平均(满分 18) 18.0 17.7
    陷阱题踩中次数 1 0
    端到端生成 tok/s(中位数) 90.6 67.3
    • 4 比特在问答题上多 5 分,主要领先在运维类细节。但每组的差距和同一模型两轮之间的波动差不多大。
    • opencode 长任务两者基本都是满分,4 比特还漏了一次关键日志行。说明这些任务对两者都不难,拉不开差距。
    • 两个模型有共同的弱点:比如 4 份清理脚本里有 3 份在 set -e 下写了 (( x++ )),计数器为 0 时脚本直接退出。说明这是模型本身的盲区,不是量化造成的。
    • 结论:IQ3_S 够用,为 4 比特多花的内存和速度代价不值得。

    5.4 XeStrata 和上游 Strata(32 GB 阶段,同卡)

    用 XeStrata 自带的对比功能(setup.py --bench --original-strata v0.2.8):同一个模型文件,两个引擎轮流跑,各项取 2 次的中位数。上游用的是它的 SYCL 移植版,在容器里编译。这组数字的测法和上面的表格不同,只能用来比较两个引擎。

    指标 XeStrata 0.2.8-1 上游 Strata v0.2.8 SYCL 差别
    1K 提示词 tok/s 1094 122 ×8.9
    32K 提示词 tok/s 1896 1098 ×1.7
    64K 提示词 tok/s 1887 1297 ×1.5
    1K 上下文生成 tok/s 87.9 51.6 +70%
    64K 上下文生成 tok/s 90.4 46.0 +97%
    对话续轮等待(ms) 159–173 342–568 少 50–70%

    在 Intel 卡上,XeStrata 比上游的 SYCL 版快得多,生成大约快 70–100%,短提示词的读入速度更是差了一个数量级。另外,XeStrata 的 tag 版 xe0.2.2-1 和 main(0.2.8-1)也比较过,差距在 2–11%,基本在噪声范围内。

    6. 踩过的坑(已解决或已绕过)

    问题 现象 处理
    驱动版本太旧 系统自带的 compute-runtime 低于 XeStrata 的要求 改用 kobuk-team PPA
    锁内存上限 默认 ulimit -l 只有 8 MiB,setup 会给出提示 在 limits.d 里把 memlock 设为 unlimited
    同机有 NVIDIA 驱动 setup 会去编译 CUDA 版的 intel/llvm 运行 setup 时用一个假的 nvidia-smi 把它屏蔽
    PCIe 链路显示 x1 sysfs 里 B70 显示 2.5 GT/s x1 这是卡内部桥接芯片的显示;看卡的上游端口,实际是 PCIe 5.0 x16,实测约 40 GB/s
    空闲时风扇狂转 GPU 空闲进入省电状态后温度读数不再更新,固件按冻结的高温一直让风扇高转(IGCIT #1574;B70 没有 fan_control 的 late-binding 固件) 写了一个小服务:功耗低于 40 W、温度不低于 50°C 且 60 秒没变化时,跑 1 秒小计算唤醒 GPU,温度刷新后风扇就降下来了
    短问答第一轮偏慢 冷启动第一轮只有约 47 tok/s,导致中位数范围很宽 对比时注意预热;看范围窄的指标(提示词速度)更可靠
    4 比特放不进 64 GB 首 token 接近 5 秒 用 IQ3 档,或者上 128 GB
    电感啸叫 满载时啸叫明显 没处理(可以考虑降低功耗上限,未测)

    7. 仍然存在的问题

    • XeStrata #42(最需要注意):Level Zero 注册宿主内存时没有真正锁住页面。系统整理内存(compaction)或换出(swap)把页面挪走后,会整段重新映射,导致 bcs 引擎 CAT 错误甚至卡死。内存越紧越容易出现,我们在 64 GB 加双卡负载时遇到过。修复在作者还没公开的开发分支里。临时办法是设 STRATA_NO_ARENA_THP=1,并把 vm.compact_unevictable_allowed 设为 0(我们没有长期采用,没有充分验证)。
    • XeStrata 更新停了:main 从 10-30 起没有新提交,上面这个问题不知道什么时候能修。
    • 日志显示 "pinned 0.00 GiB":常驻专家显示锁定 0 GiB,ulimit -l 已经是 unlimited,原因没查清,可能和 #42 有关。
    • 功耗墙:重型负载(主要是 ComfyUI 跑大视频)时一直顶着 275 W 上限。我们换回旧内核对比过,结果一样,和内核无关。
    • 风扇问题只能绕过:唤醒方案能用,但需要一个常驻服务,要等官方固件修复。
    • 生态:XeStrata 是个人维护的分支;ComfyUI 侧的 Intel 优化(llm-scaler / Omni)要自己编译 oneDNN、内核扩展等,出了问题基本只能自己排查。

    8. 和 RTX PRO 4000(24 GB,主槽)对比,以及我们的意见

    同一台机器、同为 128 GB 内存、同一个测试脚本。PRO 4000 用上游 Strata v0.2.10(CUDA 预编译版),功耗上限 145 W,插在同一个 PCIe 5.0 x16 主槽。

    指标 B70 IQ3_XXS PRO IQ3_XXS B70 IQ3_S PRO IQ3_S B70 Q4 PRO Q4
    短问答生成 tok/s 93.4 132.4 84.1 116.1 67.0 53.0
    4K 提示词 tok/s 1768 2354 1680 2200 1399 1346
    16K 提示词 tok/s 2456 2923 2399 2891 2269 2846
    agent 每轮首 token(s) 1.28 1.23 1.34 1.36 1.65 1.81
    agent 生成 tok/s 89.1 127.3 71.2 115.7 61.9 58.7
    2 路并发合计 tok/s 71.0 97.2 51.2 84.4 53.1 45.5
    • IQ3 档(日常最实用):PRO 4000 生成快 40–60%,读提示词快 15–30%,首 token 两者差不多。
    • 4 比特:B70 的 32 GB 显存能多放专家,生成反而比 PRO 快约 25%。但前面的质量测试说明,4 比特对实际使用没有明显帮助。
    • 生图生视频(ComfyUI)方面,B70 在 SDXL、FLUX.1 这类生图项目上快 1.2–1.6 倍;FLUX.2、LTX-2.5、Wan 14B 这些重型项目则是 PRO 更快。另外 B70 的 32 GB 显存对视频有余量优势。

    我们的意见

    • 主要跑本地大模型、agent:选 PRO 4000 这类 NVIDIA 卡。速度快,生态成熟,没有 #42 和风扇这类问题,功耗也只有一半。
    • 主要生图,看重 32 GB 显存,愿意自己折腾:B70 有价格和显存优势,在 Linux 上把 Intel 的优化栈部署好之后,生图速度确实不错。
    • 想用 B70 跑大模型:内存至少 64 GB,最好 128 GB;量化用 IQ3_XXS 或 IQ3_S;避免内存吃紧(不要和其他大内存程序挤在一起),以减少触发 #42 的机会。
    • 我们这台机器以大模型用途为主。如果以后有第二张卡的需求,可能会等价格合适的时候再买一张 RTX PRO 4000。

    9. 说明与局限

    • 每个配置基本只跑了一次(3 轮取中位数),单项差距在 5% 以内的可以视为噪声。
    • 32 GB 那组数据的平台(CPU、内核和驱动版本)和后面不同,只能看大致趋势。
    • 质量测试只有我们自己出的题,由一个人盲评,样本小,结论只适用于这类运维和编程场景。
    • PRO 4000 用的是上游 Strata,B70 用的是 XeStrata,引擎版本不同,比的是“各自最好的软件栈”。

    后续

    接下来还会单独分享 B70 在 ComfyUI 上生图生视频的测试,覆盖目前主流的生图和生视频模型,包括在 Linux 上部署 Intel 优化栈的过程,以及和 RTX PRO 4000 的对比。


  • 【H3剑心比赛】 Intel Arc Pro B70 32 GB 单卡本地跑 MiniMax H3:3D + 2D
    Max WangM Max Wang
    AI音视频画图 b70pro intel 视频生成

    @terry 谢谢鼓励!最近还测试了这张卡跑Xestrata (Strata 专门针对Intel优化的分支) 的数据,之后会整理发出


  • 参与者奖励20分,冠军60额外分,亚军30分,季军15分!AMD,Nvidia,Intel,Apple用户同提示词,同规格要求生成竞赛,正面较量!作品结算期限1周!
    Max WangM Max Wang
    AI音视频画图 minimax 视频生成

    参赛帖ID: https://lcz.me/topic/3105
    3D视频:https://youtu.be/AzPE66jdKjc
    2D视频:https://youtu.be/1_W0JfrQo9E


  • 【H3剑心比赛】 Intel Arc Pro B70 32 GB 单卡本地跑 MiniMax H3:3D + 2D
    Max WangM Max Wang
    AI音视频画图 b70pro intel 视频生成

    两条视频都是在一张 Intel Arc Pro B70(32 GB)上用 ComfyUI 本地生成的,没用云端,也没用 N 卡。
    统一提示词只把第一行的风格改成 (Style: 3D CGI animation) 或 (Style: 2D traditional anime),其余原样保留,没有加参考图编号标签。

    • 3D 版:https://youtu.be/AzPE66jdKjc
    • 2D 版:https://youtu.be/1_W0JfrQo9E

    1. 硬件配置

    项目 配置
    显卡 Intel Arc Pro B70 32 GB(Battlemage G31),主板 CPU 直连槽,PCIe 5.0 x16
    CPU Intel Core i5-13600K
    内存 128 GB DDR4
    系统 Ubuntu 26.04.1 LTS,内核 7.0.0-43
    GPU 驱动 compute-runtime(Level Zero / OpenCL)26.40.40196.15,IGC 2.42.14,oneAPI 2026.1
    功耗 默认功耗墙,没有超频或解锁;采样时显卡平均约 295 W、2.2 GHz,核心最高 72 °C

    2. 工作流(JSON 附后)

    workflow_2D_api_seed2026111403.json
    workflow_3D_api_seed2026111404.json

    只用 ComfyUI 内置节点,结构和官方 MiniMax H3 Ref2VA 模板一致:

    UNETLoader → MiniMaxH3ReferenceToVideo(参考图 + 提示词)→ RandomNoise / BasicGuider / KSamplerSelect(res_multistep) / BasicScheduler(simple, 20 步) → SamplerCustomAdvanced → VAEDecode + VAEDecodeAudio → CreateVideo(24 fps) → SaveVideo

    项目 3D 版 2D 版
    主模型 minimax_h3_ref2va_pruned_int8_convrot 同左
    文本编码器 qwen3vl_32b_minimax_h3_int8_convrot 同左
    VAE minimax_h3_video_vae_int8_convrot + minimax_h3_audio_vae_fp32 同左
    采样 res_multistep,simple,20 步(官方默认),不用加速 LoRA 同左
    分辨率 / 时长 1344×768,12 秒 同左
    参考图 6 张全部,ref_image_size = max 剑心 2D 图 2 张 + 志志雄 1 张,ref_image_size = match
    种子 2026111404 2026111403
    提示词 统一提示词,风格行改为 3D CGI animation 统一提示词,风格行改为 2D traditional anime

    关于 12 秒:H3 的帧数必须是 17k+5,所以模型生成 294 帧,解码后用 ImageFromBatch 保留前 288 帧,音频用 TrimAudioDuration 裁到 12.00 秒,最终是 24 fps × 288 帧 = 12.00 秒。

    2D 版只用了 3 张参考图,原因:用全部 6 张时,志志雄的两张 3D 手办图会把画面后半段带成 3D 质感;去掉后整片能保持 2D 画风。

    3. 加速手段

    这次以画质优先,没用任何减步数的加速 LoRA,也没开 SOL 稀疏注意力。只做了 Intel 显卡这边的运行环境优化:

    • PyTorch 2.15 XPU 版 + oneAPI 2026.1:原生 Intel GPU 后端。
    • Intel OmniXPU(omni_xpu_kernel 0.2.0b3,CUTE 注意力后端):在 B70 上替换注意力、归一化、RoPE 和 int8 线性层的计算核。
    • int8 convrot 权重:主模型、32B 文本编码器和视频 VAE 都用 int8,32 GB 显存装得下,也省带宽。
    • comfy-aimdo 0.6.0 DynamicVRAM:模型权重按需在显存和内存之间调度,避免 32 GB 显存不够时报错,--reserve-vram 4。
    • comfy-kitchen 0.2.40:XPU 版本的量化和计算核。
    • ComfyUI 0.44.0:只加了一处本地补丁,让视频 VAE 解码前先卸载其他模型,避免解码时显存溢出到共享内存。

    4. 运行日志(Total Time)

    截图里的关键行:

    3D 版
    log_3D.png

    Device: xpu:0 Intel(R) Arc(TM) Pro B70 Graphics
    100%|██████████| 20/20 [49:19<00:00, 147.77s/it]
    Prompt executed in 00:51:17
    [VIDEO CHECK] ... 1344x768, 288 frames @ 24 fps = 12.00 s, audio aac 32 kHz 2ch
    

    2D 版
    log_2D.png

    Device: xpu:0 Intel(R) Arc(TM) Pro B70 Graphics
    100%|██████████| 20/20 [41:13<00:00, 123.54s/it]
    Prompt executed in 00:42:21
    [VIDEO CHECK] ... 1344x768, 288 frames @ 24 fps = 12.00 s, audio aac 32 kHz 2ch
    

    Prompt executed in 是 ComfyUI 从收到任务到保存视频的总时间,包括加载模型、编码参考图和提示词、20 步采样、视频和音频解码以及保存。[VIDEO CHECK] 行是生成后用 PyAV 读取成片得到的实际分辨率、帧数和时长。

    注:YouTube 显示 0:13 是平台转码后取整造成的,原文件为 288 帧 @ 24 fps = 12.00 秒,见日志中 [VIDEO CHECK] 一行。

    两版用时差 9 分钟,主要应该是因为 3D 版用了 6 张、尺寸为 max 的参考图,模型要处理的参考 token 更多。

    5. 一点心得

    • 同样的设置,换个种子结果差别很大(比如结尾有没有两人一起面向镜头)。我先用 864×480 跑 12 秒的低分辨率草稿挑方向,再跑正式分辨率。
    • 草稿和正式版分辨率不同,同一个种子到正式版画面也会变,所以草稿只能用来判断方向,不能当成正式版的预览。
    • 2D 风格最容易出的问题是后半段被 3D 参考图带偏,减少 3D 参考图后好很多。
    • Pika 6 步 LoRA 速度快很多(864×480 草稿约 3.5 分钟),但在这条提示词上,两人对刀那段总会停住好几秒,所以正式版还是用了官方 20 步。

  • kobcpp 1.124.2进化了,不错不错
    Max WangM Max Wang
    LLM讨论区 本地模型 量化

    实测数据呢?看社区差strata挺多


  • 【H3剑心比赛】RTX 5090 32GB,DDR5,3分56秒出片
    Max WangM Max Wang
    AI音视频画图 rtx5090 minimax 视频生成

    @tester12340 应该是说这个3d视频的效果不够立体,种子方向过于偏向参考图里的2d立绘了


  • MiniMax H3 视频三卡实测:RTX PRO 5000 / R9700 / Arc Pro B70,Pika 六步 + 各自官方加速
    Max WangM Max Wang
    AI音视频画图 rtxpro5000 r9700 b70pro

    @fcys 谢谢,windows下测试因为机箱更大通风更好的确速度更快了


  • MiniMax H3 视频三卡实测:RTX PRO 5000 / R9700 / Arc Pro B70,Pika 六步 + 各自官方加速
    Max WangM Max Wang
    AI音视频画图 rtxpro5000 r9700 b70pro

    @xiongjie-gao 速度和生成质量是不错的。就是整个部署环境比较折腾,以及会有一些小问题。我遇到了 频繁撞功耗墙降频 以及 高负载后芯片温度停在最后一次负载时的数值,导致风扇就照着这个数一直高速转。第一个问题不知道原因,第二个问题intel社区有人已经反映了,官方反馈怀疑是显卡固件风扇策略问题,目前没有修复。


  • MiniMax H3 视频三卡实测:RTX PRO 5000 / R9700 / Arc Pro B70,Pika 六步 + 各自官方加速
    Max WangM Max Wang
    AI音视频画图 rtxpro5000 r9700 b70pro

    新人报到!最近也是在做B70的测试,纠结要不要退掉。。。把贴主的测试复测了一下:
    完全按帖子里 B70 的设置:主模型 minimax_h3_fl2va_pruned_int8_convrot,文本编码器 qwen3vl_32b_minimax_h3_int8_convrot,视频 VAE int8_convrot,音频 VAE fp32;LoRA pika_h3_flex_fl2va_v1_bf16(强度 1.0);lcm 6 步,sigma 设为 1.0, 0.972973, 0.923077, 0.8, 0.571429, 0.333333, 0.0;BasicGuider,CFG 1.0,不加 shift;124 帧,24 fps;提示词用官方 T2VA 模板自带的;先用 seed 7 预热一轮,再用 seed 12345 正式计时。计时从提交到完成,包含文本编码、采样、VAE 解码和音频封装。SOL 用 ComfyUI 自带的 BlockSparseAttention 节点:sol-attn,tau 1.3,start 0.2,end 1.0,min_tokens 12288,extra_tokens 256,exact_kv_and_rows。

    分辨率 配置 我的总耗时 我的每步 帖子总耗时 帖子每步
    864×480 不开 SOL 48.07 s 6.16 s/it 48.04 s 5.89 s/it
    864×480 SOL Attention 45.07 s 5.67 s/it 44.03 s 5.25 s/it
    1344×768 不开 SOL 170.4 s 24.89 s/it 172.1 s 24.8 s/it
    1344×768 SOL Attention 131.0 s 17.42 s/it 126.07 s 17.1 s/it
    • 和帖子的差距在 ±4% 以内。稀疏路径的 token 数也完全一样:864×480 是 15787,1344×768 是 38098。
    • SOL 带来的提速:864×480 是 1.07 倍,1344×768 是 1.30 倍;帖子分别是 1.09 倍和 1.37 倍。
    • 测试期间 B70 平均功耗 265 W,平均频率 2375 MHz,88% 的采样点处于 PL2 功耗墙;芯片最高 72 °C。
    • 我的环境是原生 venv(ComfyUI 0.44、PyTorch 2.15),帖子用的是容器(ComfyUI 0.43、PyTorch 2.14),平台也不一样(13600K 对 TRX40),但结果基本一致。

    目前自己的测试下来B70表现不错,就是跑高分辨率长流程会一直撞功耗墙,278 W、PL2 降频,频率只有 2183 MHz。之前测试的Wan 14B 1280×704会有一样的问题。不知道贴主有没有遇到功耗墙限制?

  • 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