MODEL FIELD NOTES · H3
H3 显存 OOM 排障：为什么静帧能跑、视频参考却爆显存？（附 5 帧出图实测）
在 32GB 显存上限附近，决定任务成败的往往不是输出时长本身，而是参考输入编码方式。本文记录为什么视频参考会触发 OOM、稀疏静帧参考如何通过，以及如何用 5 帧输出提取同分布首帧。
Read in English · 黄果制片镜像静帧参考与视频参考的显存边界
在 2026 年 8 月的 5 秒短片排障实验中，我们对比了同一 H3 链路在不同参考输入下的显存表现。很多创作者发现单张角色参考图可以顺利出片，但一旦换成连续动作参考视频，进程就会在采样前或解码阶段因显存不足（OOM）终止。
原因在于视频参考不仅增加了潜空间条件帧数，还要求视频 VAE 与条件编码器同时处理多帧上下文。当输出分辨率上调至 1344×768 并附带连续动作参考时，瞬时显存峰值直接越过 32GB 物理上限；而将分辨率收敛到 1152×640 并改用稀疏/静帧参考后，峰值显存回落到约 29.15 GB，任务稳定完成。
| 实验配置 | 分辨率与时长 | 参考输入模式 | 32GB 显存结果 |
|---|---|---|---|
| 高分辨率动作参考 | 1344×768 / 5 秒 | 连续视频参考 (Motion Ref) | OOM 失败 (>32 GB) |
| 稀疏/静帧参考收敛 | 1152×640 / 5 秒 | 稀疏静帧参考 (Sparse Still) | 通过 (~29.15 GB 峰值) |
| 量化长片段基准 | 352×640 / 15.083 秒 | 3.5 秒下采样参考 + 阶段卸载 | 通过 (31,658 MiB 峰值) |
| 开启模型 CPU 卸载 | 1152×640 / 5 秒 | 带 --offload_model 标志 | 通过但耗时增加约 6 倍 |
H3 能用来生成静帧角色图吗？5 帧输出取首帧实测
为了保证角色参考图与后续视频生成处于同一模型分布，我们测试了用 H3 直接生成极短帧序列并提取首帧的做法。实验设置分辨率为 960×544，采样 30 步，仅输出 5 帧（1 个 MP4 文件与 5 张导出 PNG）。
单次运行耗时 23.1 秒，显存远低于长视频任务。由于只计算 5 帧潜空间，可以把步数从视频常用的 12 步提高到 30 步以换取更干净的面部与服装纹理，随后取第 1 帧作为后续三镜头分镜的锁定锚点。需要注意的是，这属于同模型分布的短输出工程技巧，不能替代专用文生图模型在超高分辨率排版上的速度优势。
| 参数项 | 实测设定值 | 实测结果与用途 |
|---|---|---|
| 输出尺寸与帧数 | 960×544 / 5 帧 | 导出 1 个 MP4 与 5 张 PNG |
| 采样步数与耗时 | 30 步 / 23.1 秒 | 取第 1 帧作为同分布角色静帧锚点 |
32GB 显存防 OOM 实操顺序
遇到 OOM 时不要盲目重复提交同一任务，建议按以下顺序逐项收缩变量，或直接使用本站的显存分镜计算器预估峰值。
- 优先将连续视频参考替换为单帧静帧或 5 帧稀疏参考，减少条件编码器驻留显存。
- 将单镜头分辨率从 1344×768 下调至 1152×640 或 896×512，把长剧情拆分为 3 个独立镜头。
- 确认运行环境在文本编码、扩散采样、VAE 解码三个阶段之间正确释放前序模型。
- 仅在必须保留高分辨率且能接受约 6 倍耗时膨胀时，才开启 CPU Offload 模式。