ComfyUI LTX-2 视频生成 VRAM 优化：单卡 24GB 可生成 900 帧 1080p 视频

LTX-2 作为当前最先进的视频生成模型，能生成高质量长视频，但其巨大的显存需求长期限制了在消费级硬件上的应用。

ComfyUI LTX-2 VRAM Memory Management这个ComfyUI 自定义节点 大幅降低了 VRAM 占用，使得在单张 24GB GPU（如 RTX 4090）上生成 800–900 帧、1920×1088 分辨率的视频成为现实。

• GitHub：https://github.com/RandomInternetPreson/ComfyUI_LTX-2_VRAM_Memory_Management

该方案通过分块处理前馈网络（FFN），在不损失任何生成质量的前提下，将峰值显存使用量最高降低 8 倍，为个人创作者和小型工作室打开了长视频生成的大门。

核心成果：实测性能

在 RTX 4090（24GB）单卡环境下，使用 V3 版本（ffn_chunks=16）：

注：结果因系统配置、驱动版本等略有差异，但整体趋势稳定。

这意味着，无需多卡、无需专业工作站，普通高端游戏 PC 即可运行 LTX-2 长视频生成任务。

技术原理：为何能省 8 倍显存？

LTX-2 的瓶颈在于其 96 层前馈网络（FFN）。每层会将隐藏维度从 4096 扩展至 16384，导致中间张量体积激增：

输入:  (batch, 57000, 4096)   → ~0.9 GB  
中间: (batch, 57000, 16384)  → ~3.7 GB ← 内存峰值！  
输出:  (batch, 57000, 4096)   → ~0.9 GB

传统方式需一次性加载整个序列，极易触发 OOM（内存不足）。

解决方案：序列分块（Chunking）
将 57000 token 序列拆分为 8 或 16 个块，逐块处理 FFN：

块1: (batch, 7125, 4096) → (batch, 7125, 16384) → 输出  
块2: (batch, 7125, 4096) → (batch, 7125, 16384) → 输出  
...  
最后拼接完整输出

→ 每层峰值显存从 3.7 GB 降至约 0.46 GB，总占用显著下降。

节点版本与适用场景

V3：单 GPU 推荐版（Tensor Parallel V3）

• 适用人群：绝大多数用户（单卡 16GB+）
• 特点：与 ComfyUI 内存管理兼容性好，稳定可靠
• 参数建议：
  • 600 帧：ffn_chunks=8
  • 800 帧：ffn_chunks=12–16
  • 900+ 帧：ffn_chunks=16–24

使用方式：[加载模型] → [Tensor Parallel V3] → [其余工作流]

V2：多 GPU 实验版（Tensor Parallel V2 + Chunked FFN）

• 适用人群：拥有多张 GPU 且追求速度的用户
• 特点：将注意力计算分布到多卡，但 GPU 0 显存负载更高
• 注意：需手动调参，稳定性低于 V3

V5：多 GPU 高阶版（Tensor Parallel V5 + 环形注意力）

• 创新点：引入 环形注意力（Ring Attention），将超长序列（如 60 万+ token）分割到多张 GPU
• 原理：每张 GPU 仅持有 1/N 的 token，通过 K/V 分块轮转完成完整自注意力计算
• 实测：7 张 RTX 4090（6 张用于序列）可处理 614,400 token，单卡峰值 VRAM 仅 15–18 GB
• 适用场景：LTX-2 第二阶段上采样、音视频联合生成（LTXAV）

此版本专为极端长视频设计，普通用户无需使用。

安装与使用

1. 克隆仓库：

   git clone https://github.com/xxx/comfyui-ltx2-vram-opt.git
   

2. 将 comfyui_tensor_parallel_v2 和 comfyui_tensor_parallel_v3 文件夹复制到 ComfyUI 的 custom_nodes/ 目录
3. 重启 ComfyUI
4. 在工作流中插入对应节点（推荐从 V3 开始）

使用建议

• 优先使用 V3，稳定且高效
• 若遇 OOM 错误：
  • 增加 ffn_chunks
  • 略微降低分辨率（如 1920→1600）
  • 关闭其他占用 GPU 的程序（如浏览器、游戏）
• 定期备份工作流，避免节点更新导致兼容问题

兼容性说明

• 测试环境：Ubuntu + ComfyUI 官方版 + RTX 4090（24GB）
• 支持模型：LTX-2 / LTXAV
• 其他系统（如 Windows）可能可用，但未充分验证