Thinking...

Looking into model diagnostics

I need to answer by diagnosing the issue. Since the user hasn't been explicit, it looks like I need to browse for information related to the current software and specifics about the model. I'm considering "minimax-h3" and wondering if maybe it’s a typo for Minimax Hailuo? I should search the web to clarify, and maybe look into the ComfyUI implementation as well. This will help narrow down the specifics!

Investigating regression issues

I'm looking into a regression issue that popped up from version 0.32 onward, especially with clone at large full resolution. The user mentioned they have a 0.4 MP resolution (864x480), and it seems that smaller resolutions are unaffected. I need to figure out how 2x might still be a concern. They were using PyTorch attention defaults versus SageAttention, with benchmarks from Sage 2.2 and 960x544 — intriguing performance on an unspecified GPU! I'll need more details on that.

Checking pip command for torch

I need to be careful with the pip command for installing torch, especially considering it might vary between nightly and stable versions. Since the current date is 2026, it’s likely I should check the official requirements to be sure I'm using the correct index. This way, I can avoid any potential issues during installation. Let's confirm the latest details before proceeding!

从你给出的配置看，H100 本身没问题，更可疑的是 CUDA/PyTorch/Comfy-Kitchen 加速内核没有真正启用，以及 attention 后端仍在走原生 PyTorch。

类似的 5 秒、约 0.5MP、20 steps、res_multistep 测试中，SageAttention 热启动约 58 秒，原生 attention 约 91 秒；再叠加模型加载、CLIP 编码和 VAE 解码，总时间接近 2 分钟很合理。(github.com)

你的环境中最可疑的地方

当前是：

text

Driver: 580.173.02
nvidia-smi CUDA: 13.0
PyTorch: 2.13.0+cu126
系统 nvcc: 12.4

三者版本不一致本身不一定报错：

nvidia-smi CUDA 13.0 表示驱动最高支持 CUDA 13；
PyTorch 使用自己携带的 CUDA 12.6 runtime；
nvcc 12.4 主要影响本地编译扩展。

但是，当前 Comfy-Kitchen 的预编译 CUDA wheel 要求 CUDA runtime ≥13.0；从源码编译则要求 Toolkit ≥12.8。你现在的 torch cu126 + nvcc 12.4 很可能导致 Comfy-Kitchen CUDA 后端无法加载，最终回退到 Triton/eager/PyTorch 路径。H100 上这足以造成接近 2 倍的差距。(github.com)

第一步：确认是否发生内核回退

在当前环境执行：

bash

cd ~/ComfyUI-Clean/ComfyUI-master

python - <<'PY'
import torch
import importlib.metadata as md

print("Torch:", torch.__version__)
print("Torch CUDA:", torch.version.cuda)
print("GPU:", torch.cuda.get_device_name(0))
print("Compute capability:", torch.cuda.get_device_capability(0))

try:
    print("comfy-kitchen:", md.version("comfy-kitchen"))
    import comfy_kitchen as ck
    print("Backends:")
    print(ck.list_backends())
except Exception as e:
    print("comfy-kitchen ERROR:", repr(e))
PY

重点看输出：

text

cuda:
    available: True

如果出现以下任一种情况，基本就找到原因了：

text

cuda available: False

或者：

text

comfy-kitchen ERROR

或者只有：

text

eager
triton

没有可用的 cuda backend。

同时检查启动日志中有没有：

text

Found comfy_kitchen backend cuda
Using sage attention

如果只看到：

text

Using pytorch attention

速度通常会明显慢。

第二步：建议将 PyTorch 切到 cu130

你的驱动已经是 R580，满足 CUDA 13.0 wheel 的要求。ComfyUI 当前官方独立环境也提供 torch 2.13.0+cu130 栈。(github.com)

建议先备份环境：

bash

python -m pip freeze > requirements-backup.txt

然后安装匹配版本：

bash

python -m pip uninstall -y torch torchvision torchaudio

python -m pip install \
  torch==2.13.0+cu130 \
  torchvision==0.28.0+cu130 \
  torchaudio==2.11.0+cu130 \
  --index-url https://download.pytorch.org/whl/cu130

重新安装 ComfyUI 当前要求的 Comfy-Kitchen：

bash

grep '^comfy-kitchen' requirements.txt
python -m pip install --force-reinstall --no-deps "$(grep '^comfy-kitchen' requirements.txt)"

再验证：

bash

python - <<'PY'
import torch
import comfy_kitchen as ck

print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.get_device_name())
print(ck.list_backends())
PY

目标结果：

text

2.13.0+cu130
13.0
NVIDIA H100 80GB HBM3
cuda backend available: True

关于系统 nvcc

如果全部使用预编译 wheel，系统 nvcc 12.4 不一定影响运行。

但如果要本地编译 Comfy-Kitchen、SageAttention 或其他 CUDA 扩展，建议把 CUDA Toolkit 升到至少 12.8，最好与 PyTorch 对齐到 13.0。当前 Comfy-Kitchen 源码编译要求 Toolkit ≥12.8。(github.com)

第三步：确认 Attention 后端

你的截图只显示了：

text

Sampler: Res Multistep

没有看到 Attention Backend 节点。

建议在工作流中加入：

text

UNET Loader
    ↓
Model Attention Backend
    ↓
Basic Guider / Scheduler

优先测试：

sage attention
comfy kitchen attention
原生 PyTorch attention，作为对照

或者通过启动参数：

bash

python main.py --use-sage-attention

启动时必须确认日志明确显示：

text

Using sage attention

在一组公开的同参数测试中：

Attention	热启动耗时
SageAttention 2.2	约 58 秒
Native attention	约 91 秒

这正好接近你描述的“目标约 1 分钟，实际约 2 分钟”。(github.com)

第四步：区分冷启动和真正采样时间

你的配置是：

text

864×480
5 秒
约 124 帧
20 steps（如果使用官方模板）
pruned INT8

不要只测第一次。连续生成两次完全相同的尺寸、帧数和模型：

第一次：加载模型、量化权重准备、CUDA/Triton 编译；
第二次：热启动，更接近真实性能。

记录：

项目	第一次	第二次
CLIP 编码
Sampling 20 steps
Video VAE Decode
Audio VAE Decode
总时间

判断方式：

第一次 120 秒、第二次 60～70 秒：基本正常，是冷启动；
两次都约 120 秒：attention 或 Comfy-Kitchen 内核问题；
采样约 60 秒，但总耗时 120 秒：CLIP/VAE/模型加载或 offload 问题；
每一步采样约 5～6 秒：采样后端明显不正常；
每一步约 2～3 秒：采样基本正常，时间花在其他节点。

第五步：检查 Dynamic VRAM/offload

H100 80GB 搭配 pruned INT8 模型，本不应该在采样过程中频繁把权重在 CPU/GPU 之间搬运。

启动日志中检查有没有大量：

text

partially loaded
loaded partially
offloaded
lowvram
DynamicVRAM

可以做一次 A/B 测试：

默认启动

bash

python main.py

高显存测试

bash

python main.py \
  --highvram \
  --disable-dynamic-vram \
  --disable-async-offload

ComfyUI 的 --highvram 会尽量让模型常驻显存，而 --disable-dynamic-vram 可以用于排除动态权重流式加载造成的性能问题。(github.com)

如果第二种启动方式从 120 秒下降到约 60～70 秒，说明根因是：

Dynamic VRAM；
async offload；
模型被部分加载；
CPU/GPU 权重搬运。

注意观察显存峰值，避免同时常驻不需要的多个 H3 模型。

第六步：生成时监控 H100 是否真正跑满

开另一个终端：

bash

nvidia-smi --query-gpu=\
name,pstate,power.draw,power.limit,clocks.current.sm,\
utilization.gpu,utilization.memory,memory.used,memory.total \
--format=csv -l 1

也可以：

bash

nvidia-smi dmon -s pucvmet -d 1

采样阶段重点看：

Pstate 是否为 P0；
GPU Util 是否接近 90%～100%；
功耗是否明显上升；
SM 时钟是否稳定；
显存是否稳定，而不是上下反复波动。

典型异常

GPU Util 99%，但功耗很低

例如：

text

GPU Util: 99%
Power: 80～150W
Memory bandwidth: 很低

通常意味着：

使用了低效 kernel；
Comfy-Kitchen 回退；
attention 后端不合适；
大量小 kernel/同步操作。

ComfyUI 最近也有 H3 性能回归报告，症状就是 GPU Util 很高，但功耗和显存带宽很低。(github.com)

GPU Util 周期性掉到 0%

通常意味着：

CPU offload；
权重从内存搬运；
VAE 在 CPU 上；
磁盘读取；
CLIP 没有放在 GPU 上。

功耗被限制

检查：

bash

nvidia-smi -q -d POWER,CLOCK,PERFORMANCE

云服务器上的 H100 也可能被设置了较低 power limit，或者实际是共享/vGPU/MIG 实例。再检查：

bash

nvidia-smi -L
nvidia-smi topo -m

确认不是 MIG 切分实例。

第七步：确认 ComfyUI 版本

执行：

bash

git describe --tags --always --dirty
git log -1 --format='%H %ci'
python -m pip show comfy-kitchen

当前已有报告指出 ComfyUI 0.32.0/0.33.1 在 H3 高分辨率长视频下存在明显性能回归。不过该报告主要影响 1280×736、长视频，512×512 小尺寸未受影响；你的 864×480 不完全符合该问题，因此优先级低于 CUDA backend 和 attention。(github.com)

如果你正好使用 0.32.x/0.33.x，可以临时用独立目录对比 0.31.1，而不要直接破坏现有环境：

bash

cd ~
git clone https://github.com/Comfy-Org/ComfyUI.git ComfyUI-H3-test
cd ComfyUI-H3-test
git checkout v0.31.1

然后软链接模型目录，使用相同环境和工作流做一次 A/B 测试。

我的判断排序

根据目前信息，可能性从高到低是：

PyTorch cu126 导致 Comfy-Kitchen CUDA backend 没加载，发生 fallback
没有使用 SageAttention，仍在使用原生 PyTorch attention
你测的是冷启动总时间，而“1 分钟”指热启动采样时间
Dynamic VRAM/async offload 在 H100 上仍然搬运权重
云端 H100 被限制功耗、MIG 切分或共享
ComfyUI 版本性能回归

最先执行这两个检查即可快速定位：

bash

python - <<'PY'
import torch
import comfy_kitchen as ck
print(torch.__version__, torch.version.cuda)
print(torch.cuda.get_device_name(), torch.cuda.get_device_capability())
print(ck.list_backends())
PY

以及生成时：

bash

nvidia-smi dmon -s pucvmet -d 1

我最倾向的修复组合是：

text

PyTorch 2.13.0+cu130
+ 可用的 comfy-kitchen CUDA backend
+ SageAttention
+ 第二次热启动测试
+ 排除 DynamicVRAM/offload

这套配置下，你截图中的 864×480、5 秒、pruned INT8、20 steps 才比较有可能稳定到约 1 分钟级别。

sfffffasdf

你的环境中最可疑的地方

第一步：确认是否发生内核回退

第二步：建议将 PyTorch 切到 cu130

关于系统 nvcc

第三步：确认 Attention 后端

第四步：区分冷启动和真正采样时间

第五步：检查 Dynamic VRAM/offload

默认启动

高显存测试

第六步：生成时监控 H100 是否真正跑满

典型异常

GPU Util 99%，但功耗很低

GPU Util 周期性掉到 0%

功耗被限制

第七步：确认 ComfyUI 版本

我的判断排序