AI 视频生成租 GPU：万相 Wan、混元视频的显存与选卡

主流视频扩散模型先用 3D VAE 把像素压成潜变量：空间压 8 倍、时间压 4 倍，进 DiT 之前再做一次 2×2 patch 化。真正参与注意力计算的 token 数，可以用下面这个式子直接估出来——换一组分辨率和帧数自己算一遍，就知道显存和时间会往哪个方向跑。

# latent token 数（3D VAE 空间 8 倍 + 时间 4 倍下采样，再做 2×2 patch）
tokens = (宽 / 16) × (高 / 16) × ((帧数 - 1) / 4 + 1)

# 例一：832×480、81 帧（约 5 秒 @16fps）
tokens = 52 × 30 × 21 = 32,760

# 例二：1280×720、81 帧 —— 只是分辨率提一档
tokens = 80 × 45 × 21 = 75,600   # token 变成 2.31 倍

# 注意力的计算量与 token 数的平方成正比 → 这一段慢 5.3 倍
# 开了 FlashAttention 之后，激活显存回到线性增长，但时间省不掉

显存为 14B 级模型 bf16 权重常驻、开启 FlashAttention、文本编码器用完即卸载的量级估算，不同框架与优化开关差别可到 ±30%。「注意力相对开销」只描述注意力那一段，整条流水线的实际耗时增长会平缓一些，但方向一致：加帧数比加分辨率便宜，分辨率两边各翻倍等于 token 变四倍、注意力变十六倍。

耗时为 14B 级模型、50 步采样、不开蒸馏与步数压缩、单条串行生成的量级参考。换 4 步蒸馏模型可以快五到八倍，换 1.3B 小模型可以快十倍以上，所以这张表用来横向比较卡型，别拿去做交付承诺。「每条成本」= 月租 ÷ 满负荷条数，前提是这张卡 30 天不停在出片。

量大了怎么办：多卡是并行队列，不是并行一条片子

# 出片自动同步：跑在 tmux 里，每 5 分钟把 ComfyUI 的 output 推到对象存储
export EP=https://s3.dfw1.gpuli.com

while true; do
  aws --endpoint-url $EP s3 sync \
    /workspace/ComfyUI/output/ s3://video-out/2026-09/ --only-show-errors
  sleep 300
done

# 拉参考素材：实例内务必用内网端点，比公网快且不占出口带宽
aws --endpoint-url https://s3-internal.dfw1.gpuli.com \
  s3 sync s3://assets/ref-clips/ /workspace/ref/

# 换机 / 续费前，确认两边条数一致再释放旧实例
ls /workspace/ComfyUI/output/*.mp4 | wc -l
aws --endpoint-url $EP s3 ls s3://video-out/2026-09/ | wc -l

预装镜像可直接选 ComfyUI（含 ComfyUI-Manager，端口 8188，不含模型权重）或 PyTorch 2.5 + CUDA 12.4 自己搭。aws-cli、rclone、boto3 都能读写对象存储，桶与访问密钥在控制台创建。Jupyter 在 https://实例ID.jup.gpuli.com，SSH 端口 22000–22999。