Wan 2.2 / LTX-2 OOM 指南：AI Toolkit 中安全的帧数、Batch Size 和分辨率

视频 LoRA 训练中的 OOM 通常不是由某个单一设置导致的。

通常是以下因素的组合：

• 帧数太多
• 分辨率桶太大
• batch 太大
• 预览采样开销太高

这就是为什么视频 OOM 看起来前后不一致：一次训练成功了，下一次就崩溃了，哪怕"什么重要的东西都没改。"

本指南为你提供在 RunComfy AI Toolkit 中使用 Wan 2.2 和 LTX-2 的实用显存预算。

---

快速修复清单（从这里开始）

• Wan 2.2 从 Batch Size = 1、21–41 帧开始
• LTX-2 从 Batch Size = 1、49 或 81 帧开始
• 在 Datasets 中，先降 Num Frames 再动 LR
• 在 Datasets 中，先移除最高的 Resolution 桶
• 在 Sample 中，预览视频保持比训练预算更轻
• 如果日志显示 Bus error / out of shared memory，那和 CUDA OOM 不是同一个问题

---

1) 首先：确认你遇到的是哪种显存问题

CUDA OOM

本指南针对以下类型的错误：

CUDA out of memory

OOM during training step ...

Tried to allocate ...

共享内存 / DataLoader 崩溃

如果日志显示：

Bus error

out of shared memory

DataLoader worker is killed

这是与共享内存（/dev/shm）相关的另一个问题，不是 GPU VRAM。请参阅 修复：DataLoader worker Bus error (/dev/shm) 问题排查

---

2) 你真正需要的唯一思维模型

视频训练中，显存压力主要随以下因素增长：

帧数 × 分辨率 × batch size

如果三个同时增加，你很可能在构建一次接近极限的训练。

---

3) Wan 2.2：安全 vs 接近极限 vs 高风险

安全的首次训练

• Batch Size: 1
• Num Frames: 21 或 41
• Resolution: 从 512 开始
• 预览视频保持保守

接近极限

• Batch Size: 1
• Num Frames: 81
• Resolution: 480–512

高风险

• 81 帧 + Batch Size ≥ 2
• 高分辨率桶加长片段
• 频繁生成重量级预览

Wan 回退顺序

1. 降低 Num Frames
2. 保持 Batch Size = 1
3. 移除最高 Resolution
4. 降低预览开销

---

4) LTX-2：安全 vs 接近极限 vs 高风险

安全的首次训练

• Batch Size: 1
• Num Frames: 49 或 81
• Resolution: 512

接近极限

• Batch Size: 1
• Num Frames: 121
• Resolution: 512

高风险

• 121 帧 + Batch Size ≥ 4
• 稳定性未验证前就用更大的桶
• 重量级预览采样

LTX 回退顺序

1. 保持 Batch Size = 1
2. 降低 Num Frames（121 → 81 → 49）
3. 降低 Resolution
4. 让预览更轻

---

5) 为什么相同配置有时成功有时 OOM

常见原因：

• 桶峰值（最大桶把 VRAM 推过极限）
• 预览峰值（训练能放下，预览把它推过极限）
• 接近极限的显存状态

"有时能跑"的配置应该视为不稳定。

---

一句话总结

对于 Wan 2.2 和 LTX-2，视频 OOM 通常是 帧数 × 分辨率 × batch 的问题。

保守开始，证明稳定性，然后再扩展。