Wan 2.2 / LTX-2 OOM 指南：AI Toolkit 中安全的幀數、Batch Size 和解析度
影片 LoRA 訓練中的 OOM 通常不是由某個單一設定導致的。
通常是以下因素的組合：
- 幀數太多
- 解析度桶太大
- batch 太大
- 預覽取樣開銷太高
這就是為什麼影片 OOM 看起來前後不一致：一次訓練成功了，下一次就當機了，哪怕「什麼重要的東西都沒改。」
本指南為你提供在 RunComfy AI Toolkit 中使用 Wan 2.2 和 LTX-2 的實用顯存預算。
快速修復清單（從這裡開始）
- Wan 2.2 從 Batch Size = 1、21–41 幀開始
- LTX-2 從 Batch Size = 1、49 或 81 幀開始
- 在 Datasets 中，先降 Num Frames 再動 LR
- 在 Datasets 中，先移除最高的 Resolution 桶
- 在 Sample 中，預覽影片保持比訓練預算更輕
- 如果日誌顯示 Bus error / out of shared memory，那和 CUDA OOM 不是同一個問題
1) 首先：確認你遇到的是哪種顯存問題
CUDA OOM
本指南針對以下類型的錯誤：
CUDA out of memory
OOM during training step ...
Tried to allocate ...
共享記憶體 / DataLoader 當機
如果日誌顯示：
Bus error
out of shared memory
DataLoader worker is killed
這是與共享記憶體（/dev/shm）相關的另一個問題，不是 GPU VRAM。請參閱 修復：DataLoader worker Bus error (/dev/shm) 問題排查
2) 你真正需要的唯一思維模型
影片訓練中，顯存壓力主要隨以下因素增長：
幀數 × 解析度 × batch size
如果三個同時增加，你很可能在建構一次接近極限的訓練。
3) Wan 2.2：安全 vs 接近極限 vs 高風險
安全的首次訓練
- Batch Size: 1
- Num Frames: 21 或 41
- Resolution: 從 512 開始
- 預覽影片保持保守
接近極限
- Batch Size: 1
- Num Frames: 81
- Resolution: 480–512
高風險
- 81 幀 + Batch Size ≥ 2
- 高解析度桶加長片段
- 頻繁生成重量級預覽
Wan 回退順序
- 降低 Num Frames
- 保持 Batch Size = 1
- 移除最高 Resolution
- 降低預覽開銷
4) LTX-2：安全 vs 接近極限 vs 高風險
安全的首次訓練
- Batch Size: 1
- Num Frames: 49 或 81
- Resolution: 512
接近極限
- Batch Size: 1
- Num Frames: 121
- Resolution: 512
高風險
- 121 幀 + Batch Size ≥ 4
- 穩定性未驗證前就用更大的桶
- 重量級預覽取樣
LTX 回退順序
- 保持 Batch Size = 1
- 降低 Num Frames（121 → 81 → 49）
- 降低 Resolution
- 讓預覽更輕
5) 為什麼相同設定有時成功有時 OOM
常見原因：
- 桶峰值（最大桶把 VRAM 推過極限）
- 預覽峰值（訓練能放下，預覽把它推過極限）
- 接近極限的顯存狀態
「有時能跑」的設定應該視為不穩定。
一句話總結
對於 Wan 2.2 和 LTX-2，影片 OOM 通常是 幀數 × 解析度 × batch 的問題。
保守開始，證明穩定性，然後再擴展。
準備好開始訓練了嗎？