八天烧了25亿token，12G显存跑AI短剧的残酷真相

八天成片 · 全部本地生成 · 一张 4070 Ti

我用我这台 4070 Ti 跑了八天，成片 1536×832，配音字幕后期配齐。拍的是《我为万界当狱卒》的第一章，这本书是我正在存稿的小说。八天，一共就这 3 分 01 秒。

12G 显存部署 H3，跑一段 5.17 秒的成品大概要 6 分钟。3 分 01 秒满打满算也就 35 段，三个多小时的事，为什么要八天呢？

每天晚上挂好 agent 任务，跑一整夜，第二天起来看片段，有两三天片段被我全部作废，一个用不了。

8 天，两个 Claude 会话，25 亿 token，换回来 3 分 01 秒。折下来，1 秒钟的画面要烧掉 1386 万 token。

25 亿

八天烧掉的 token 总吞吐

3 分 01 秒

换回来的全部成片

—掘金的 token 统计，30日总消耗92亿token

我想告诉大家的是，12G 显存暂时出不了短剧，可以先往氛围感短片、电影预告片这些方向考虑。

当然 25 亿这个数是账面吞吐：

项

数量

缓存读取

24.5 亿

缓存写入

5504 万

真·新读入

11500

真·新生成

694 万

九成七半都是缓存读取。跟 AI 每聊一轮，模型都得把前面几十万字的上下文重看一遍。真正产生的只有 694 万 token，五百万字上下，差不多一本完本网文。

烧完这些，我拿到的结论是：12 GB 这张卡做得出 AI 短片，做不出 AI 短剧。就差一个字，但卡住的地方有两处，一处是时间，一处是像素。

本文看点

01

6 分钟只换 5.17 秒

02

中景脸只有 41 像素

03

25 亿全烧在试错上

01 DEFINITION

短片和短剧，不是一回事

短片是几十秒到几分钟的一锤子买卖，观众看的就是个气氛，画面过得去就行，人脸糊一点，大家自己会脑补过去。短剧没这待遇。一集 2 分钟，动辄八九十上百集，观众得在第 7 集认出第 1 集那张脸，大量姿势、动作、场景、角色都需要一致性。高深一些的分镜、硬切、导演思维等等就更不必说。

短片

看气氛

脸糊一点，观众自己脑补

短剧

看人

一百集里得是同一张脸

如果按短片的标准，我这两集勉强算过了，但是按短剧的标准还差挺远。

02 THROUGHPUT

第一处：6 分钟，换 5.17 秒

机器是这么个配置，参数也是折腾到最后才跑通的：

项

值

卡

RTX 4070 Ti，12 GB

内存

32 GB

模型

MiniMax H3 官方 DiT（20 GB safetensors）+ GGUF 文本编码器

显存峰值

11.5 / 12

内存峰值

31.2 / 32

生成分辨率

736×416 = 0.31 MP

单段耗时

5.17 秒的画面 ≈ 6 分钟

运行过程中，显存和内存两头都只剩不到 1 GB。跑批的时候不能开 ComfyUI 的网页，前端一刷新就 OOM；每段跑完还得把 ComfyUI 重启一次。所以夜跑脚本只能写成彻底无人值守的，我睡我的，它自己起自己停。

重点

显存 11.5 / 12，内存 31.2 / 32。两头同时贴着天花板跑，中间任何一个环节多占几百 MB，整夜的活就白干。

有人可能要问，主体为什么不一起换成 GGUF，那不是更省显存？

safetensors 走 mmap，内存吃紧的时候系统还能把它换出去，GGUF 是实打实赖在内存里的。

我内存那头已经 31.2/32 了，真换过去，先撑爆的是内存。最后就凑出来主体 safetensors、文本编码器降 GGUF 这么个别扭组合。

分辨率只有 0.31 MP。社区教程写的 1344×768，但是 12G 这张卡上根本起不来。

帧数也不能随便填，得落在 17k+5 这个网格上：124 帧是 5.17 秒，训练下限；362 帧 15.08 秒，上限。这是 H3 的时序压缩结构定死的。填个 130 帧它也不报错，就是吐一段抽风的东西回来。

两条约束一叠，就压出了 5.17 秒的画面跑 6 分钟这个比例。

一集 30 个镜头，理论上 3 小时。可实际哪有一次过的？关键帧要重抽，镜头要重跑，夜里挂一整晚、八小时左右出一集，才是常态。

拿短剧的量级折一下：一集 2 分钟、一百集，12000 秒，按这速度光渲染就得 232 小时。这张卡不吃不喝连转十天，而且是一次过的理想值，重抽还没算进去。

232 小时

一百集的纯渲染时间，还没算重抽

8 小时

现实里挂一整夜，出一集

03 RESOLUTION

第二处：41 像素的脸

时间慢归慢，好歹能熬，大不了多挂几个晚上。第二处跟时间没关系，熬多久都不会变。

736×416 这个画面里，一个中景镜头的人脸能占多少像素？41 到 90 px。

41 px

中景人脸，超分之前

86 px

超分之后，还是没有眼神

超分救得回来吗？我用的是 RealESRGAN 的动漫 4x 模型，先超上去，再用 lanczos 降回 1536×832，成片规格就是这么来的。绕这一圈是因为超采样再降采样，边缘比直接放大两倍干净。

踩坑

一开始其实用的是 2x-sudo，后来量了一下，它红通道每帧 +1.7、绿几乎不动，整片肉眼可见地发黄，才换掉的。发黄这种事眼睛第一时间说不清，得去量通道均值才抓得住。

结果有点尴尬。超分确实是往画面里加细节，不是把糊的地方蒙过去，可它加不出原本就不存在的五官。41 px 的脸里没有眼神，超完是一张 86 px 的、依然没有眼神的脸。轮廓是干净了点，五官还是那团东西。

— 四组小脸，每组左边是超分前、右边是超分后。眼镜被拧成两道横杠，五官整个错位

读到这儿大概会想说：那换个简单画风不就完了。这条路我走过。

《狱卒》之前我做过一部写实风的长片，叫《九尾》，58 段接成一部，是这条线上跑得最久、吃 token 最多的一部。最后我自己把它删了：路人的脸全是糊的；主角的脸不稳，同一个角色隔几段就换一副长相。

— 《九尾》

现在回头翻九尾的截图，还能看出更麻烦的一层。随手抽六个镜头，四个在躲脸：极特写只拍一只眼睛，大远景把人缩成一个点，背影，火把挡住的后脑勺。当时我还挺得意，觉得自己在追求某种风格。实际上是脸拍不清楚，反过来在替我挑镜头。等我反应过来，已经默认自己只能这么拍了。

后来换成《狱卒》这种动漫画风，扁平上色，五官靠线条勾，确实好了一截。同样 60 个像素，写实脸是一团分不出五官的肉色，动漫脸至少眼睛和嘴还待在该待的位置上。

— 《狱卒》：同样的分辨率，动漫画风下五官还立得住

但也就好了一些。60 个像素能装多少信息？

04 LESSONS

那 25 亿到底烧在哪了

前面全是坏消息，这段说点经验。25 亿 token 里绝大部分压根没落到成片上，都用在试错了。

一、想让人物站左边，改提示词是白改的

起因特别朴素：我想让人物站在画面左边。

三种写法都试了：把多余的从句全删光；把 on the left 往最前面压；直接写画幅裁切的指令。然后量人物在成图里的实际水平位置，三种写法影响接近于零。

后来的解法是绕过去。关键帧我用 z-image 出 1280×720，H3 要的是 736×416，两个画幅比例不一样，中间天然留着一条余量。我在 1280×720 里把人摆好，再按 H3 的比例裁一刀，想让人物偏左，就往右边多切一点。

二、检查器上岗之前，先查它误杀多少

夜跑要无人值守，就得有个东西替我判断这张关键帧行不行。于是写了个自动验收：判据从分镜字段反推，分镜里写了「中景、两人、面向左」，脚本就去检人脸数量、人脸框大小、朝向。人脸检测扔 CPU 上跑，不跟 ComfyUI 抢显存。

三、同一镜里状态要变的，关键帧一律画「变化之前」

有个镜头，角色要从站着变成跪下。关键帧我画的是跪下的样子，当时想的是，这就是我要的结果。出来的视频，是他从跪着站了起来。

踩坑

模型把关键帧当起点用。给它一个终态，它就从终态往外演，往哪个方向演基本靠运气。门开着还是关着、灯亮着还是灭着，都是同一回事。

改成画变化之前的站姿，动作写进提示词里，一次就对了。

四、选题：这个世界里的东西，模型见过真的吗

我还做过一组山海经的异兽，30 个镜头，删了 6 个，20%。后来做一组 SCP 题材的，108 个镜头，砸了 2 个，1.9%。差了十倍。我一开始以为是山海经难画，后来发现跟难度真没关系。

山海经异兽

20%

30 镜砸 6 镜

SCP 题材

1.9%

108 镜砸 2 镜

SCP 那边画的是走廊、防护服、金属门、监控画面，全是现实里存在的东西，训练集里躺着海量真实照片，模型清楚标准答案长什么样。山海经的异兽呢？只有历代画师的想象图，画风还互相打架。模型手里没有一个稳定的真实版本，每抽一次都是一次新解读。

— 《山海》预告片

不过光是真实存在还不够。之前做过一部讲奇形怪状动植物的科普片，里面要一只洞螈，欧洲洞穴里那种没有眼睛、通体粉白、四肢细得像牙签的两栖动物。它当然真实存在，维基百科上就有照片。

抽了三次，三次都给我墨西哥钝口螈，就是被当宠物养的那个六角恐龙：黑眼睛，粗四肢，跟洞螈完全两种生物。加拉丁学名 Proteus anguinus，没用。负向里把 axolotl、宠物、水族箱、大眼睛、粗壮四肢全排除掉，还是没用。

解法

模型对洞螈这个词的理解是焊死的，那个更出名的近亲把词位占走了，提示词里怎么绕都没用。换个说法，写成「洞穴盲鱼」，一次就对。

— 同一部片里的其它主角：全是现实中真实存在的怪东西，所以能正确生成

随机的差异靠重抽能磨平，方向一致的错误抽一百次还是那个错。这条判据最实用的地方，是让我十分钟内就能拍板：继续抽，还是改设计。不至于在一个镜头上耗掉一整宿。

其实选题阶段就能省掉一半重抽，挑现实里存在的东西，顺手确认一下这名字没被别的物种占着。

05 LOCAL VS CLOUD

那为什么不干脆上云

H3 图生视频云端官方价 768P 是 0.50 元/秒，我这 181 秒成片全走云端大概 90 元，说实话也不贵。

但是这是一次过的价格。真实重抽倍率按 3 到 5 倍算，两集就是三五百块。

90 元

181 秒成片，一次过的账面价

三五百

把重抽算进去以后的实际价

更要命的还不是这个数。回头看上面那四条：三种写法量出来零效果，检查器整夜误杀，终态关键帧倒着演，山海经砸掉两成，全是白烧掉的。

本地跑这些只烧电，云端上每一次抽风都在扣钱。25 亿 token 大半花在试错上，这笔账搬到云端，我是烧不起的。

本地做探索、云端做交付。反过来先拿云端摸参数，那些失败本来是不要钱的。

所以算下来，我这边的用法就是这样。参数摸清了、分镜定稿了，最后一遍拿去云端跑高分辨率，这钱花得值。

∞ THE END

12G 显存暂时只到这

换 24 GB 就一定行吗？我不敢打包票，但至少有三个地方会同时松开。

1 分辨率能提到 0.5 MP 以上，中景脸从 86 px 变成 112 px，这样超分就能从止损变成增益了。

2 不用每段重启 ComfyUI，每段省掉一次模型重载的固定开销，夜跑的有效产能能往上抬一截。

3 文本编码器也不用再降级成 GGUF，内存也就不再是第二个瓶颈，现在 31.2/32 同样吃满。

我觉得第一条最要紧。它不是快一点慢一点的事，是超分这一步到底能不能帮上忙。

方法论全放 GitHub 了，github.com/L-Trunks/ai-film-skills，MIT + CC-BY，六个 skill，1600 多行踩坑记录。上面写的四条只是其中一部分，长短镜族的区分、后期链的顺序、导演手册里那套轴线和视线匹配，都在里面。

END

关于作者

我是阿麦，专注各模型本地部署与喂饭式科普。

这篇要是有用，欢迎点赞、在看、转发三连，我们下篇见。