RTX 4070 12GB 在家跑 Wan 2.2 I2V 影片，從 OOM 到無縫 Loop 的全紀錄

TL;DR

- 本文解決：手上只有 RTX 4070 12GB，到底能不能在家跑 Wan 2.2 14B I2V 影片、還做出無縫 loop？

- 推薦給：被 LoRA 訓練搞到崩潰、想直接用社群現成 4-step 蒸餾 LoRA 出片的人

- 讀完你會知道：12GB 跑 14B 的關鍵設定、WanFirstLastFrameToVideo 怎麼接、用 SSIM 量化 loop 接合度、五個 Windows 踩坑實錄。

📌 目錄

🤔 背景：為什麼放棄訓練自己的 LoRA

一開始我想走「訓練自己的角色 LoRA」這條路。準備了 40 張 ohwx_character 圖、用 musubi-tuner 跑 Wan 2.2 14B I2V LoRA。結果在 12GB VRAM 上連續撞牆三天：

最後成品兩支：

💻 硬體與軟體配置

GPU       : NVIDIA GeForce RTX 4070 (12 GB)
RAM       : 64 GB
OS        : Windows 11
Driver    : 591.86
Python    : 3.11.9
PyTorch   : 2.7.0+cu128
ComfyUI   : 0.3.71（--lowvram --use-pytorch-cross-attention）

ComfyUI 啟動參數很關鍵，--lowvram 會把 unet 切片載入，是 12GB 跑得動 14B 的前提。

⚡ Workflow 拆解：lightx2v 4-step 為什麼快

Wan 2.2 I2V 原本要跑 50+ 個 sampler steps 才有好結果，lightx2v 4-step LoRA 把模型蒸餾到只要 4 步：

• Stage 1（high noise）：steps 0–2，model = wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors + lightx2v high LoRA strength 1.0
• Stage 2（low noise）：steps 2–4，model = wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors + lightx2v low LoRA strength 1.0
• 兩個 KSamplerAdvanced 串接，cfg=1.0、sampler=euler、scheduler=simple

實際模型檔案（給要對照路徑的人）：

D:/ComfyUI/models/diffusion_models/
  wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors  (14.3 GB, fp8 scaled)
  wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors   (14.3 GB, fp8 scaled)
D:/ComfyUI/models/loras/
  wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors  (1.2 GB)
  wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors   (1.2 GB)
D:/ComfyUI/models/text_encoders/
  umt5_xxl_fp8_e4m3fn_scaled.safetensors
D:/ComfyUI/models/vae/
  wan_2.1_vae.safetensors

🎬 兩支基本影片：5 分鐘出片

我直接拿了 spec-kit 專案的 wan2.2-i2v-api.json 當 workflow 模板，用 Python 改了三個欄位：

wf["1"]["inputs"]["image"]   = image_name        # LoadImage
wf["10"]["inputs"]["text"]   = prompt            # CLIPTextEncode（正面）
wf["12"]["inputs"]["length"] = 129               # 129 frames @ 16 fps = ~8 秒
wf["13"]["inputs"]["noise_seed"] = seed

提交給 ComfyUI 的 /prompt API、輪詢 /history/{prompt_id} 直到 status_str == "success"：

🔁 做成 Loop：WanFirstLastFrameToVideo 節點

普通的 I2V 只接 start_image，影片從那張圖開始長出來；要做 loop，把節點換成 WanFirstLastFrameToVideo，多一個 end_image 引腳：

wf["12"] = {
    "class_type": "WanFirstLastFrameToVideo",
    "inputs": {
        "positive": ["10", 0],
        "negative": ["11", 0],
        "vae": ["3", 0],
        "start_image": ["1", 0],   # 同一張 LoadImage
        "end_image":   ["1", 0],   # ← 也接同一張，逼模型繞回原點
        "width": 480,
        "height": 848,
        "length": 129,
        "batch_size": 1,
    },
}

prompt 也要配合：把「walking forward」改成「walking in a smooth circular motion and returning to the starting pose」，給模型「該繞回去」的暗示。

兩個版本（基本 + loop）的渲染時間幾乎一樣（loop 還快了 1 分鐘），代表多一個 end_image 條件對 4-step 推論不是瓶頸。

📐 用 SSIM 量化 loop 接合度

Loop 看起來順不順，量化指標就是「最後一幀 vs 第一幀」的相似度。我用 ffmpeg 取出兩張幀做 SSIM：

ffmpeg -i "loop.mp4" -vf "select=eq(n\,0)" -frames:v 1 first.png
ffmpeg -sseof -0.5 -i "loop.mp4" -update 1 -frames:v 1 last.png
ffmpeg -i first.png -i last.png -lavfi ssim -f null -

結果：

走路為什麼接不好？合理推測：走路是線性位移，模型要在 8 秒內「往前走又自然走回」非常違反物理；翻書是局部肢體動作，回到原樣相對容易。

下次走路要做 loop，可以試：

🪤 五個踩坑實錄

1. bitsandbytes 0.49.0 在 Windows + torch 2.7 segfault

訓練腳本一 import 就掛，Python 直接 dump 出 process。換 --optimizer_type adamw（非 8bit）就好，速度只慢一點點，14B LoRA 訓練本來瓶頸也不在 optimizer。

2. Python regex 套件被別的安裝弄壞

import transformers raise dict_itemiterator object is not callable。pip install --upgrade --force-reinstall regex（裝到 2026.4.4）就修好了。

3. Windows shell 餵 LINE API 的中文 / emoji 會壞掉

我把生成完成通知 wired 到 LINE Messaging API，但 Windows shell 對 -d '...' 內嵌 CJK 編碼不友善，每次都會被吃掉變亂碼。

解法：用 Python 寫 JSON 到檔案，再用 curl --data-binary @file.json 餵：

# _make_line_msg.py
import json
payload = {"to": USER_ID, "messages": [{"type": "text", "text": "兩支影片完成"}]}
with open("_line_msg.json", "w", encoding="utf-8") as f:
    json.dump(payload, f, ensure_ascii=False)

curl -sS -X POST 'https://api.line.me/v2/bot/message/push' \
  -H 'Content-Type: application/json; charset=utf-8' \
  -H "Authorization: Bearer $TOKEN" \
  --data-binary @_line_msg.json

4. ComfyUI /prompt API 提交 workflow 不是用前端 JSON

注意 wan2.2-i2v-api.json 是 API 格式（純 node 字典），不是前端拖出來的 graph 格式。前端那個是給 GUI 用的，會被 /prompt 拒絕。

5. ComfyUI 印出 prompt_id 之後不代表開始跑

要 GET /queue 看 queue_running、GET /history/{prompt_id} 看 status_str。我寫了 8 秒輪詢一次的 loop，順便顯示「running / pending / finishing」，不然 stdout 會 buffer 一片黑。

📝 完整 runner script

# run_two_videos_loop.py
import json, time, urllib.request
from pathlib import Path
API = "http://127.0.0.1:8188"
WORKFLOW_PATH = Path("D:/spec-kit/backend/workflows/wan2.2-i2v-api.json")
JOBS = [
    {"name": "walking_loop", "image": "ohwx_walking_start.png",
     "prompt": "anime style, ..., walking in a smooth circular motion and "
               "returning to the starting pose, ..., seamless loop",
     "seed": 42},
    {"name": "reading_loop", "image": "ohwx_reading_start.png",
     "prompt": "anime style, ..., turning a page and turning it back, "
               "returning hand to original position, ..., seamless loop",
     "seed": 123},
]
def build(image, prompt, seed):
    wf = json.loads(WORKFLOW_PATH.read_text(encoding="utf-8"))
    wf["1"]["inputs"]["image"] = image
    wf["10"]["inputs"]["text"] = prompt
    wf["13"]["inputs"]["noise_seed"] = seed
    wf["12"] = {
        "class_type": "WanFirstLastFrameToVideo",
        "inputs": {
            "positive": ["10", 0], "negative": ["11", 0],
            "vae": ["3", 0],
            "start_image": ["1", 0], "end_image": ["1", 0],
            "width": 480, "height": 848, "length": 129, "batch_size": 1,
        },
    }
    return wf
def submit(job):
    body = json.dumps({
        "prompt": build(job["image"], job["prompt"], job["seed"]),
        "client_id": f"cli-{job['name']}",
    }).encode()
    req = urllib.request.Request(f"{API}/prompt", data=body,
        headers={"Content-Type": "application/json"}, method="POST")
    with urllib.request.urlopen(req) as r:
        return json.loads(r.read())["prompt_id"]

📚 延伸資源

• Wan 2.2 官方 repo
• lightx2v 4-step LoRA（Hugging Face） — 把推論步數從 50+ 壓到 4
• ComfyUI Wan2.2 節點原始碼 — WanImageToVideo / WanFirstLastFrameToVideo 都在這
• musubi-tuner — 如果你還是想自己訓練 LoRA（祝你有 24GB+ VRAM）

下次想試「短到 4 秒、原地擺動」的走路 loop，看 SSIM 能不能拉到 0.85 以上。