StepFun/stepvideo-ti2v性能测试报告：不同GPU配置下的速度与显存占用分析

阶跃星辰StepFun的stepvideo-ti2v是一款领先的文本驱动图像转视频生成模型，本文将深入分析不同GPU配置下的性能表现，包括显存占用和生成速度，为用户提供实用的硬件配置参考。

📊 测试环境与方法

测试采用批处理大小为1（batch size = 1），未启用CFG蒸馏（w/o cfg distillation）的标准配置，主要考察不同GPU数量和分辨率对性能的影响。测试使用的核心命令如下：

torchrun --nproc_per_node $parallel run_parallel.py \ --model_dir $model_dir \ --vae_url $url \ --caption_url $url \ --ulysses_degree $parallel \ --prompt "男孩笑起来" \ --first_image_path ./assets/demo.png \ --infer_steps 50 \ --save_path ./results \ --cfg_scale 9.0 \ --motion_score 5.0 \ --time_shift 12.573

💻 GPU配置与性能对比

单GPU性能表现

在单GPU配置下，模型表现出以下特性：

• 768px × 768px × 102帧：峰值显存占用76.42GB，50步生成耗时1061秒
• 544px × 992px × 102帧：峰值显存占用75.49GB，50步生成耗时929秒

可以看出，分辨率对显存占用影响较小，但对生成速度有明显影响，较窄高的分辨率（544×992）比正方形分辨率（768×768）处理速度快约12.4%。

多GPU性能表现

采用4GPU配置时，通过模型的解耦策略（文本编码器、VAE解码和DiT分离优化），性能得到显著提升：

• 768px × 768px × 102帧：峰值显存占用64.63GB，50步生成耗时288秒
• 544px × 992px × 102帧：峰值显存占用64.34GB，50步生成耗时251秒

🚀 性能优化分析

显存占用优化

4GPU配置相比单GPU实现了约15.4%的显存节省，这得益于模型采用的解耦策略：

• 文本编码器和VAE解码使用独立GPU处理
• DiT模型专注于视频生成核心计算
• 资源分配通过call_remote_server.py自动优化

速度提升效果

4GPU配置在两种分辨率下均实现了约3.7倍的速度提升，证明了模型在多GPU环境下的良好扩展性。

📝 硬件配置建议

基于测试结果，我们提供以下硬件配置建议：

1. 入门级配置：单GPU（≥80GB显存），适用于小批量测试和开发
2. 生产级配置：4GPU（每卡≥65GB显存），平衡速度与成本
3. 优化建议：使用parallel=4或parallel=8参数调整并行度，根据实际GPU数量优化性能

🔍 测试数据说明

所有测试数据基于以下条件：

• 模型版本：stepvideo-ti2v最新稳定版
• 系统环境：Linux系统，Python 3.10，PyTorch环境
• 测试命令：run_parallel.py（未在当前目录结构中找到，建议参考官方文档）
• 完整测试报告：技术报告

📈 总结

stepvideo-ti2v模型通过创新的解耦策略实现了高效的GPU资源利用，在多GPU配置下展现出优异的性能扩展性。对于追求平衡性能与成本的用户，4GPU配置可提供最佳性价比，相比单GPU实现3.7倍速度提升的同时降低15%显存占用。根据实际应用场景选择合适的分辨率和GPU数量，能有效优化stepvideo-ti2v的生成效率。