性能测量

测量应覆盖应用真正关心的过程，并明确计时范围。完整链路输出 MP4，原生去噪器输出 latent 张量，两者的计时边界不同。

区分首次加载与后续请求

每次命令行调用都会初始化模型。常驻 H3Pipeline 或原生 HTTP worker 可以跨请求复用模型，因此启动、首次使用和后续请求的成本不同。

完整生成应单列 H3Pipeline.initialization_seconds 和 VideoResult.elapsed_seconds。后者覆盖输入准备、编码、去噪、媒体输出及请求清理。stages 同时包含外层时长和嵌套明细，不应重复相加，详见链路计时合同。

原生去噪结果的 session 包含以下字段：

字段	含义
request_index	当前模型会话中的请求序号，从 1 开始
initialization_seconds	该会话的初始化耗时
initialization_charged_seconds	首次请求计入初始化耗时，后续请求为零
request_wall_seconds	在已初始化会话中执行本次请求的耗时，包含写入 latent 输出文件

估算引擎侧首次请求成本时，可将 initialization_charged_seconds 与 request_wall_seconds 相加。排队、进程启动、HTTP 传输、输入编码和视频解码不在这两个字段的合计范围内；如果应用包含这些环节，应分别测量。

首个任务之前，/readyz 通过只表示配置文件和显卡检查通过，不代表模型已经加载。

剖析单次去噪请求

vflash generate 与 vflash denoise 均支持 --profile-denoise。该开关刻意保持为显式诊断选项：它会为每个 evaluation 和每个流式 block 记录 CUDA timing event，因此最终吞吐比较应使用未开启诊断的独立运行。诊断本身不增加 evaluation 围栏；完整 pipeline 原本就会在发布每次进度前等待所有协作设备，报告会把这些既有围栏单列。

返回的 generation.denoise_profile 会区分：

• 主卡的行时间步准备、输入打包、invocation 准备、denoiser、final layer 与 latent 更新；
• 每个 rank 的 H2D 活跃时间、计算流等待权重时间、block 执行以及复制/计算跨度；
• 每个 evaluation 与 rank 汇总的 AdaLN、attention norm/modulation、QKV projection、Q/K norm 与 rotary、attention、attention output、FFN norm/modulation、FFN input 和 FFN output；
• 输出投影与 gate/residual、FFN 输入投影与 SiLU-times-gate 的 block 内部明细；adapter 融合和 tensor-parallel 实现保留各自明确的实现标签；
• sequence/head collective 的调用次数、传输字节、主机提交时间和主机 Work.wait() 时间；
• sequence/head attention 在计算流上的 QKV pack、入站依赖等待、QKV unpack、Flash-SDPA、 attention 结果 pack、出站依赖等待和最终 unpack；
• 每个 evaluation 的引擎提交、既有进度围栏、回调、最终围栏和 profile 汇总耗时。

H2D、ready wait、block compute 与 rank span 描述的是相互重叠的 CUDA stream，不能相加。block compute 包含 collective 临界路径；主机 collective wait 只是提交/同步诊断，不能单独当作 GPU 通信耗时。需要按 kernel 归因 NCCL 时仍应使用外部 CUDA profiler。诊断输出只含设备序号、时间和字节计数，不包含模型张量、提示词、路径或 GPU UUID。

sequence/head 的 inbound_ready_wait 与 outbound_ready_wait 只测量实际阻塞计算流的依赖， 不代表 NCCL kernel 的完整生命周期；后者可能在另一条 stream 上与 QKV pack 或 Flash-SDPA 重叠。 这些 attention 子阶段已经包含在外层 attention 中，不能再与 attention 或 block 执行重复相加。 同样，block_detail_seconds 已经包含在 block_phase_seconds 内，只用于估算融合收益上限，不能再与 外层阶段合计。

让比较有意义

使用相同的条件包、模型与 LoRA 版本、运行配置、显卡和输出边界。分别报告首次使用与后续请求耗时，并重复足够次数以观察波动。

比较内存时，区分 GPU 已分配内存、GPU 预留内存、整张显卡占用和系统 RAM。尤其是 3080 的分块加载权重会占用系统内存，这部分不会出现在只统计显存的图表中。

从 Turbo8 切换到 Turbo4 时，变化的不仅是计算量，也包括蒸馏调度方式。报告速度比较时，应同时说明这个差别。

双卡执行

双卡协作可以缩短单个请求的等待时间，独立单卡 worker 则服务于不同的吞吐需求。使用相同主卡、输入和计时边界评估两者，别把双卡的一次请求与两张卡的总吞吐混为一谈。

已公开的 a3 双 3080 对照在一个固定负载上测得 1.725× 加速。它保留原始软件版本、热状态和质量限制，不代表当前版本或其他负载的速度保证。

0.4.0 还有一个受控的 SM89 Base16 结果：一个固定的十秒、736 × 992 L2VA 请求在前后两个单卡对照中分别耗时 774.153 和 773.515 秒，双卡候选为 484.232 秒。相对 773.834 秒的单卡均值，双卡延迟降低 37.4%。三个 MP4 输出字节一致。双卡运行中两张 450 W 显卡均不高于 78°C，没有热降频样本；后一个单卡对照的十分钟滚动最高均温为 65.077°C。双卡串行执行两个请求将消耗 968.464 设备秒，而两个独立单卡请求的平均 makespan 为 773.834 秒，fleet 代价为 25.2%。因此该证据只资格化“同类显卡原本空闲”时的可选低延迟路径，而不是默认吞吐策略。

精确直接重排的边界

0.4.0 删除了双卡 sequence-head 路径中的多次布局物化。最终未开启 profile 的 A/直接重排/A 实测中，双 SM86 的五秒 512² I2VA 请求为 174.776 → 172.149 秒（1.503%），双 SM89 的 十秒 736 × 992 L2VA 请求为 474.669 → 472.429 秒（0.472%）；去噪阶段分别降低 1.995% 和 0.623%。

另一次开启归因的 SM89 A/直接重排/A 中，完整请求降低 0.662%，去噪降低 0.801%。800 个被记录的 block 内，每个 rank 的 QKV 打包约从 4.51 降到 2.13 秒，返回 head 合并约从 1.38 降到 0.67 秒；Flash-SDPA 仍约为每 rank 223–235 秒且没有变化，说明布局内核不是主瓶颈。

在代表性的 55,413-token shape 上，直接 QKV 打包在 SM86、SM89 上都少分配 1,136.4 MiB 瞬时 显存，返回 head 合并少分配 378.8 MiB，各自的操作峰值均降低 50%；二者发生在不同执行点，不能相加 成完整 pipeline 显存。所有算子输出逐元素一致，完整 A/B/A 的视频 elementary stream 也一致；官方 音频重复解码在控制和候选中仍会波动。本轮没有对大模型或媒体文件做哈希。详见 Sol-Engine 对齐矩阵。

注意力激活的生命周期

普通原生block分别展开注意力和FFN调制，在进入FFN前释放已无用途的QKV、归一化和注意力张量。 GEMM形状、采样和权重不变；可选分阶段profiler仍保持原测量路径。

单张48GiB SM89上的2048×1152、五秒、原始v0.1 BF16 hybrid/Veda探索性配对控制中，峰值allocated 从34,914,620,416降至24,200,463,872字节（30.69%）。去噪221.633对223.787秒，证明内存收益， 不声称提速。120张解码RGB帧逐像素一致；音频解码非逐位一致，与此前解码器波动一致，但未确立 音频内容等价。这是单配对案例，不是通用画质保证或扩大已发布画布边界。CPU float32/BF16检查 覆盖block输出和进入FFN时的临时对象归属。

检查输出质量

更快的结果仍需满足实际任务。请根据用户原始要求与参考素材，检查指令遵循、主体与细节一致性、运动、画面瑕疵和音画关系。即使候选结果接近基线，基线本身也可能没有满足要求。

解码后按时间查看多帧，并以正常速度观看视频、试听音频。静帧无法证明运动自然，音频波形也不能证明语义正确。分别记录已确认的发现、无法判断的维度、样本不足和评审分歧。张量误差仅用于排查实现差异，不能用作生成质量分数。

精确注意力不代表蒸馏 LoRA 与基础模型效果等价，也不保证不同 GPU 架构上的浮点结果完全一致。每个配置当前完成的检查范围见支持说明。

完整链路已支持列出的配置。集成检查证明已测请求能够正确完成，不代表通用的提示词到 MP4 速度或质量保证。

扩展hybrid交付（0.6.12）

五条全新条件完整请求在单张RTX 4090 48 GB／450 W串行完成，原始v0.1 BF16 hybrid、四次计算、显式Veda。首条含冷加载，后续复用pipeline；表中是观察到的完整请求延迟，不是隔离提速对照。实际尺寸/帧数及32kHz立体声音视频完整解码通过。主存上限260GiB不是最低需求测量。显存数值为去噪/媒体阶段记录的最高allocated，并非进程总显存或最低设备容量保证。

模式	图像数	画布	秒	完整请求秒	已记录阶段峰值GiB
I2VA	1	1024×1024	15	484.13	27.74
I2VA HD	1	1440×1440	10	609.89	36.53
FL2VA	2	1344×768	15	405.50	27.81
Ref2VA	1	960×544	15	172.07	14.83
Ref2VA	9	960×544	5	93.15	9.44

容量证据与画质分开：多时间点检查仍发现部分场景的机位/构图漂移及细节变化，复杂参考与动作遵循尚非全面合格。音频有限且可解码，AAC存在不证明静音或声音语义；数字静音请显式使用silent交付。没有H100、普通24GiB4090或任意4MP/15秒资格；入口执行组合资源约束。集成来源：90e19b3b。