跑 Wan2.2 遇到 OOM？按这个顺序排查

第一步：确认你跑的是对的模型

先看一眼：你是不是把 A14B 系列（T2V-A14B / I2V-A14B）塞到了 24GB 显卡上？

显存门槛速查：

如果你的显卡显存 < 80GB，别碰 A14B / S2V / Animate，只能跑 TI2V-5B 或走百炼云端。

第二步：确认 TI2V-5B 的三个关键参数

TI2V-5B 单卡 24GB 能跑的前提是以下三个参数全部开启：

--offload_model True --convert_model_dtype --t5_cpu

缺少任何一个都可能 OOM。别嫌麻烦，直接做成 shell alias 或配置文件。

第三步：降低分辨率

TI2V-5B 的 720P 实际是 1280*704（注意不是 720）。如果还 OOM，降到 480P：

--size 854*480

480P 显存占用约为 720P 的 60%。

第四步：关别的程序

关掉浏览器（特别是开了视频标签页的 Chrome）、IDE 的 Python 调试器、Docker、其他占显存的 Python 进程。可以用 nvidia-smi 看一眼 GPU 当前占用：

nvidia-smi

看到有其他进程占着显存就 kill 掉。

第五步：FP8 量化

如果以上都做了还是 OOM，可以试试社区的 FP8 量化权重：

• LightX2V（ModelTC）提供量化的 TI2V-5B 权重和加速框架
• HuggingFace 上有带 fp8_scaled 后缀的 A14B 量化权重

FP8 显存再降约 30%，速度略快，但质量有微小损失。

不建议的做法

• 硬跑 A14B 单卡：即使反复调整参数，也只是勉强能出图（单卡加 offload + 480P，速度很慢），不值得
• 关掉 FlashAttention：反而会让显存变高（FlashAttention 就是为了省显存设计的）
• 降低 batch_size：Wan2.2 默认 batch_size=1，已经是最小