SeedVR2 部署与实测报告（2026-09-26）

目标：验证 SeedVR2（ICLR 2026，字节跳动，Apache-2.0，视频原生一步式扩散修复）能否超过现役逐帧方案 Real-ESRGAN，用于 BV1Ss411o7p3（320×240 / 15fps）的高清修复。结论：能，但有很大限制 —— SeedVR2 在同等 2 倍档下锐度更高（518.5 vs 429.8），画面最自然；但本机 16GB 显存只跑得动 2 倍档，3 倍档 OOM，且速度只有 Real-ESRGAN 的 1/2.6。

一、下载（迅雷，技能已验证）

文件	大小	用途
`seedvr2_3b_nvfp4.safetensors`	1.90 GB	实际使用（Comfy-Org 官方量化档，最省显存）
`seedvr2_3b_int8_convrot.safetensors`	3.46 GB	官方模板默认档，16GB 卡加载即 OOM
`ema_vae_fp16.safetensors`	0.50 GB	VAE（Comfy-Org 与 numz 两版 sha256 完全相同）
~~`seedvr2_ema_3b.pth`（13.6GB）~~	—	❌ 下到一半发现不能用：官方 `.pth` 不含 ComfyUI 原生加载器必需的键，已删除
~~`seedvr2_ema_3b_fp8_e4m3fn.safetensors`（3.39GB）~~	—	❌ 同上（numz 版为第三方封装准备），已删除

迅雷实测速度：起步 2.7 MB/s，峰值约 30 MB/s（远快于 GPU 机直连 hf-mirror 的 ~0.4 MB/s）。三个必需文件（共 5.9GB）约 15 分钟内拿齐。

二、三个关键坑（都会导致"下了也用不了"）

坑 1：官方 `.pth` / numz fp8 不被 ComfyUI 原生加载器接受

ComfyUI 的 SeedVR2 检测要求模型含 positive_conditioning + negative_conditioning 两个键（comfy/supported_models.py 的 required_keys）：

官方 ByteDance-Seed/SeedVR2-3B 的 .pth（13.6GB）：缺 → Could not detect model type
numz SeedVR2_comfyUI 的 fp8 safetensors（3.39GB）：缺 → 同样报错
Comfy-Org SeedVR2 的 *_int8_convrot / *_nvfp4 / *_fp16：有（1057 个键里含这两个）→ ✅ 可用

教训：ComfyUI 原生支持（PR #14424）只认 Comfy-Org 转换版；第三方封装（numz/AInVFX）的权重是给它们自己的节点用的。

坑 2：ComfyUI 官方模板是 subgraph，不能直接 POST

utility_seedvr2_3b_int8_upscale_video.json 是前端工作流格式（subgraph 封装）。要转成 /prompt API 格式必须处理：

subgraph 内 link id 需要加 "<subgraph_uuid>:" 命名空间前缀，否则全部解析失败；
模板 nodes[].inputs 只列连线输入，widget 值靠位置映射会整体偏移（实测把文件名塞进了 weight_dtype）→ 必须按 /object_info 的类型信息区分"widget 输入"与"纯连线输入"；
KSampler 的 latent_image 原本指向 switch 节点，删除 switch 后需重指到 VAEEncodeTiled；
模板里 SaveVideo 实际未接上游（靠 subgraph 输出），需显式接 CreateVideo。

已写好脚本：build_seedvr_api.py（模板→API）+ fix_seedvr_api.py（绕开关、补参数、修引用）。

坑 3：16GB 显存只够 2 倍档

配置	结果
int8_convrot (3.46GB) + 3x	❌ 加载阶段 OOM（峰值 14884/16311 MiB）
nvfp4 (1.90GB) + 3x	❌ OOM：已分配 14.10 GiB + 需 778 MiB > 15.49 GiB 上限
nvfp4 (1.90GB) + 2x	✅ 成功，显存 9910 MiB，225 帧 105.66 s

官方文档本身也写明"3B 版本至少需要 18GB 显存"——与实测吻合。官方模板的默认值就是 scale_multiplier=2，正是为这点妥协的。

三、实测对比（同段 15s / 225 帧 / 同区域裁切）

方案	锐度↑	邻帧 PSNR↑	速度	输出尺寸
源 240p → 640×480（Lanczos）	88.4*	30.19	—	—
Real-ESRGAN x4plus → 640×480	429.8	26.59	5.53 fps	2x
SeedVR2 3B nvfp4 → 640×480	518.5	23.52	2.13 fps	2x

（*源行来自加黑边输入的那次测试，仅作量级参考）

归一化到 960×720 后（SeedVR2 只能 2x 上采样再放大，Real-ESRGAN 原生 3x 输出）：

方案	锐度	邻帧 PSNR
Real-ESRGAN → 960×720	325.9	22.56
SeedVR2 → 960×720	254.4	23.19

解读：

SeedVR2 在同倍率下细节恢复更强、画质最自然（见对比图右图：脸部结构合理、校服细节干净，没有 Real-ESRGAN 那种硬边/伪影感）；
但它闪烁更明显（邻帧 PSNR 低 3 dB）——扩散模型每帧独立采样带来的时间不一致，这与"一步式扩散"的机制一致；
整体分辨率上限受显存压制：它只能 2x，放大到 720p 后锐度反而不如直接 3x 的 Real-ESRGAN。

四、结论与建议

用途	推荐
出 960×720 成品	继续用 Real-ESRGAN x4plus（3x 直出，锐度更高、无显存问题）
追求最自然的观感 / 240p 原尺寸修复	SeedVR2 2x（细节最真实，适合作为"高质量 2 倍档"或局部重制）
快速试看	RTX VSR（44 fps）

SeedVR2 要真正超过 Real-ESRGAN 需要：更大显存（≥24GB 跑 3~4 倍档）、或等官方 BlockSwap 进原生实现、或接受"分段 2x + 再插值"的两段式。当前 16GB 卡上它的定位是"2 倍档最自然"，而不是"更高分辨率的替代品"。

五、复现（GPU 机）

# 权重位置
# ~/ComfyUI/models/diffusion_models/seedvr2_3b_nvfp4.safetensors
# ~/ComfyUI/models/vae/ema_vae_fp16.safetensors
# 模板 → API → 修正 → 提交
python3 /tmp/build_seedvr_api.py <官方模板.json> /tmp/seedvr_api.json \
    --unet seedvr2_3b_nvfp4.safetensors --vae ema_vae_fp16.safetensors
python3 /tmp/fix_seedvr_api.py /tmp/seedvr_api.json /tmp/seedvr_run.json \
    --video 输入.mp4 --scale 2 --prefix video/seedvr2_out
# 再把 UNETLoader.unet_name 改成 seedvr2_3b_nvfp4.safetensors（或改用 int8，前提显存≥18GB）
curl -s -X POST http://127.0.0.1:8189/prompt -H 'Content-Type: application/json' \
     -d "{\"prompt\": $(cat /tmp/seedvr_run.json)}"

六、全片 2x 成品（2026-09-27 完成）

成品（成品/ 目录）

文件	规格	体积
朋友法语版-SeedVR2-2x-640x480-30fps.mp4	640×480 / 30fps / 7885 帧 / 1.39 Mbps	45.5 MB
朋友法语版-SeedVR2-2x-640x480-15fps.mp4	640×480 / 15fps / 3944 帧 / 0.89 Mbps	29.4 MB

时长 263.08 s（与原片一致），音轨用源音轨重编 AAC 192k。

全片必须分块，块大小有硬上限

单块帧数越多显存越高（一次 forward 处理整块）：

单块时长	帧数	结果
15 s	225	✅ 峰值 9910 MiB
20 s	300	✅ 峰值 7990 MiB
53 s	795	❌ OOM（已分配 14.44 GiB + 需 1.14 GiB > 15.49 GiB）

→ 采用 20 秒/块 × 14 块，每块约 150 秒，全片约 35 分钟。

流水线

seedvr2_fullrun.py（自动切块→上传→提交→轮询→收集）+ post_seedvr2.sh（合并→配回音轨→插帧 30fps）：

ffmpeg 按 20 s 切块（H.264 CRF14，无声）；
逐块提交 ComfyUI /prompt（SeedVR2 2x，nvfp4，fps=15，无音频）；
收集 14 块 → concat 合并（3944 帧）；
配回源音轨 → 15fps 版；
minterpolate 15→30fps → 30fps 版（7885 帧）。

接缝验收（关键风险点，已实测无问题）

20 秒切 14 块、逐块独立推理，理论上接缝会跳变。实测接缝两侧 PSNR 17.3–34.7 dB，与普通相邻帧（16.4–26.1 dB）同一量级 → 无接缝跳变，观感连续。

全片对比图

对比图-全片-原片vsRealESRGAN-vs-SeedVR2.png（同帧 t=120s，均归一化到 640×480）：

左 = 原片插值（模糊、块效应）
中 = Real-ESRGAN 960×720 降到 480p（锐但有硬边/卡通感、人脸有伪影、色偏黄）
右 = SeedVR2 2x（石墙纹理清晰、色彩自然、伪影最少）

提示：如需更高分辨率（960×720），仍需用 Real-ESRGAN 版；SeedVR2 版的价值在"2 倍档最自然"。

SeedVR2部署与实测报告-20260926.md