6GB 显存也能跑世界模型，而且能出片

LingBot-World 2.0 · 1.3B

RTX 3060 Laptop · 单卡实测

1. 研究问题与主要结论

本研究考察的问题是：在显存容量为 6 GB 的笔记本 GPU 上，蚂蚁灵波 LingBot-World 2.0 的 1.3B 图像到视频模型能否生成一段可播放的视频；若可以，限制它的是显存、片段长度，还是速度。

在窗口 18+6、T5 放在 CPU、模型按配置以 bfloat16 加载的条件下，湖边短片、加长片、换轨迹、换场景和走回起点都写出了成片。五次显存峰值都在 5963–5983 MiB，扣掉空闲基线后是 5934–5983 MiB。这个跨度里看不出与片段长度的关系：帧数最少的换轨迹一次反而最高。这些运行都不是实时。

上表的运行时长是 metrics/<RunId>.json 的 wall_clock_s：从 xterm 启动到命令结束再加 4 秒，含模型加载、采样，以及逐字敲入命令的约 20 秒；不含录屏收尾。显存峰值含空闲基线，而基线并不相同：LB2-HEAD-001 为 44 MiB，其余四次为 0。跨 run 直接比峰值并不牢靠，上面用的是扣掉基线后的净占用。做法见第 6 节。

官方 README 的参考命令是 480×832、多进程。本机只有一张卡。 generate.py 在单进程下不允许 FSDP，也不允许 ulysses_size 大于 1。 这里测的是单进程路径，不是那条多卡命令，也不是未发布的 720p / 60 fps 部署栈。

2. 测试环境

被测权重是 lingbot-world-v2-1.3b-causal-fast 的 DiT。Hugging Face 的模型记录记为 float32， 17.1 亿个参数，六个分片合计 6525 MiB。T5、VAE 和分词器来自 14B 包，没有下载 14B 的 DiT。逐文件 SHA256 在该实验的 model.json。索引文件的 SHA256 为 b0409d66…022e42。

许可证为 CC BY-NC-SA 4.0。本报告只记录这次测量，不构成商业使用授权。

RTX 3060 的移动版显存为 6 GB。桌面版不是这一张卡，两组数字不能互相引用。 采集画面来自 Xvfb 虚拟显示，不是 Windows 桌面录屏。

3. 实际执行的命令

成功运行共用下面的参数。帧数、起始图、轨迹和提示按各节更换。命令留档在 01-实验/2026-09-26_lingbot-world-1.3b-6gb/_runners/。

python generate.py --task i2v-1.3B --infer_mode causal_fast \
  --size 480*832 --frame_num 13 \
  --local_attn_size 18 --sink_size 6 \
  --t5_cpu --offload_model True --convert_model_dtype \
  --image examples/03/image.jpg \
  --action_path examples/03 --base_seed 42

--size 480*832 是面积参数。代码按起始图的宽高比改写输出。 ffprobe 读到的成片是 832×464，不是 480×832 像素。帧率 16 fps，来自模型配置里的 sample_fps，并由 ffprobe 的 avg_frame_rate=16/1 核对。

causal_fast 在进入采样前断言必须提供 action_path。 第一次尝试没有这一参数，进程在生成开始前退出。成功的两次使用仓库自带的 examples/03，其中含 poses.npy 与 intrinsics.npy。

4. 13 帧：最短可运行长度

请求 5 帧时，chunk_size 为 4，时间维 latent 被收成 0，随后申请形状 [1, -3, 58, 104]。按同一公式，最短可运行的 4n+1 是 13。

生成段的秒数由上述两行日志相减，未自动核验。墙钟 728 s 含加载与录屏收尾，已列入第 1 节的表。

5. 29 帧：加长以后变的是时间

21 帧会被同一条 chunk_size 4 规则收回到 13，测不出更长的片段。下一档真正变长的 4n+1 是 29，即 LB2-LEN-001。

生成段约 1372 s（13 帧约 621 s），未自动核验。净占用 5975 MiB，仍在 13 帧的区间内。

6. 换轨迹、换场景、再走回来

LB2-HEAD-001 是湖边图配 examples/03 的前 13 帧，没有重跑。下面三条只改图或轨迹。窗口、种子和单卡不变。墙钟与显存峰值在第 1 节。

同一张湖边图换成第 208–220 帧的侧向位姿，即 LB2-CAM-001。首末帧平均像素差 52.95，原来那条是 38.95。树仍在画面右侧的湖里。像素差由该实验归档的 results/pixdiff.cjs 从成片复算，但它不是方向精度，也不能当成镜头已经按侧向幅度走完。

换成长城图和它自己的前 13 帧，提示写成秋日长城，即 LB2-SCENE-001。首帧和末帧都是长城与烽火台，不是湖。成片为 768×512，因为代码按这张图的比例改尺寸。

同一张湖边图走出再按原位姿倒回起点，即 LB2-BACK-001，29 帧。首帧、第 15 帧和末帧里，树都还在。首帧到第 15 帧的像素差是 38.72，首帧到末帧是 32.58。末帧更接近开头，但不是同一张画面。

7. 结论

6GB 的笔记本显卡能把这个世界模型跑出视频。五次都出了片，显存占用都落在 5934–5983 MiB 这一档，把片段加长也推不动它。

代价是时间。不到 1 秒的画面，要生成十多分钟。它不是实时。

画面能换地方。给一张长城图，出来的是长城和烽火台，不是湖；树也一直待在原位。镜头还不太听话：换成侧向轨迹，画面确实动得更多，但没有走完；原路走回去，最后一帧也没有回到开头那一帧。

想自己试的话，一张 6GB 卡就够跑起来，只是别按实时视频去期待—— 这是笔记本上的 1.3B，不是官方那套 720p / 60fps 的部署栈。