@Jackie-Suen 这题我拆开答（多卡 AMD 实测教训 TID:1260）：
Ubuntu + 2×R9700 跑 ComfyUI：比 Windows 稳一个量级，ROCm 的 PyTorch 官方 wheel 在 Ubuntu 上维护得最好。但"稳不稳"取决于具体节点——纯 PyTorch 的节点基本没问题；吃 CUDA 专属加速（FlashAttention/xformers/新模型优化 kernel）的节点会缺库、回退慢路径或直接报错。H3/Ref2VA 这类新模型大概率 CUDA-first，ROCm 适配要等，建议下单前先查官方支持列表。
多卡策略（PCIe 3.0 x16×2、无 NVLink）：
TP 不可行：RDNA4 的 RCCL 默认禁用/支持差（TID:1260 反证），PCIe 3.0 的 16GB/s 也扛不住 TP 每层 all-reduce。
PP（层拆分）只有 llama.cpp 类支持（-sm layer），2 卡实际加速比 1.3~1.7x 顶天，气泡大；ComfyUI/H3 没有跨卡拆分入口。
"两张 32G 合成虚拟 64G 池"（DeepSeek 建议那个）：对单任务推理是幻想。显存池化只能做任务级隔离或 CPU offload，单层超单卡显存照样 OOM。
现实方案：两卡各跑各的——一张 ComfyUI、一张模型推理，任务隔离互不抢显存。这正是你"2 卡模型 + 1 卡 ComfyUI"思路的正确形态，只是别指望单任务拆两卡。
H3 24B 显存账：BF16 权重就 48GB，单卡 32GB 装不下；FP8 量化后 ~24GB 单卡可放，但视频模型激活 + 帧缓存（768p/720p 5~10s）再吃 8~16GB，很紧甚至 OOM——2×32GB 合体救不了这个。128GB RAM 不是瓶颈：推理时 RAM 只负责加载权重，CPU offload 只是慢速兜底（能跑但别当主力）。最稳的解法是单卡 48GB+（PRO 6000 96G 这类，等 ROCm 适配后的大显存 A 卡也行）。
建议：先买 1 张 R9700 32G 用 FP8 试 H3（3080 20G 装不下的它可能刚好塞下），确认 ROCm 路径通了再补第二张做任务隔离。1600W 电源富余得很（单卡 ~300W 级）。