Sửa Lỗi Flux Tạo Ảnh Cực Chậm Trên Apple Silicon - Hướng Dẫn Đầy Đủ

Nếu Mac dòng M của bạn mất 30 phút đến một giờ để tạo một ảnh Flux duy nhất, có điều gì đó cơ bản đang bị hỏng trong cài đặt của bạn. Bạn đang gặp phải vấn đề Flux chậm Mac cổ điển. Apple Silicon nên tạo ảnh Flux trong 30 đến 90 giây tùy thuộc vào biến thể chip và độ phân giải của bạn - không phải hàng giờ. Hiệu suất Flux chậm Mac cực đoan mà bạn đang trải nghiệm gần như chắc chắn xuất phát từ một trong hai vấn đề quan trọng: PyTorch đang fallback về CPU thay vì sử dụng Metal GPU, hoặc áp lực bộ nhớ nghiêm trọng gây ra swap thrashing liên tục. Cả hai vấn đề Flux chậm Mac đều có thể sửa được khi bạn hiểu điều gì đang xảy ra và cách chẩn đoán.

Hướng dẫn toàn diện này bao gồm mọi khía cạnh của việc sửa các vấn đề Flux chậm Mac trên Apple Silicon.

Hướng dẫn này sẽ đưa bạn qua việc xác định vấn đề bạn gặp, triển khai các bản sửa lỗi phù hợp và tối ưu hóa cài đặt Mac của bạn để đạt được hiệu suất mà Apple Silicon thực sự có khả năng cung cấp. Mặc dù hiệu suất Mac sẽ không sánh bằng phần cứng NVIDIA có giá tương đương, bạn nên có được thời gian tạo ảnh hợp lý giúp việc tạo Flux cục bộ trở nên thực tế cho thử nghiệm và công việc sáng tạo.

Hiểu Tại Sao Apple Silicon Flux Có Thể Cực Chậm

Để sửa vấn đề Flux chậm Mac, trước tiên bạn cần hiểu hai kịch bản gây ra thời gian tạo ảnh hàng giờ, vì các bản sửa lỗi cho vấn đề Flux chậm Mac hoàn toàn khác nhau.

Kịch bản đầu tiên là CPU fallback. Khi backend Metal Performance Shaders (MPS) của PyTorch không hoạt động đúng cách, PyTorch âm thầm fallback về CPU. Suy luận mạng neural dựa trên CPU chậm hơn khoảng 50 đến 100 lần so với thực thi GPU, biến một lần tạo 60 giây thành một thử thách 60 phút. Điều này xảy ra mà không có thông báo lỗi rõ ràng - việc tạo của bạn chỉ mất mãi mãi trong khi sử dụng CPU đạt tối đa và GPU hoàn toàn nhàn rỗi.

Một số điều kiện gây ra CPU fallback. Bạn có thể đã cài đặt phiên bản x86 của Python chạy qua dịch Rosetta thay vì Python ARM gốc. Cài đặt PyTorch của bạn có thể thiếu hỗ trợ MPS, do đó là phiên bản cũ hoặc được cài đặt không đúng cách. Một số hoạt động trong model có thể không có triển khai MPS, khiến toàn bộ tính toán fallback về CPU. Hoặc chính macOS có thể có vấn đề với MPS mà cập nhật hệ thống sẽ giải quyết.

Kịch bản thứ hai là memory thrashing. Apple Silicon sử dụng bộ nhớ hợp nhất được chia sẻ giữa CPU và GPU, loại bỏ nhu cầu quản lý VRAM GPU rõ ràng nhưng tạo ra một vấn đề khác: khi tổng nhu cầu bộ nhớ vượt quá RAM có sẵn, macOS phân trang dữ liệu vào lưu trữ swap SSD. Đối với một model tốn bộ nhớ như Flux cần giữ các tensor lớn, việc phân trang liên tục đến và từ swap tạo ra sự chậm lại đáng kể vì hệ thống dành nhiều thời gian di chuyển dữ liệu hơn là tính toán.

Memory thrashing chủ yếu ảnh hưởng đến Mac có 8GB hoặc 16GB bộ nhớ hợp nhất. Model độ chính xác đầy đủ của Flux yêu cầu khoảng 23GB chỉ cho trọng số, và suy luận thêm bộ nhớ kích hoạt đáng kể. Ngay cả với lượng tử hóa GGUF giảm đáng kể yêu cầu bộ nhớ, Mac 8GB chạy Flux sẽ thrash nặng. Mac 16GB có thể hoạt động với model lượng tử nếu không có gì khác đang tiêu thụ bộ nhớ, nhưng các tab trình duyệt, tiến trình nền và chính macOS ăn vào không gian có sẵn.

Tin tốt là cả hai vấn đề đều có thể chẩn đoán và sửa được. Hãy bắt đầu với chẩn đoán.

Chẩn Đoán CPU Fallback vs. Memory Thrashing

Trước khi thử sửa Flux chậm Mac, xác định vấn đề nào bạn đang gặp. Cách tiếp cận chẩn đoán cho vấn đề Flux chậm Mac khác nhau, và áp dụng bản sửa lỗi sai sẽ lãng phí thời gian.

Đối với người dùng mới với ComfyUI trên Mac, hướng dẫn node thiết yếu của chúng tôi bao gồm các khái niệm cơ bản áp dụng cho cả Mac và các nền tảng khác.

Để kiểm tra CPU fallback, mở Activity Monitor trước khi bắt đầu tạo và quan sát cả sử dụng CPU và GPU trong quá trình. Trên hệ thống được cấu hình đúng, sử dụng GPU nên tăng cao trong khi các nhân CPU riêng lẻ vẫn tương đối yên tĩnh (một số hoạt động CPU là bình thường cho chuẩn bị dữ liệu). Nếu bạn thấy tất cả các nhân CPU đạt tối đa 100% trong khi sử dụng GPU vẫn gần bằng không trong suốt quá trình tạo, bạn đang gặp CPU fallback.

Bạn cũng có thể xác minh tính khả dụng MPS trực tiếp trong Python. Mở Terminal và chạy:

python3 -c "import torch; print('MPS có sẵn:', torch.backends.mps.is_available()); print('MPS đã build:', torch.backends.mps.is_built())"

Cả hai giá trị nên in True. Nếu MPS không có sẵn, cài đặt PyTorch của bạn cần được sửa trước khi bất cứ điều gì khác có thể giúp.

Kiểm tra bạn đang chạy Python ARM gốc, không phải x86 qua Rosetta:

python3 -c "import platform; print('Kiến trúc:', platform.machine())"

Điều này nên in "arm64". Nếu nó in "x86_64", bạn đang chạy kiến trúc Python hoàn toàn sai, và MPS không thể hoạt động.

Để chẩn đoán memory thrashing, quan sát tab Memory của Activity Monitor trong quá trình tạo. Xem biểu đồ Memory Pressure và giá trị Swap Used. Memory pressure xanh với swap usage tối thiểu cho thấy bộ nhớ đủ. Memory pressure vàng hoặc đỏ với swap tăng trong quá trình tạo cho thấy thrashing. Bạn cũng có thể quan sát hoạt động Disk trong Activity Monitor - hoạt động disk nặng trong quá trình nên là tác vụ bị giới hạn bởi tính toán cho thấy hoạt động swap.

Một chẩn đoán khác là tiến trình thời gian tạo. Với CPU fallback, việc tạo tiến hành với tốc độ chậm nhưng ổn định - mỗi bước mất nhiều thời gian nhưng phần trăm hoàn thành tiến triển nhất quán. Với memory thrashing, bạn sẽ thấy tiến trình không đều với một số bước hoàn thành tương đối nhanh trong khi các bước khác dừng lại trong thời gian dài khi hệ thống swap.

Nếu bạn thấy cả CPU cao và hoạt động swap đáng kể, bạn có thể có cả hai vấn đề - CPU fallback gây ra các mẫu tính toán không hiệu quả kích hoạt nhiều áp lực bộ nhớ hơn. Sửa CPU fallback trước, sau đó giải quyết bộ nhớ nếu cần.

Sửa Vấn Đề CPU Fallback

Nếu bạn đã xác định rằng PyTorch đang fallback về CPU thay vì sử dụng MPS, đây là cách sửa vấn đề Flux chậm Mac này. CPU fallback là nguyên nhân phổ biến nhất của hiệu suất Flux chậm Mac.

Trước tiên, đảm bảo bạn đã cài đặt Python ARM gốc. Cách dễ nhất là cài đặt Python qua Homebrew, tự động cung cấp phiên bản ARM trên Mac Apple Silicon:

# Cài đặt Homebrew nếu bạn chưa có
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# Cài đặt Python
brew install python@3.11

Nếu bạn đã cài đặt Python qua các phương tiện khác, xác minh kiến trúc như hiển thị ở trên và cài đặt lại nếu là x86.

Tiếp theo, tạo một môi trường ảo sạch để tránh nhiễm bẩn từ các cài đặt bị hỏng trước đó:

python3 -m venv ~/flux_env
source ~/flux_env/bin/activate

Bây giờ cài đặt PyTorch với hỗ trợ MPS. Cài đặt PyTorch chính thức cho Mac bao gồm hỗ trợ MPS theo mặc định trong các phiên bản gần đây:

pip install --upgrade pip
pip install torch torchvision torchaudio

Xác minh cài đặt hoạt động:

python -c "import torch; print('Phiên bản PyTorch:', torch.__version__); print('MPS có sẵn:', torch.backends.mps.is_available())"

Nếu MPS vẫn không có sẵn, bạn có thể cần cập nhật macOS. Hỗ trợ MPS đã được cải thiện đáng kể qua các cập nhật macOS, và một số hoạt động yêu cầu các phiên bản gần đây. Cập nhật lên phiên bản macOS mới nhất có sẵn cho Mac của bạn.

Một số thiết lập được hưởng lợi từ việc bật chế độ MPS fallback, cho phép các hoạt động không có triển khai MPS gốc fallback về CPU trong khi vẫn sử dụng MPS cho mọi thứ khác. Điều này tốt hơn CPU fallback hoàn toàn:

export PYTORCH_ENABLE_MPS_FALLBACK=1

Thêm điều này vào shell profile của bạn (~/.zshrc cho shell macOS mặc định) để làm cho nó vĩnh viễn.

Với CPU fallback được giải quyết, xác minh bản sửa lỗi hoạt động bằng cách tạo một ảnh trong khi quan sát Activity Monitor. Bạn nên thấy sử dụng GPU tăng trong khi sử dụng CPU vẫn ở mức vừa phải. Thời gian tạo nên giảm từ hàng giờ xuống dưới hai phút cho các cài đặt điển hình.

Sửa Vấn Đề Áp Lực Bộ Nhớ

Nếu Mac của bạn có chức năng MPS đủ nhưng memory thrashing gây ra hiệu suất Flux chậm Mac, bạn cần giảm yêu cầu bộ nhớ hoặc tăng bộ nhớ có sẵn. Áp lực bộ nhớ là nguyên nhân chính thứ hai của vấn đề Flux chậm Mac.

Thay đổi có tác động nhất là sử dụng model lượng tử. Lượng tử hóa GGUF giảm đáng kể yêu cầu bộ nhớ trong khi duy trì chất lượng hợp lý. Model Flux lượng tử Q8_0 cần khoảng 12GB so với 23GB cho độ chính xác đầy đủ. Lượng tử hóa Q4_K_M giảm xuống còn khoảng 6GB, làm cho Flux có thể truy cập ngay cả trên Mac 8GB với sự cẩn thận.

Tải model Flux lượng tử GGUF từ các kho HuggingFace cung cấp chúng. Cài đặt gói node ComfyUI-GGUF để tải chúng:

cd ~/ComfyUI/custom_nodes
git clone https://github.com/city96/ComfyUI-GGUF
pip install -r ComfyUI-GGUF/requirements.txt

Sau đó sử dụng các node loader GGUF thay vì các checkpoint loader tiêu chuẩn.

Nếu bạn có Mac 16GB hoặc lớn hơn và muốn sử dụng model độ chính xác đầy đủ, tối đa hóa bộ nhớ có sẵn trước khi tạo. Đóng hoàn toàn trình duyệt - Chrome với nhiều tab có thể dễ dàng tiêu thụ 4-8GB. Thoát Slack, Discord, Spotify và các ứng dụng nền khác. Kiểm tra Activity Monitor cho các tiến trình tiêu thụ bộ nhớ đáng kể và đóng mọi thứ không cần thiết.

Các flag quản lý bộ nhớ của ComfyUI quan trọng đáng kể trên Mac. Sử dụng flag --highvram:

python main.py --highvram

Điều này nói với ComfyUI giữ model trong bộ nhớ thay vì di chuyển chúng. Trên hệ thống bộ nhớ hợp nhất, việc offloading mà --lowvram thực hiện không cung cấp lợi ích (không có VRAM GPU riêng biệt để tiết kiệm) trong khi thêm overhead di chuyển dữ liệu không cần thiết.

KHÔNG sử dụng --lowvram hoặc --medvram trên Mac. Các flag này được thiết kế cho GPU rời với VRAM hạn chế, nơi offloading trọng số model vào RAM hệ thống trong quá trình tính toán tiết kiệm VRAM với chi phí overhead truyền. Với bộ nhớ hợp nhất, các trọng số đã ở trong cùng một pool bộ nhớ mà GPU truy cập, vì vậy offloading chỉ thêm độ trễ truyền mà không có lợi ích.

Đối với Mac có bộ nhớ hạn chế chạy model lượng tử, hãy xem xét giảm độ phân giải tạo. Tạo ở 768x768 thay vì 1024x1024 giảm đáng kể bộ nhớ kích hoạt trong quá trình suy luận. Bạn có thể upscale kết quả sau nếu cần.

Kỳ Vọng Hiệu Suất Thực Tế

Với cấu hình phù hợp và các vấn đề Flux chậm Mac được giải quyết, đây là những gì có thể mong đợi từ các chip Apple Silicon khác nhau chạy Flux ở độ phân giải 1024x1024 với 20 bước:

Chip M1/M2 cơ bản (GPU 8 nhân, bộ nhớ 8-16GB): Các chip này có thể chạy Flux nhưng ở giới hạn khả năng. Với lượng tử Q4 và quản lý bộ nhớ cẩn thận, mong đợi 60-90 giây cho các lần tạo tiêu chuẩn. Các biến thể 8GB yêu cầu lượng tử tích cực và tạo ở độ phân giải nhỏ hơn để tránh thrashing.

Chip M1/M2/M3 Pro (GPU 14-16 nhân, bộ nhớ 16-32GB): Đây là điểm ngọt ngào cho việc tạo Flux Mac. Với các biến thể bộ nhớ 18GB+, bạn có thể chạy model lượng tử Q8 thoải mái. Mong đợi 45-70 giây cho các lần tạo tiêu chuẩn, với thời gian nhanh hơn trên các cấu hình bộ nhớ cao hơn tránh bất kỳ áp lực swap nào.

Chip M3/M4 Pro và Max (lên đến GPU 40 nhân, lên đến 128GB bộ nhớ): Các chip cao cấp cung cấp hiệu suất Mac tốt nhất. M3 Max và M4 Max với bộ nhớ 64GB+ có thể chạy Flux độ chính xác đầy đủ mà không có áp lực bộ nhớ. Mong đợi 30-50 giây cho các lần tạo tiêu chuẩn, với các chip Max được cấu hình tốt nhất tiến gần 30 giây.

So sánh với NVIDIA: Ngay cả M4 Max nhanh nhất cũng chậm hơn RTX 4070 tầm trung, và chậm đáng kể hơn RTX 4090. RTX 4090 tạo ảnh Flux trong 8-12 giây với các cài đặt tương đương. Nếu hiệu suất thô là ưu tiên của bạn và bạn không cam kết với hệ sinh thái Mac, NVIDIA cung cấp hiệu suất tốt hơn nhiều cho mỗi đô la. Việc tạo Flux Mac có ý nghĩa nếu bạn cần làm việc trên Mac vì các lý do khác và chấp nhận sự đánh đổi hiệu suất.

Những kỳ vọng này giả định hệ thống được cấu hình đúng với lượng tử phù hợp cho bộ nhớ của bạn. Nếu bạn thấy thời gian tệ hơn nhiều so với các phạm vi này sau khi áp dụng các bản sửa lỗi trong hướng dẫn này, có điều gì đó khác sai - xem lại các bước chẩn đoán.

Tối Ưu Hóa Nâng Cao

Khi bạn đã có các điều cơ bản hoạt động đúng, một số kỹ thuật nâng cao có thể vắt thêm hiệu suất.

MLX là framework machine learning của Apple được tối ưu hóa đặc biệt cho Apple Silicon. Các model được port sang MLX có thể chạy nhanh hơn các triển khai PyTorch MPS vì MLX được thiết kế từ đầu cho phần cứng Apple. Hệ sinh thái MLX đang phát triển, và các triển khai Flux tồn tại. Nếu bạn thoải mái thiết lập môi trường MLX, đáng để kiểm tra xem nó có cung cấp hiệu suất tốt hơn PyTorch MPS cho trường hợp sử dụng của bạn không.

Điều chỉnh quản lý bộ nhớ có thể giúp trên các hệ thống bị hạn chế. Đặt biến môi trường PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.0 nói với PyTorch không cache các phân bổ bộ nhớ, có thể giảm sử dụng bộ nhớ đỉnh với chi phí overhead phân bổ nhiều hơn. Điều này đánh đổi một số hiệu suất cho khả năng chạy trên hệ thống bộ nhớ thấp hơn:

export PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.0

Nếu bạn chạy ComfyUI thường xuyên, cấu hình dọn dẹp bộ nhớ tự động. ComfyUI có thể cache dữ liệu các lần tạo trước để thuận tiện, nhưng điều này tiêu thụ bộ nhớ. UI có các tùy chọn để tự động unload model sau khi sử dụng, giải phóng bộ nhớ cho các ứng dụng khác giữa các phiên tạo.

Xem xét môi trường nhiệt. Các tải công việc tạo liên tục làm nóng chip, và Apple Silicon throttle khi nóng. Đảm bảo thông gió tốt, tránh xếp chồng đồ trên MacBook, và xem xét giá đỡ làm mát cho các phiên tạo kéo dài. Hiệu suất giảm đáng kể khi thermal throttling bắt đầu.

Câu Hỏi Thường Gặp

Tại sao việc tạo Flux của tôi đột nhiên chậm khi trước đó hoạt động?

Các cập nhật macOS đôi khi tạm thời phá vỡ chức năng MPS, yêu cầu cập nhật PyTorch để khôi phục tương thích. Sau bất kỳ cập nhật macOS nào, xác minh MPS vẫn có sẵn và cập nhật PyTorch nếu cần. Cũng kiểm tra xem cập nhật macOS có tăng tiêu thụ bộ nhớ nền, tạo áp lực mới trên các hệ thống bị hạn chế.

8GB RAM có đủ cho Flux trên Mac không?

Vừa đủ, và chỉ với lượng tử Q4 tích cực và không có gì khác đang chạy. Việc tạo sẽ chậm do áp lực bộ nhớ ngay cả với lượng tử. 16GB là tối thiểu thực tế, và 24GB+ cung cấp khoảng trống thoải mái. Nếu bạn đang mua Mac mới cho công việc AI, hãy lấy càng nhiều bộ nhớ càng tốt - nó không thể nâng cấp sau.

Tôi có nên sử dụng Rosetta cho ComfyUI không?

Không bao giờ. Dịch Rosetta thêm overhead và ngăn MPS hoạt động hoàn toàn. Luôn sử dụng Python ARM gốc và các gói. Nếu thứ gì đó chỉ hoạt động qua Rosetta, hãy tìm thay thế ARM.

Lần tạo đầu tiên của tôi chậm nhưng các lần sau nhanh - điều này có bình thường không?

Có. Lần tạo đầu tiên bao gồm tải model và biên dịch shader Metal, cả hai đều được cache cho các lần chạy tiếp theo. Đo thời gian lần tạo thứ hai hoặc thứ ba để đánh giá hiệu suất đại diện.

Các phiên bản macOS tương lai sẽ làm Flux nhanh hơn không?

Có thể có, từng bước. Apple tiếp tục cải thiện MPS với mỗi bản phát hành, và PyTorch cũng cải thiện backend MPS của nó. Các cập nhật cũng có thể mang lại hỗ trợ MLX tốt hơn cho các model phổ biến. Tuy nhiên, đừng mong đợi tăng tốc đáng kể - phần cứng là ràng buộc cơ bản.

Tôi có thể sử dụng GPU ngoài để cải thiện hiệu suất không?

Không. macOS đã bỏ hỗ trợ eGPU cho Mac Apple Silicon, và nó không tuyệt vời ngay cả khi được hỗ trợ. GPU nội bộ của bạn là những gì bạn có. Nếu bạn cần nhiều sức mạnh GPU hơn, hãy xem xét dịch vụ cloud hoặc hệ thống NVIDIA chuyên dụng.

Tại sao M3 Max của tôi chậm hơn các benchmark được báo cáo?

Xác minh bạn không gặp thermal throttling trong quá trình tạo kéo dài. Kiểm tra cấu hình bộ nhớ - so sánh có thể sử dụng độ chính xác đầy đủ trong khi bạn sử dụng lượng tử, hoặc ngược lại. Cũng đảm bảo bạn đang so sánh tương đương: cùng model, độ phân giải, bước và cài đặt.

MLX có tốt hơn PyTorch MPS cho Flux không?

Đôi khi có, đôi khi không. MLX có thể nhanh hơn cho các model có triển khai MLX tốt, nhưng hệ sinh thái nhỏ hơn PyTorch. Kiểm tra cả hai nếu bạn có thời gian, nhưng PyTorch MPS là tùy chọn trưởng thành hơn và được tài liệu tốt hơn hiện tại.

Việc tạo của tôi thất bại với "MPS backend out of memory" - tôi phải làm gì?

Lỗi này có nghĩa là việc tạo của bạn đã vượt quá bộ nhớ có sẵn. Giảm độ phân giải, sử dụng lượng tử tích cực hơn, đóng các ứng dụng khác, hoặc nếu không có cái nào khả thi, việc tạo đơn giản không vừa trên phần cứng của bạn. Dịch vụ cloud cung cấp cách để tạo ở các cài đặt mà phần cứng cục bộ của bạn không thể xử lý.

Tôi có nên vô hiệu hóa các tính năng macOS như Spotlight để giải phóng bộ nhớ không?

Tiết kiệm bộ nhớ từ việc vô hiệu hóa các tính năng macOS là tối thiểu so với yêu cầu bộ nhớ của Flux. Tập trung vào việc đóng các ứng dụng thực và sử dụng lượng tử phù hợp. Vô hiệu hóa các tính năng macOS hữu ích cho lợi ích bộ nhớ cận biên không đáng.

Kết Luận

Sửa vấn đề Flux chậm Mac gần như luôn quy về CPU fallback hoặc memory thrashing. Với chẩn đoán phù hợp và các bản sửa lỗi được nhắm mục tiêu cho vấn đề Flux chậm Mac, bạn nên đạt được thời gian tạo 30 đến 90 giây tùy thuộc vào chip và cấu hình của bạn - xa so với những thử thách hàng giờ đã khiến bạn đọc hướng dẫn này.

Bắt đầu bằng cách xác minh tính khả dụng MPS và rằng bạn đang chạy Python ARM gốc. Nếu bạn đang gặp CPU fallback là nguyên nhân Flux chậm Mac của bạn, hãy sửa cài đặt Python và PyTorch của bạn trước bất cứ điều gì khác. Nếu bộ nhớ là vấn đề Flux chậm Mac, hãy sử dụng model lượng tử phù hợp với dung lượng bộ nhớ của bạn và khởi chạy ComfyUI với --highvram.

Apple Silicon cung cấp khả năng tạo Flux cục bộ hợp lý khi các vấn đề Flux chậm Mac được giải quyết đúng cách. Nó không nhanh bằng NVIDIA, nhưng đủ cho thử nghiệm và công việc sáng tạo. Điều quan trọng là đảm bảo bạn thực sự đang sử dụng GPU như dự định thay vì chiến đấu với CPU fallback im lặng hoặc áp lực bộ nhớ biến việc tạo thành một bài tập về sự thất vọng.

Đối với training Flux LoRA có thể bổ sung cho quy trình Mac của bạn, hướng dẫn training Flux LoRA của chúng tôi bao gồm các kỹ thuật training (mặc dù training thường được thực hiện trên phần cứng mạnh hơn).

Đối với người dùng muốn tạo Flux nhanh hơn mà không có giới hạn Mac và không có vấn đề Flux chậm Mac, Apatero.com cung cấp tạo được tăng tốc NVIDIA hoàn thành trong vài giây thay vì vài phút.