.ai

de beste open source AI-modellen

Zoeken

VRAM-vereisten voor elke populaire AI-beeld- en videomodel (2026): volledige precisie, FP8 en GGUF

Q: Generatie is pijnlijk traag hoewel niets crasht

Automatisch offloading naar systeem-RAM. Ga naar de volgende precisie (FP8 naar Q6, Q6 naar Q4) totdat gedeeld GPU-geheugen bijna nul blijft.

Q: FLUX.2 Dev "werkt" op 12 GB maar heeft 70 GB RAM nodig

FP8-gewichten gewisseld vanuit systeemgeheugen. Gebruik Klein 4B/9B lokaal en FLUX.2 Dev in de cloud of op een 32 GB kaart.

Onderwerp: Fouten en oplossingen

Door P.I. Panda

Gepubliceerd op 2026-10-06

Hoeveel VRAM je nodig hebt voor SD 1.5, SDXL, SD 3.5, Z-Image Turbo, FLUX.1, FLUX.2 Klein en Dev, Qwen-Image, Wan 2.2, HunyuanVideo 1.5 en LTX-2, bij volledige precisie, FP8 en 4-bit GGUF, met de comfortabele kaart en licentie voor elk, wat elke GPU-grootte van 8 tot 48 GB kan draaien, en de volgorde van oplossingen als een model niet past.

Overzicht

Kort antwoord: 8 GB

VRAM

draait

SDXL

en de kleine snelle modellen zoals

. 12 GB draait

zodra ze gequantiseerd zijn. 24 GB draait bijna elk beeldmodel plus

Wan 2.2

video in FP8. De nieuwste grote modellen,

FLUX.2 Dev

LTX-2

op volle kwaliteit, willen 32 GB of meer.

De tabel hieronder geeft elk populair open model weer met het geheugen dat het nodig heeft bij volledige precisie, bij FP8 en als een 4-bit GGUF-bestand, genererend op ongeveer 1024x1024. Verschillende testers rekenen de tekstencoder anders, dus zie elk getal als een bereik in plaats van een harde limiet. Drie dingen die de tabel verbergt: SDXL is nog steeds het goedkoopste model om goed te draaien (de basis past in 8 GB, maar

LoRAs

ControlNet

en opschaling voegen geheugen toe, daarom is 12 GB het comfortabele getal); FLUX.2 Klein 4B is nu de beste keuze voor kleine kaarten (ongeveer 13 GB bij volledige precisie, ongeveer de helft in FP8, Apache 2.0); en FLUX.2 Dev is geen thuismodel bij volledige precisie (een ComfyUI-gebruiker draaide FP8 op een 12 GB RTX 3060, met ongeveer 70 GB systeem-RAM om dat mogelijk te maken).

Precisie verandert alles. BF16/FP16 is volledige kwaliteit en volledige grootte, ongeveer 2 GB VRAM per miljard parameters. FP8 halveert dat, ongeveer 1 GB per miljard, en de meeste mensen merken geen verschil tussen FP8-uitvoer en volledige precisie. GGUF-bestanden (Q8, Q5, Q4 en lager) verkleinen modellen nog verder: Q8 komt dicht bij volledige kwaliteit, Q4 ruilt wat detail in voor een veel kleinere omvang, en onder Q4 daalt de kwaliteit snel. Het model is ook niet het enige in het geheugen: tekstencoders (T5 voor FLUX.1, een taalmodel voor Qwen-Image en

FLUX.2

), de VAE, LoRAs, ControlNet en het beeld zelf nemen allemaal ruimte in, en

ComfyUI

verplaatst sommige hiervan automatisch naar systeem-RAM, waardoor twee mensen met dezelfde kaart verschillende getallen rapporteren. Cijfers gecontroleerd op 6 oktober 2026 aan de hand van modelkaarten en communitytests; maandelijks bijgewerkt.

Naslag

Model

Full precision

FP8

4-bit / GGUF

Comfortable card

Stable Diffusion 1.5

0.9B

CreativeML OpenRAIL-M. Draait op bijna alles.

SDXL en fine-tunes: Pony, Illustrious, NoobAI

3.5B

OpenRAIL++ (fine-tunes verschillen). 12 GB geeft ruimte voor LoRAs, ControlNet en opschaling in één workflow.

Stability Community License.

dan volledige precisie

Apache 2.0. 8 stappen; het snelle model voor kleine kaarten.

Apache 2.0, commercieel gebruik toegestaan. Beste keuze voor 8 GB kaarten in 2026.

FLUX Niet-Commerciële Licentie (uitvoer commercieel bruikbaar).

Apache 2.0. 4 stappen.

Niet-commerciële licentie. De fp8 T5 encoder bespaart ongeveer 4 GB op zichzelf.

Full precision

~24 GB

meer met de tekstencoder geladen

Apache 2.0. Sterke tekstweergave; heeft zijn Qwen2.5-VL encoder in FP8 nodig op alles onder 32 GB.

Niet-commerciële licentie. Verwacht trage generaties zonder een 32 GB kaart.

Full precision

~90 GB

met zijn tekstencoder

FP8

32 GB

past op een 32 GB kaart

HunyuanImage 3.0

80B MoE

Tencent Community License. Alleen datacenter; gebruik via een gehoste dienst.

Full precision

multi-GPU

bij elke precisie

FP8

n/a

4-bit / GGUF

n/a

Comfortable card

datacenter

officieel, getest op een RTX 4090

Apache 2.0. Twee 14B experts, één in VRAM tegelijk, daarom kunnen 24 GB kaarten het aan. Wan 2.5-3.0 zijn alleen API.

Full precision

80 GB

officieel, enkele GPU

Video 720p, 1080p met zijn opschaler

Tencent Community License.

Full precision

14 GB

officieel, met offloading

80 GB voor beste kwaliteit

LTX-2 / LTX-2.3

19B / 22B

Video tot 4K

LTX-2 Community License. Gesynchroniseerde audio.

Elke rij van deze tabel, geen VRAM nodig

BitVector Prism draait SDXL, Z-Image, FLUX.1, FLUX.2 en Qwen-Image bij volledige precisie op zijn eigen GPU's. Kies een model van deze site, typ een prompt, genereer in de browser. Niets te downloaden.

BitVector proberen

Stap voor stap

Vind je VRAM (Taakbeheer > Prestaties > GPU, of nvidia-smi) en vergelijk het met een niveau hieronder; kies dan modellen waarvan de kolom "comfortabele kaart" gelijk aan of lager is dan jouw VRAM.
6-8 GB (RTX 3060 Ti, 4060, 2070):
SD 1.5
en SDXL inclusief
Pony
en Illustrious met een of twee LoRA's; Z-Image Turbo en FLUX.2 Klein 4B in FP8 of GGUF; FLUX.1 in GGUF Q4, langzaam;
Wan 2.1
1.3B op 480p en
Wan 2.2 5B
in GGUF met offloading.
12 GB (RTX 3060 12GB, 4070, 5070): alles hierboven, sneller, met ruimte voor ControlNet en opschaling;
FLUX.1 Dev
en Schnell in FP8 of GGUF; Qwen-Image in GGUF Q4;
FLUX.2 Klein 9B
in GGUF; Wan 2.2 A14B in GGUF Q4 met offloading op lage resolutie en korte clips.
16 GB (RTX 4060 Ti 16GB, 4070 Ti Super, 5070 Ti, 5080): FLUX.1 Dev in FP8 met ruimte; Z-Image Turbo en Klein 4B bij volledige precisie; Qwen-Image in GGUF Q4-Q5;
HunyuanVideo 1.5
met offloading; Wan 2.2 A14B in GGUF Q5 op 720p (communityrapporten).
24 GB (RTX 3090, 4090): bijna elk beeldmodel behalve FLUX.2 Dev bij volledige precisie; Qwen-Image in FP8 of Q8; Wan 2.2 A14B in FP8 en Wan 2.2 5B bij volledige precisie; LTX-2 in FP4; de meeste LoRA-training voor SDXL en Flux.
32 GB (RTX 5090): FLUX.2 Dev in FP8; LTX-2 en
LTX-2.3
in FP8; Wan 2.2 A14B op 720p zonder halverwege een clip zonder geheugen te komen.
48 GB en meer (RTX 6000 Ada, A100, H100): volledige precisie Qwen-Image, LTX-2 en FLUX.2 Dev met ruimte over; lange of hoge resolutie video, batchgeneratie en serieuze training.
Download de precisie voor jouw niveau van de modelpagina op deze site (daar staat elke variant met bestandsgrootte), laad tekstencoders in FP8, en houd 32 GB systeem-RAM (64 GB voor de grootste modellen) vrij voor offloading.

Voorbeelden

FLUX.1 Dev op een 12 GB kaart (ComfyUI)

Load Diffusion Model: flux1-dev-fp8-e4m3fn (11.9 GB) or UnetLoaderGGUF flux1-dev-Q6_K (9.8 GB) | DualCLIPLoader: clip_l + t5xxl_fp8_e4m3fn_scaled | Load VAE: ae

1024x1024, 20 steps, euler, simple, guidance 3.5 | VAE Decode (Tiled) if the last step fails

Qwen-Image op 16 GB

UnetLoaderGGUF: qwen_image_Q4_K_M.gguf (~12.5 GB) | CLIPLoader: qwen_2.5_vl_7b_fp8_scaled, device cpu | Load VAE: qwen_image_vae

1328x1328 native; start at 1024x1024, 20 steps, cfg 2.5

Dezelfde modellen zonder kaart

/render <flux-dev> a studio photo of a vintage camera on a walnut desk, soft window light /size:1024x1024 (PirateDiffusion, Telegram)

Tips

Als je
CUDA out of memory
ziet, doe dan dit in volgorde: schakel over naar een FP8- of GGUF-versie van hetzelfde model (de grootste besparing); verlaag de resolutie of cliplengte (geheugen groeit met het aantal pixels, 1536 naar 1024 px scheelt veel); gebruik getegelde VAE-decodering; laad de tekstencoder in FP8 of houd die op de CPU; sluit andere GPU-apps (browsers en games gebruiken ook VRAM).
Offloading werkt, maar je betaalt in snelheid en systeem-RAM: een model kan draaien op een kaart die "te klein" is, meerdere keren langzamer, en je hebt misschien 32-64 GB of meer systeem-RAM nodig.
Licenties in één regel: Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image en
Wan
2.1/2.2 zijn Apache 2.0 (commercieel gebruik toegestaan); FLUX.1 Dev, FLUX.2 Dev en Klein 9B gebruiken Black Forest Labs' niet-commerciële licentie, die het gebruik van het model in een commercieel product of dienst verbiedt, maar je mag de gegenereerde beelden commercieel gebruiken. Licenties veranderen; de modelpagina linkt naar de actuele.
Een 32 GB kaart kopen om FLUX.2 Dev of LTX-2 voor een weekendproject te draaien betaalt zich zelden uit; als het model dat je wilt in de 24 GB+ rijen staat, is huren per uur of een vast cloudabonnement meestal goedkoper en sneller dan offloading op een kleine kaart.
Regel per miljard parameters: 2 GB bij BF16, 1 GB bij FP8, ongeveer 0,6 GB bij Q4, plus 2-5 GB voor de encoder, VAE en latent.
Voor video zijn resolutie en cliplengte net zo belangrijk als het model; de begeleidende gids over VRAM voor AI-video legt dat uit.

Controleer de licentie-kolom en de modelkaart voordat je een model in een product gebruikt.

De 24 GB+ rijen, vanaf je telefoon

PirateDiffusion host FLUX.2 Dev, Qwen-Image, Wan 2.2 14B en LTX-2 op serverhardware en draait ze via Telegram-commando's. Onbeperkt genereren tegen een vaste maandprijs; geen kaart, geen offloading, geen 70 GB RAM.

PirateDiffusion proberen

Vragen

Kan ik Flux draaien op 8 GB VRAM?

Ja, met een gequantiseerd bestand. FLUX.1 in GGUF Q4 heeft ongeveer 7 GB nodig, en FLUX.2 Klein 4B in FP8 ongeveer 8 GB. Verwacht langzamere generaties dan op een 12 of 16 GB kaart. Volledige precisie FLUX.1 heeft ongeveer 24 GB nodig.

Is 12 GB genoeg voor SDXL?

Ja. SDXL zelf past in 8 GB; 12 GB geeft ruimte voor LoRAs, ControlNet en opschaling in dezelfde workflow.

Hoeveel VRAM heeft Wan 2.2 nodig?

Dat hangt af van de versie. Het 5B-model draait op 8 GB als GGUF-bestand en comfortabel op 24 GB. Het A14B-model heeft officieel 80 GB nodig zonder offloading, maar de FP8-versie draait goed op 24 GB en GGUF-versies draaien op 12-16 GB met offloading.

Maakt systeem-RAM uit?

Ja, zodra je begint met offloading. 32 GB is een verstandige minimum voor Flux en Wan, en de grootste modellen (zoals FLUX.2 Dev op een 12 GB kaart) kunnen 64 GB of meer gebruiken.

Welke modellen mag ik commercieel gebruiken?

Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image en Wan 2.1/2.2 (Apache 2.0). FLUX.1 Dev, FLUX.2 Dev en Klein 9B zijn niet-commercieel voor het model zelf, maar de beelden die je genereert mogen wel commercieel gebruikt worden. Controleer altijd de modelkaart.