.ai

model AI sumber terbuka terbaik

Cari

Keperluan VRAM untuk setiap model imej dan video AI popular (2026): ketepatan penuh, FP8 dan GGUF

Q: Penjanaan sangat perlahan walaupun tiada kerosakan

Pemindahan beban automatik ke RAM sistem. Turun ke ketepatan seterusnya (FP8 ke Q6, Q6 ke Q4) sehingga Memori GPU Kongsi hampir sifar.

Q: FLUX.2 Dev "berfungsi" pada 12 GB tapi perlukan 70 GB RAM

Berat FP8 ditukar dari memori sistem. Guna Klein 4B/9B secara tempatan dan FLUX.2 Dev di awan atau kad 32 GB.

Topik: Ralat & penyelesaian

Oleh P.I. Panda

Diterbitkan 2026-10-06

Berapa banyak VRAM yang anda perlukan untuk SD 1.5, SDXL, SD 3.5, Z-Image Turbo, FLUX.1, FLUX.2 Klein dan Dev, Qwen-Image, Wan 2.2, HunyuanVideo 1.5 dan LTX-2, pada ketepatan penuh, FP8 dan 4-bit GGUF, dengan kad dan lesen yang sesuai untuk setiap satu, apa yang boleh dijalankan oleh setiap saiz GPU dari 8 hingga 48 GB, dan susunan pembaikan apabila model tidak muat.

Gambaran keseluruhan

Jawapan ringkas: 8 GB

VRAM

boleh menjalankan

SDXL

dan model kecil yang pantas seperti

Z-Image Turbo

dan

FLUX.2 Klein 4B

. 12 GB boleh menjalankan

FLUX.1

dan

Qwen-Image

setelah mereka dikuantisasi. 24 GB boleh menjalankan hampir semua model imej serta video

Wan 2.2

dalam FP8. Model besar terbaru,

FLUX.2 Dev

dan

LTX-2

pada kualiti penuh, memerlukan 32 GB atau lebih.

Jadual di bawah menyenaraikan setiap model terbuka popular dengan memori yang diperlukan pada ketepatan penuh, FP8 dan sebagai fail 4-bit GGUF, menghasilkan pada kira-kira 1024x1024. Penguji yang berbeza mengira pengekod teks secara berbeza, jadi anggap setiap nombor sebagai julat dan bukan had keras. Tiga perkara yang jadual sembunyikan: SDXL masih model termurah untuk dijalankan dengan baik (asasnya muat dalam 8 GB, tetapi

LoRA

ControlNet

dan peningkatan resolusi menambah memori, sebab itu 12 GB adalah angka yang selesa); FLUX.2 Klein 4B adalah yang paling sesuai untuk kad kecil sekarang (kira-kira 13 GB pada ketepatan penuh, kira-kira separuh dalam FP8, Apache 2.0); dan FLUX.2 Dev bukan model rumah pada ketepatan penuh (seorang pengguna

ComfyUI

menjalankan FP8 pada 12 GB RTX 3060, menggunakan kira-kira 70 GB RAM sistem untuk itu).

Ketepatan mengubah segalanya. BF16/FP16 adalah kualiti penuh dan saiz penuh, kira-kira 2 GB VRAM setiap bilion parameter. FP8 mengurangkannya separuh, kira-kira 1 GB setiap bilion, dan kebanyakan orang tidak dapat bezakan output FP8 dari ketepatan penuh. Fail GGUF (Q8, Q5, Q4 dan lebih rendah) mengecilkan model lebih jauh: Q8 hampir kualiti penuh, Q4 menukar sedikit butiran untuk saiz yang jauh lebih kecil, dan di bawah Q4 kualiti jatuh dengan cepat. Model bukan satu-satunya yang menggunakan memori: pengekod teks (T5 untuk FLUX.1, model bahasa untuk Qwen-Image dan

FLUX.2

), VAE, LoRA, ControlNet dan imej itu sendiri semua mengambil ruang, dan ComfyUI secara automatik memindahkan sebahagian daripadanya ke RAM sistem, sebab itu dua orang dengan kad yang sama melaporkan nombor berbeza. Angka disemak pada 6 Oktober 2026 berdasarkan kad model dan ujian komuniti; dikemas kini setiap bulan.

Rujukan

Model

Full precision

FP8

4-bit / GGUF

Comfortable card

Stable Diffusion 1.5

0.9B

CreativeML OpenRAIL-M. Boleh dijalankan hampir pada apa saja.

SDXL dan fine-tunes: Pony, Illustrious, NoobAI

3.5B

OpenRAIL++ (fine-tunes berbeza). 12 GB beri ruang untuk LoRA, ControlNet dan peningkatan resolusi dalam satu aliran kerja.

Lesen Komuniti Stability.

daripada ketepatan penuh

Apache 2.0. 8 langkah; model pantas untuk kad kecil.

Apache 2.0, guna komersial dibenarkan. Sesuai terbaik untuk kad 8 GB pada 2026.

Lesen Bukan Komersial FLUX (output boleh guna komersial).

Apache 2.0. 4 langkah.

Lesen bukan komersial. Pengekod T5 fp8 jimat kira-kira 4 GB sendiri.

Full precision

~24 GB

lebih dengan pengekod teks dimuat

Apache 2.0. Rendering teks kuat; perlukan pengekod Qwen2.5-VL dalam FP8 pada apa saja bawah 32 GB.

Lesen bukan komersial. Jangkaan penjanaan perlahan tanpa kad 32 GB.

Full precision

~90 GB

dengan pengekod teksnya

pemindahan beban berat

Comfortable card

32 GB+

HunyuanImage 3.0

80B MoE

Lesen Komuniti Tencent. Hanya pusat data; guna melalui perkhidmatan hos.

Full precision

multi-GPU

pada setiap ketepatan

FP8

n/a

4-bit / GGUF

n/a

Comfortable card

pusat data

rasmi, diuji pada RTX 4090

Apache 2.0. Dua pakar 14B, satu dalam VRAM pada satu masa, sebab itu kad 24 GB boleh urus. Wan 2.5-3.0 hanya API.

Video 720p, 1080p dengan peningkatnya

Lesen Komuniti Tencent.

Full precision

14 GB

rasmi, dengan pemindahan beban

80 GB untuk kualiti terbaik

LTX-2 / LTX-2.3

19B / 22B

Video sehingga 4K

Lesen Komuniti LTX-2. Audio diselaraskan.

Setiap baris jadual ini, tiada VRAM diperlukan

BitVector Prism menjalankan SDXL, Z-Image, FLUX.1, FLUX.2 dan Qwen-Image pada ketepatan penuh pada GPU sendiri. Pilih model dari laman ini, taip prompt, jana dalam pelayar. Tiada muat turun.

Cuba BitVector

Langkah demi langkah

Cari VRAM anda (Pengurus Tugas > Prestasi > GPU, atau nvidia-smi) dan padankan dengan tahap di bawah; kemudian pilih model yang kolum "kad selesa" adalah sama atau lebih rendah.
6-8 GB (RTX 3060 Ti, 4060, 2070):
SD 1.5
dan SDXL termasuk
Pony
dan Illustrious dengan satu atau dua LoRA; Z-Image Turbo dan FLUX.2 Klein 4B dalam FP8 atau GGUF; FLUX.1 dalam GGUF Q4, perlahan;
Wan 2.1
1.3B pada 480p dan Wan 2.2 5B dalam GGUF dengan pemindahan beban.
12 GB (RTX 3060 12GB, 4070, 5070): semua di atas, lebih pantas, dengan ruang untuk ControlNet dan peningkatan resolusi;
FLUX.1 Dev
dan Schnell dalam FP8 atau GGUF; Qwen-Image dalam GGUF Q4;
FLUX.2 Klein 9B
dalam GGUF; Wan 2.2 A14B dalam GGUF Q4 dengan pemindahan beban pada resolusi rendah dan klip pendek.
16 GB (RTX 4060 Ti 16GB, 4070 Ti Super, 5070 Ti, 5080): FLUX.1 Dev dalam FP8 dengan ruang lebihan; Z-Image Turbo dan Klein 4B pada ketepatan penuh; Qwen-Image dalam GGUF Q4-Q5;
HunyuanVideo
1.5 dengan pemindahan beban; Wan 2.2 A14B dalam GGUF Q5 pada 720p (laporan komuniti).
24 GB (RTX 3090, 4090): hampir semua model imej kecuali FLUX.2 Dev pada ketepatan penuh; Qwen-Image dalam FP8 atau Q8; Wan 2.2 A14B dalam FP8 dan Wan 2.2 5B pada ketepatan penuh; LTX-2 dalam FP4; kebanyakan latihan LoRA untuk SDXL dan Flux.
32 GB (RTX 5090): FLUX.2 Dev dalam FP8; LTX-2 dan
LTX-2.3
dalam FP8; Wan 2.2 A14B pada 720p tanpa kehabisan memori di tengah klip.
48 GB dan ke atas (RTX 6000 Ada, A100, H100): Qwen-Image ketepatan penuh, LTX-2 dan FLUX.2 Dev dengan ruang lebihan; video panjang atau resolusi tinggi, penjanaan berkelompok dan latihan serius.
Muat turun ketepatan untuk tahap anda dari halaman model di laman ini (ia menyenaraikan setiap varian dengan saiz failnya), muat pengekod teks dalam FP8, dan simpan 32 GB RAM sistem (64 GB untuk model terbesar) untuk pemindahan beban.

Contoh

FLUX.1 Dev pada kad 12 GB (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 pada 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

Model yang sama tanpa kad langsung

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

Petua

Apabila anda lihat CUDA kehabisan memori, buat ini mengikut urutan: tukar ke versi FP8 atau GGUF model yang sama (penjimatan tunggal terbesar); turunkan resolusi atau panjang klip (memori bertambah dengan bilangan piksel, 1536 ke 1024 px kurangkan banyak); guna penyahkodan VAE berjubin; muat pengekod teks dalam FP8 atau simpan di CPU; tutup aplikasi GPU lain (pelayar dan permainan juga guna VRAM).
Pemindahan beban berfungsi tapi anda bayar dari segi kelajuan dan RAM sistem: model boleh berjalan pada kad "terlalu kecil" untuknya, beberapa kali lebih perlahan, dan anda mungkin perlukan 32-64 GB atau lebih RAM sistem.
Lesen dalam satu baris: Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image dan
Wan
2.1/2.2 adalah Apache 2.0 (guna komersial dibenarkan); FLUX.1 Dev, FLUX.2 Dev dan Klein 9B guna lesen bukan komersial Black Forest Labs, yang melarang guna model dalam produk atau perkhidmatan komersial tapi membenarkan guna imej yang dijana secara komersial. Lesen berubah; halaman model pautkan lesen terkini.
Beli kad 32 GB untuk jalankan FLUX.2 Dev atau LTX-2 untuk projek hujung minggu jarang berbaloi; jika model yang anda mahu ada dalam baris 24 GB+, sewa ikut jam atau pelan awan kadar tetap biasanya lebih murah dan pantas daripada pemindahan beban pada kad kecil.
Peraturan per bilion parameter: 2 GB pada BF16, 1 GB pada FP8, kira-kira 0.6 GB pada Q4, tambah 2-5 GB untuk pengekod, VAE dan laten.
Untuk video, resolusi dan panjang klip sama penting dengan model; panduan rakan tentang VRAM untuk video AI jelaskan itu.

Semak kolum lesen dan kad model sebelum guna model dalam produk.

Baris 24 GB+, dari telefon anda

PirateDiffusion hoskan FLUX.2 Dev, Qwen-Image, Wan 2.2 14B dan LTX-2 pada perkakasan pelayan dan jalankan dari arahan Telegram. Penjanaan tanpa had dengan harga bulanan tetap; tiada kad, tiada pemindahan beban, tiada 70 GB RAM.

Cuba PirateDiffusion

Soalan

Bolehkah saya jalankan Flux pada 8 GB VRAM?

Boleh, dengan fail yang dikuantisasi. FLUX.1 dalam GGUF Q4 perlukan kira-kira 7 GB, dan FLUX.2 Klein 4B dalam FP8 kira-kira 8 GB. Jangkaan penjanaan lebih perlahan daripada kad 12 atau 16 GB. FLUX.1 ketepatan penuh perlukan kira-kira 24 GB.

Adakah 12 GB cukup untuk SDXL?

Ya. SDXL sendiri muat dalam 8 GB; 12 GB beri ruang untuk LoRA, ControlNet dan peningkatan resolusi dalam satu aliran kerja.

Berapa banyak VRAM yang Wan 2.2 perlukan?

Ia bergantung pada versi. Model 5B berjalan pada 8 GB sebagai fail GGUF dan selesa pada 24 GB. Model A14B rasmi perlukan 80 GB tanpa pemindahan beban, tapi versi FP8 berjalan baik pada 24 GB dan versi GGUF berjalan pada 12-16 GB dengan pemindahan beban.

Adakah RAM sistem penting?

Ya, apabila mula pemindahan beban. 32 GB adalah minimum yang munasabah untuk Flux dan Wan, dan model terbesar (FLUX.2 Dev pada kad 12 GB, contohnya) boleh guna 64 GB atau lebih.

Model mana yang boleh saya guna secara komersial?

Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image dan Wan 2.1/2.2 (Apache 2.0). FLUX.1 Dev, FLUX.2 Dev dan Klein 9B bukan komersial untuk model itu sendiri, walaupun imej yang anda jana boleh digunakan secara komersial. Sentiasa semak kad model.