.ai

najlepsze otwarte modele AI

Szukaj

Wymagania VRAM dla popularnych modeli AI do obrazów i wideo (2026): pełna precyzja, FP8 i GGUF

Q: Generowanie bardzo wolne, choć nic nie pada

Automatyczny offloading do RAM systemowego. Przejdź do niższej precyzji (FP8 do Q6, Q6 do Q4) aż Shared GPU memory będzie bliskie zeru.

Q: FLUX.2 Dev "działa" na 12 GB, ale potrzebuje 70 GB RAM

Wagi FP8 wymieniane z pamięci systemowej. Używaj Klein 4B/9B lokalnie i FLUX.2 Dev w chmurze lub na karcie 32 GB.

Temat: Błędy i rozwiązania

Autor: P.I. Panda

Opublikowano 2026-10-06

Ile VRAM potrzebujesz dla SD 1.5, SDXL, SD 3.5, Z-Image Turbo, FLUX.1, FLUX.2 Klein i Dev, Qwen-Image, Wan 2.2, HunyuanVideo 1.5 i LTX-2, w pełnej precyzji, FP8 i 4-bit GGUF, jaka karta i licencja są wygodne dla każdego, co potrafi każda karta od 8 do 48 GB i kolejność poprawek, gdy model się nie mieści.

Przegląd

Krótko: 8 GB

VRAM

uruchomi

SDXL

i małe szybkie modele jak

. 12 GB obsłuży

po kwantyzacji. 24 GB poradzi sobie z prawie każdym modelem obrazowym plus

Wan 2.2

wideo w FP8. Najnowsze duże modele,

FLUX.2 Dev

LTX-2

w pełnej jakości, potrzebują 32 GB lub więcej.

Tabela poniżej pokazuje każdy popularny otwarty model z pamięcią potrzebną w pełnej precyzji, FP8 i jako plik 4-bit GGUF, generując około 1024x1024. Różni testerzy liczą enkoder tekstu inaczej, więc traktuj każdą liczbę jako zakres, nie twardy limit. Trzy rzeczy, których tabela nie pokazuje: SDXL to nadal najtańszy model do dobrego działania (podstawowy mieści się w 8 GB, ale

LoRA

ControlNet

i skalowanie dodają pamięci, dlatego 12 GB to wygodna liczba); FLUX.2 Klein 4B to najlepszy wybór dla małych kart teraz (około 13 GB w pełnej precyzji, mniej więcej połowa w FP8, Apache 2.0); a FLUX.2 Dev nie jest modelem domowym w pełnej precyzji (jeden użytkownik

ComfyUI

uruchomił FP8 na 12 GB RTX 3060, używając około 70 GB RAM systemowego).

Precyzja zmienia wszystko. BF16/FP16 to pełna jakość i rozmiar, około 2 GB VRAM na miliard parametrów. FP8 to połowa tego, około 1 GB na miliard, i większość ludzi nie odróżnia wyjścia FP8 od pełnej precyzji. Pliki GGUF (Q8, Q5, Q4 i niższe) jeszcze bardziej zmniejszają modele: Q8 jest bliskie pełnej jakości, Q4 traci trochę detali, ale ma dużo mniejszy rozmiar, a poniżej Q4 jakość szybko spada. Model to nie wszystko w pamięci: enkodery tekstu (T5 dla FLUX.1, model językowy dla Qwen-Image i

FLUX.2

), VAE, LoRA, ControlNet i sam obraz też zajmują miejsce, a ComfyUI automatycznie przenosi część z nich do RAM systemowego, dlatego dwie osoby z tą samą kartą mogą mieć różne wyniki. Dane sprawdzone 6 października 2026 na podstawie kart modeli i testów społeczności; aktualizowane co miesiąc.

Odniesienie

Model

Full precision

FP8

4-bit / GGUF

Comfortable card

Stable Diffusion 1.5

0.9B

CreativeML OpenRAIL-M. Działa na prawie wszystkim.

SDXL i fine-tune: Pony, Illustrious, NoobAI

3.5B

OpenRAIL++ (fine-tune różne). 12 GB zostawia miejsce na LoRA, ControlNet i skalowanie w jednym workflow.

Stability Community License.

Apache 2.0. 8 kroków; szybki model dla małych kart.

Apache 2.0, dozwolone użycie komercyjne. Najlepszy wybór dla kart 8 GB w 2026.

Licencja FLUX Non-Commercial (wyniki można używać komercyjnie).

Licencja non-commercial. Enkoder T5 w fp8 oszczędza około 4 GB.

Full precision

~24 GB

więcej z załadowanym enkoderem tekstu

Apache 2.0. Silne renderowanie tekstu; potrzebuje enkodera Qwen2.5-VL w FP8 na kartach poniżej 32 GB.

Licencja non-commercial. Spodziewaj się wolnego generowania bez karty 32 GB.

mieści się na karcie 32 GB

HunyuanImage 3.0

80B MoE

Tencent Community License. Tylko centrum danych; używaj przez usługę hostingową.

Full precision

multi-GPU

we wszystkich precyzjach

FP8

n/a

4-bit / GGUF

n/a

Comfortable card

centrum danych

oficjalnie, testowane na RTX 4090

Apache 2.0. Dwóch ekspertów 14B, jeden w VRAM na raz, dlatego karty 24 GB to ogarniają. Wan 2.5-3.0 tylko przez API.

Full precision

80 GB

oficjalnie, jedna GPU

Video 720p, 1080p z upscalerem

Tencent Community License.

Full precision

14 GB

oficjalnie, z offloadingiem

80 GB dla najlepszej jakości

LTX-2 / LTX-2.3

19B / 22B

Video do 4K

LTX-2 Community License. Zsynchronizowany dźwięk.

Każdy wiersz tej tabeli, bez potrzeby VRAM

BitVector Prism uruchamia SDXL, Z-Image, FLUX.1, FLUX.2 i Qwen-Image w pełnej precyzji na swoich GPU. Wybierz model z tej strony, wpisz prompt, generuj w przeglądarce. Nic do pobierania.

Wypróbuj BitVector

Krok po kroku

Sprawdź swój VRAM (Menedżer zadań > Wydajność > GPU lub nvidia-smi) i dopasuj do poniższej kategorii; potem wybierz modele, których kolumna "wygodna karta" jest równa lub niższa od twojej.
6-8 GB (RTX 3060 Ti, 4060, 2070):
SD 1.5
i SDXL w tym
Pony
i Illustrious z jedną lub dwiema LoRA; Z-Image Turbo i FLUX.2 Klein 4B w FP8 lub GGUF; FLUX.1 w GGUF Q4, powoli;
Wan 2.1
1.3B w 480p i Wan 2.2 5B w GGUF z offloadingiem.
12 GB (RTX 3060 12GB, 4070, 5070): wszystko powyżej, szybciej, z miejscem na ControlNet i skalowanie;
FLUX.1 Dev
i Schnell w FP8 lub GGUF; Qwen-Image w GGUF Q4;
FLUX.2 Klein 9B
w GGUF; Wan 2.2 A14B w GGUF Q4 z offloadingiem przy niskiej rozdzielczości i krótkich klipach.
16 GB (RTX 4060 Ti 16GB, 4070 Ti Super, 5070 Ti, 5080): FLUX.1 Dev w FP8 z zapasem; Z-Image Turbo i Klein 4B w pełnej precyzji; Qwen-Image w GGUF Q4-Q5;
HunyuanVideo
1.5 z offloadingiem; Wan 2.2 A14B w GGUF Q5 w 720p (zgłoszenia społeczności).
24 GB (RTX 3090, 4090): prawie każdy model obrazowy oprócz FLUX.2 Dev w pełnej precyzji; Qwen-Image w FP8 lub Q8; Wan 2.2 A14B w FP8 i Wan 2.2 5B w pełnej precyzji; LTX-2 w FP4; większość treningów LoRA dla SDXL i Flux.
32 GB (RTX 5090): FLUX.2 Dev w FP8; LTX-2 i
LTX-2.3
w FP8; Wan 2.2 A14B w 720p bez problemów z pamięcią w trakcie klipu.
48 GB i więcej (RTX 6000 Ada, A100, H100): Qwen-Image, LTX-2 i FLUX.2 Dev w pełnej precyzji z zapasem; długie lub wysokorozdzielczościowe wideo, generowanie wsadowe i poważny trening.
Pobierz precyzję dla swojej kategorii ze strony modelu na tej witrynie (tam jest lista wariantów z rozmiarami plików), ładuj enkodery tekstu w FP8 i zostaw 32 GB RAM systemowego (64 GB dla największych modeli) na offloading.

Przykłady

FLUX.1 Dev na karcie 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 na 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

Te same modele bez karty wcale

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

Porady

Gdy zobaczysz błąd
CUDA out of memory
, zrób to po kolei: przełącz się na wersję FP8 lub GGUF tego samego modelu (to największa oszczędność); zmniejsz rozdzielczość lub długość klipu (pamięć rośnie z liczbą pikseli, 1536 do 1024 px to duża różnica); użyj dekodowania VAE w kafelkach; ładuj enkoder tekstu w FP8 lub trzymaj go na CPU; zamknij inne aplikacje GPU (przeglądarki i gry też zajmują VRAM).
Offloading działa, ale płacisz spadkiem szybkości i użyciem RAM systemowego: model może działać na karcie "za małej", kilka razy wolniej, i możesz potrzebować 32-64 GB lub więcej RAM.
Licencje w skrócie: Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image i
Wan
2.1/2.2 mają Apache 2.0 (dozwolone użycie komercyjne); FLUX.1 Dev, FLUX.2 Dev i Klein 9B mają licencję Black Forest Labs non-commercial, która zabrania użycia modelu w produktach komercyjnych, ale pozwala na komercyjne użycie wygenerowanych obrazów. Licencje się zmieniają; strona modelu ma link do aktualnej.
Kupowanie karty 32 GB, by uruchomić FLUX.2 Dev lub LTX-2 na weekendowy projekt, rzadko się opłaca; jeśli model, który chcesz, jest w wierszach 24 GB+, wynajem na godziny lub abonament w chmurze jest zwykle tańszy i szybszy niż offloading na małej karcie.
Zasada na miliard parametrów: 2 GB w BF16, 1 GB w FP8, około 0,6 GB w Q4, plus 2-5 GB na enkoder, VAE i latent.
Dla wideo rozdzielczość i długość klipu są tak samo ważne jak model; przewodnik o VRAM dla AI wideo wyjaśnia to dokładniej.

Rozwiązywanie problemów

CUDA out of memory na karcie, którą tabela pokazuje jako wystarczającą

Dlaczego tak się dzieje

Enkoder tekstu w pełnej precyzji, stos LoRA, ControlNet lub wysoka rozdzielczość na modelu.

Jak to naprawić

Enkoder FP8, jedna LoRA, natywna rozdzielczość, kafelkowany VAE; przewodnik CUDA out of memory ma pełną wersję.

Generowanie bardzo wolne, choć nic nie pada

Dlaczego tak się dzieje

Automatyczny offloading do RAM systemowego.

Jak to naprawić

Przejdź do niższej precyzji (FP8 do Q6, Q6 do Q4) aż Shared GPU memory będzie bliskie zeru.

FLUX.2 Dev "działa" na 12 GB, ale potrzebuje 70 GB RAM

Dlaczego tak się dzieje

Wagi FP8 wymieniane z pamięci systemowej.

Jak to naprawić

Używaj Klein 4B/9B lokalnie i FLUX.2 Dev w chmurze lub na karcie 32 GB.

Nie odróżniam FP8 od pełnej precyzji, więc czemu Q4 wygląda rozmycie?

Dlaczego tak się dzieje

Q4 traci więcej detali niż FP8; poniżej Q4 jakość szybko spada.

Jak to naprawić

Używaj Q6 lub Q8, gdy się mieszczą; Q4 do szkiców.

Zamieszanie z licencją na FLUX

Dlaczego tak się dzieje

Schnell i Klein 4B mają Apache 2.0; Dev, FLUX.2 Dev i Klein 9B są non-commercial.

Jak to naprawić

Sprawdź kolumnę licencji i kartę modelu przed użyciem w produkcie.

Wiersze 24 GB+, z telefonu

PirateDiffusion hostuje FLUX.2 Dev, Qwen-Image, Wan 2.2 14B i LTX-2 na serwerach i uruchamia je z poleceń Telegrama. Nieograniczone generowanie za stałą miesięczną opłatą; bez karty, bez offloadingu, bez 70 GB RAM.

Wypróbuj PirateDiffusion

Pytania

Czy mogę uruchomić Flux na 8 GB VRAM?

Tak, z plikiem kwantyzowanym. FLUX.1 w GGUF Q4 potrzebuje około 7 GB, a FLUX.2 Klein 4B w FP8 około 8 GB. Spodziewaj się wolniejszego generowania niż na karcie 12 lub 16 GB. FLUX.1 w pełnej precyzji potrzebuje około 24 GB.

Czy 12 GB wystarczy dla SDXL?

Tak. Sam SDXL mieści się w 8 GB; 12 GB daje miejsce na LoRA, ControlNet i skalowanie w jednym workflow.

Ile VRAM potrzebuje Wan 2.2?

To zależy od wersji. Model 5B działa na 8 GB jako plik GGUF i wygodnie na 24 GB. Model A14B oficjalnie potrzebuje 80 GB bez offloadingu, ale jego wersja FP8 działa dobrze na 24 GB, a wersje GGUF na 12-16 GB z offloadingiem.

Czy RAM systemowy ma znaczenie?

Tak, gdy zaczynasz offloading. 32 GB to rozsądne minimum dla Flux i Wan, a największe modele (np. FLUX.2 Dev na 12 GB) mogą potrzebować 64 GB lub więcej.

Które modele mogę używać komercyjnie?

Z-Image Turbo, FLUX.2 Klein 4B, FLUX.1 Schnell, Qwen-Image i Wan 2.1/2.2 (Apache 2.0). FLUX.1 Dev, FLUX.2 Dev i Klein 9B są non-commercial dla samego modelu, ale wygenerowane obrazy możesz używać komercyjnie. Zawsze sprawdzaj kartę modelu.