11. November 2026 · VRAMfarm-Team

Beste GPU für Flux, SDXL und ComfyUI: 16 GB, RTX 3090, 4090, 5090 und 48-GB-Karten

Wenn Sie hauptsächlich SDXL nutzen, reicht eine Karte mit 12–16 GB. Flux.1 dev läuft mit 16 GB, bequem wird es mit 24 GB. Qwen-Image und HiDream wollen 24 GB, Wan-2.2-14B-Video braucht mindestens 32 GB und 48 GB, wenn Sie nicht ständig gegen das Speicherlimit kämpfen wollen. Innerhalb einer Speichergröße ist die schnellere Karte pro Bild oft nicht teurer, weil sie früher fertig ist.

Erst der Speicher: was jedes Modell in ComfyUI braucht

ComfyUI ist gut darin, Modelle in weniger Speicher unterzubringen. Es lädt den Text-Encoder, lässt ihn laufen, schiebt ihn hinaus und lädt dann das Diffusionsmodell. Entscheidend ist also meist das größte einzelne Modell im Workflow, plus Platz für das Bild selbst.

Die VRAM-Werte sind Schätzungen für einen einfachen Workflow bei 1024 × 1024 oder 720p; LoRAs, ControlNet, Auflösung und Cliplänge treiben sie nach oben. Die Spalte „Download“ zählt für Ihre Rechnung. Die fertigen Apps holen ihre Modelle nach dem Serverstart, und dieser Traffic wird zum Tarif abgerechnet, den die Maschine vor dem Start anzeigt.

Ein Hinweis zu FLUX.2 [dev], dem 32B-Nachfolger von Flux.1: Allein seine fp8-Gewichte sind rund 32 GB groß, und sein Text-Encoder ist selbst ein großes Sprachmodell. Auf Karten mit 24–32 GB läuft es nur mit starkem Auslagern in den Arbeitsspeicher. Bequem sind 48 GB.

Auch das Format spielt eine Rolle. Ein vollständiger Flux.1-dev-Checkpoint in bf16 ist etwa 24 GB groß und passt gerade so auf eine 24-GB-Karte. Die fp8-Version halbiert das, und die Ergebnisse sind kaum zu unterscheiden. GGUF-Quantisierungen (Q4, Q5, Q8) verkleinern ihn weiter und lassen Flux auf 8–12 GB laufen, auf Kosten langsamerer Schritte und etwas weicherer Details.

Wann 16 GB reichen

Eine 16-GB-Karte (RTX 4060 Ti 16 GB, RTX 4080, RTX 5070 Ti, RTX 5080, RTX A4000) schafft mehr, als viele erwarten:

• SDXL mit LoRAs, ControlNet und Upscaler bei 1024 × 1024, in Batches von 2–4.
• Flux.1 dev in fp8 bei 1024 × 1024, ein Bild nach dem anderen, mit ein oder zwei LoRAs.
• Wan 2.2 5B in 480p oder in 720p mit Offloading (langsamer).
• Qwen-Image als GGUF Q4, wenn Sie etwas Detailverlust in Kauf nehmen.

Eng wird es mit 16 GB, wenn Sie stapeln: Flux plus zwei ControlNets plus LoRA bei 1536 × 1536, Qwen-Image in fp8, jede Art von Training oder ernsthaftes Video. Dann sehen Sie Out-of-Memory-Fehler oder, schlimmer, ComfyUI lagert stillschweigend in den Arbeitsspeicher aus, und jeder Schritt dauert ein Vielfaches.

Besteht Ihre Arbeit aus SDXL oder ein paar Flux-Bildern am Tag, ist die günstigste Karte, auf die das Modell passt, die richtige Wahl. Mit 16 GB zahlen Sie ab 0,16 € pro Stunde für die 4060 Ti oder ab 0,31 € für die 4080. Die 4080 hat mehr als die doppelte Speicherbandbreite (717 gegenüber 288 GB/s), und das merkt man bei der Bildgenerierung.

24 GB: RTX 3090 oder RTX 4090

Beide Karten haben dieselben 24 GB und betreiben deshalb genau dieselben Modelle. Der Unterschied ist die Geschwindigkeit.

Bei Diffusionsmodellen, die vor allem an der Rechenleistung hängen, ist die RTX 4090 mit einem Bild meist etwa 1,6- bis 2,5-mal so schnell fertig wie die 3090. Das obere Ende gilt für fp8-Modelle, wenn die Software die native fp8-Berechnung der 4090 nutzt (in ComfyUI die Startoption --fast); die 3090 wandelt fp8-Gewichte zum Rechnen immer in 16 Bit um. Die genauen Zeiten hängen von Schritten, Auflösung, Sampler und der Zahl der Nodes in Ihrem Workflow ab. Verstehen Sie das Verhältnis also als Richtwert, nicht als Benchmark.

Für die Entscheidung vergleichen Sie das Preisverhältnis mit dem Geschwindigkeitsverhältnis. Die Kosten pro Bild sind Preis pro Stunde × Sekunden pro Bild ÷ 3.600. Kostet die RTX 4090 pro Stunde weniger als etwa das Doppelte der RTX 3090, ist sie meist auch pro Bild günstiger. Kostet sie mehr als das Doppelte, gewinnt meist die 3090 beim Geld und die 4090 bei Ihrer Zeit. Prüfen Sie beide Preise auf der Preisseite genau dann, wenn Sie mieten, denn der Katalog ändert sich im Laufe des Tages.

Die Faustregel, die sich daraus ergibt: Für eine interaktive Sitzung, in der Sie an Prompts feilen und auf jedes Ergebnis warten, nehmen Sie die 4090. Für einen langen Batch über Nacht, auf den niemand wartet, ist die 3090 pro Bild oft das bessere Geschäft.

RTX 5090 und 48-GB-Karten

Die RTX 5090 bringt zwei Dinge mit: 32 statt 24 GB und 1.792 GB/s Speicherbandbreite, dazu mehr Rechenleistung. Bei Bildmodellen heißt das etwa 1,3- bis 1,5-mal die Geschwindigkeit einer 4090, mehr, wo die Software die fp4-Unterstützung von Blackwell nutzt, und genug Platz, um Qwen-Image oder HiDream samt LoRAs komplett geladen zu halten, statt Modelle hin- und herzuschieben. Außerdem ist sie die kleinste Karte, auf der Wan 2.2 14B in fp8 bei 720p läuft.

48-GB-Karten sind eine andere Wette: mehr Speicher, nicht mehr Tempo.

Nehmen Sie eine 48-GB-Karte, wenn das Modell nicht in 32 GB passt: Wan 2.2 14B bei 720p mit längeren Clips, Qwen-Image in bf16, FLUX.2 ohne Offloading oder LoRA-Training mit großen Batches. Für reines Flux.1 oder SDXL zahlen Sie bei einer 48-GB-Karte vor allem mehr pro Stunde für Speicher, den Sie nicht nutzen. Eine RTX 4090 ist beim selben Flux-Bild meist schneller als eine RTX A6000.

Video: Wan 2.2 5B und 14B

Bei Video entscheidet der Speicher alles, denn ein 5-Sekunden-Clip besteht aus 80–120 Frames, die gemeinsam verarbeitet werden.

• Wan 2.2 5B erzeugt 720p-Video auf einer 24-GB-Karte. Es ist schnell genug, um viele Prompts auszuprobieren, und das richtige Modell für Entwürfe. Mieten Sie eine RTX 4090 oder RTX 5090.
• Wan 2.2 14B liefert spürbar bessere Bewegungen und hält sich besser an den Prompt. In fp8 braucht es für einen 5-Sekunden-Clip in 720p etwa 30 GB. Eine RTX 5090 mit 32 GB schafft das, eine L40S oder RTX A6000 mit 48 GB mit Luft nach oben. Unsere fertige App für Wan 2.2 14B bietet nur Karten ab 48 GB an, weil kurze Clips in 720p das Minimum sind, das man von ihr erwartet.

Ein Clip dauert Minuten, nicht Sekunden. Speed-LoRAs, die die Zahl der Schritte senken (4–8 statt 20–40), verkürzen das deutlich, mit etwas Detailverlust. Rechnen Sie mit 10–15 Minuten, nachdem der Server bereit ist, bevor Sie loslegen können, denn die 14B-App lädt rund 70 GB an Modellen herunter. Mehr zur ganzen Pipeline finden Sie auf der Seite zur Videogenerierung.

Batch-Größe, Tempo und was Sie mieten sollten

Mit mehr VRAM können Sie die Batch-Größe erhöhen, aber erwarten Sie nicht, dass sich Ihr Output vervielfacht. Ein großes Diffusionsmodell lastet die GPU bei 1024 × 1024 schon mit einem Batch von eins aus. Ein Batch von vier dauert daher fast viermal so lange und bringt oft nur 10–30 % mehr Durchsatz. Bei kleinen Modellen wie SDXL, wo ein Bild die Karte nicht füllt, hilft Batching mehr. Sein eigentlicher Nutzen ist Bequemlichkeit: Sie stellen vier Varianten in die Warteschlange und sehen sie sich zusammen an.

Eine kurze Entscheidungshilfe:

Wenn Sie nicht sicher sind, ob Ihr Workflow passt, nehmen Sie für die erste Sitzung eine Größe mehr und beobachten Sie den Speicher in nvidia-smi oder in der ComfyUI-Konsole. Sie zahlen minutengenau, ein Testlauf kostet also wenig. Der VRAM-Ratgeber hat die Zahlen für LLMs, Sprache und Training, und unsere ComfyUI-Anleitung zeigt, wie Sie eigene Modelle, LoRAs und Nodes hinzufügen.