12. November 2026 · VRAMfarm-Team

Wan-2.2-Video auf einer gemieteten GPU: 5B oder 14B, wie viel VRAM, wie lange pro Clip

Lohnt sich eine 48-GB-Karte für KI-Video, oder reicht eine RTX 4090 mit 24 GB? Bei Wan 2.2 hängt das davon ab, welches der beiden Modelle Sie verwenden. Das 5B-Modell rendert einen 5-Sekunden-Clip in 720p auf 24 GB in etwa 4 bis 9 Minuten. Das 14B-Modell läuft bequem auf einer 48-GB-Karte (auf 24 GB nur mit Offloading und Geduld), aber seine Clips bewegen sich natürlicher und folgen dem Prompt viel genauer. Die meisten, die von Wan 2.2 enttäuscht sind, haben nur 5B gesehen.

5B und 14B sind verschiedene Modelle

Die Namen klingen nach einer kleinen und einer großen Version desselben Modells. Gebaut sind sie aber unterschiedlich.

Das 5B-Modell komprimiert das Video sehr stark, bevor es damit arbeitet. Deshalb passt es auf eine Consumer-Karte und rendert schnell. Der Preis dafür sind Details und Bewegung: Hände, Gesichter in der Entfernung und schnelle Bewegungen leiden zuerst. Das 14B-Paar teilt jeden Clip auf: Ein „High Noise“-Experte legt in den frühen Schritten Szene und Bewegung an, ein „Low Noise“-Experte ergänzt am Ende die Details. Auf der GPU muss immer nur ein Experte liegen. Sie bekommen also die Qualität eines viel größeren Modells, ungefähr zum Speicherpreis eines einzelnen 14B-Modells.

Ein praktischer Weg, beide zu nutzen: Probieren Sie Ideen auf 5B aus, das ist günstig und schnell, und rendern Sie die Clips, die Sie behalten wollen, auf 14B. Beurteilen Sie Wan 2.2 nicht allein nach 5B.

Auflösung und Länge: was die Modelle können

Beide Modelle sind auf Clips von etwa 5 Sekunden trainiert. Sie können mehr Frames anfordern (die Frame-Zahl geht in Viererschritten plus eins: 81, 97, 121 …), aber jenseits der trainierten Länge sinkt die Qualität. Die Bewegung beginnt sich zu wiederholen oder abzudriften, und der Speicherbedarf wächst mit jedem Frame. Wenn Sie 14B von 81 auf 121 Frames strecken, muss es 50 % mehr Frames halten und verarbeiten: mehrere Gigabyte mehr und deutlich mehr als 50 % mehr Zeit, weil die Kosten der Attention schneller wachsen als die Zahl der Frames.

Für längere Szenen hängt man stattdessen Clips aneinander. Rendern Sie einen Clip, nehmen Sie seinen letzten Frame und geben Sie ihn dem Bild-zu-Video-Modell als Anfang des nächsten. Mit sorgfältigen Prompts bekommen Sie so 10–20 Sekunden, die zusammenpassen, mit einer gelegentlich sichtbaren Naht.

Bei der Auflösung ist es genauso. 720p ist das Höchste, wofür eines der beiden Modelle trainiert wurde. 1080p geht nur mit einem Upscaler danach, den ComfyUI als zusätzlichen Schritt ausführen kann. Am anderen Ende gilt: 480p ist beim Testen Ihr Freund. Es ist zwei- bis dreimal schneller, und ein guter Seed mit gutem Prompt lässt sich meist übernehmen, wenn Sie in 720p neu rendern.

Was keines der Modelle kann: Ton, lesbarer Text im Bild oder mehrere gleichbleibende Figuren über getrennte Clips hinweg ohne Hilfe (eine LoRA oder ein Referenzbild).

Minuten pro Clip auf jeder Karte

Die Renderzeit wächst mit Frames mal Pixeln mal Schritten. Die 14B-App enthält 4-Schritt-LoRAs für mehr Tempo (lightx2v), die die Zeit im Vergleich zu den üblichen 20–30 Schritten um ein Mehrfaches verkürzen, mit etwas Verlust bei Bewegung und feinen Details.

Das sind Planungswerte aus öffentlichen Berichten und der Rechenleistung der Karten, keine eigenen Benchmarks. Der erste Clip einer Sitzung dauert länger, weil die Modelle erst in den Speicher geladen werden. Die Entwickler selbst nennen für 5B weniger als 9 Minuten auf einer Consumer-Karte mit 24 GB, was zur Zeile der 4090 passt.

Welche Karte Sie mieten

Für 5B ist eine RTX 4090 der Standard. Eine RTX 5090 ist etwa 1,3- bis 1,5-mal so schnell und hat 32 GB, schafft also längere Clips ohne Offloading. Die RTX 3090 hat dieselben 24 GB und betreibt 5B problemlos, nur etwa halb so schnell; sie ist die günstige Wahl für eine nächtliche Warteschlange mit Entwürfen.

Für 14B nehmen Sie eine Karte mit 48 GB oder mehr:

• L40S: die übliche Wahl. Natives fp8 und genug Rechenleistung für 4–8 Minuten pro Clip.
• RTX A6000: dieselben 48 GB, günstiger pro Stunde, aber Ampere hat kein natives fp8 und ist deshalb etwa halb so schnell. Gut, wenn niemand wartet.
• RTX PRO 6000 (96 GB): schnell und mit genug Speicher für längere Clips oder 720p ohne Speed-LoRA.
• H100: die schnellste der gängigen Optionen für Renderings mit voller Schrittzahl. Ihr Stundenpreis ist der höchste, sie lohnt sich also, wenn eine Serie heute fertig werden muss.

Eine RTX 5090 mit 32 GB kann 14B in fp8 bei 720p für einen normalen 5-Sekunden-Clip betreiben, von Hand in einem leeren ComfyUI eingerichtet und mit wenig Reserve. Unsere fertige 14B-App bietet sie nicht an, weil längere Clips oder eine zusätzliche LoRA sie über die Grenze bringen. Den breiteren Vergleich finden Sie im GPU-Ratgeber für ComfyUI.

Geht Ihrem Clip der Speicher aus, listet der Ratgeber zu CUDA out of memory, was Sie zuerst senken: Frames, dann Auflösung, dann den Batch.

Die fertige Video-App nutzen

Wählen Sie beim Start die App für Videogenerierung, mit 5B oder 14B. Die App ist kostenlos; Sie zahlen die GPU-Zeit und den Traffic des Downloads. Sobald der Server bereit ist, installiert sich ComfyUI, und die Modelle kommen im Hintergrund an: etwa 17 GB für 5B, etwa 70 GB für 14B, was 10–15 Minuten dauern kann. Diese Minuten werden berechnet. Öffnen Sie ComfyUI zu früh, sehen Sie eine 502-Seite oder Fehler wie „missing model“; das Dashboard zeigt an, wann die App bereit ist.

Dann:

1. Öffnen Sie Workflow → Browse Templates → Video und wählen Sie die Wan-2.2-Vorlage, die zu Ihrer App passt: 5B, 14B Text-zu-Video oder 14B Bild-zu-Video. Die 14B-App enthält beide Paare und ihre 4-Schritt-LoRAs, jede der Vorlagen läuft also ohne Änderungen.
2. Schreiben Sie den Prompt als kurze Einstellungsbeschreibung: Motiv, Handlung, Kamera, Licht. „A woman in a red coat walks towards the camera on a wet street at night, slow dolly back, neon reflections“ funktioniert besser als eine Liste von Adjektiven.
3. Legen Sie Breite, Höhe und Länge fest. Beginnen Sie für Tests mit 480p.
4. Klicken Sie auf Run. Die Clips landen als Videodateien in /workspace/ComfyUI/output; laden Sie sie über Jupyter oder direkt aus dem Node herunter.

Für Bild-zu-Video laden Sie Ihr Foto im Node Load Image hoch. Das Foto legt Aussehen und Bildaufbau fest, der Prompt beschreibt, was sich bewegt. Am besten funktioniert ein Foto, auf dem das Motiv ungefähr dort steht, wo Sie es am Ende des Clips haben wollen.

Die Basismodelle der App werden nicht im gespeicherten Ordner aufbewahrt: Sie werden beim nächsten Start erneut heruntergeladen. Ihre eigenen LoRAs, Workflows und Ergebnisse in /workspace bleiben erhalten, wenn Sie Speichern und stoppen nutzen. Mehr dazu im ComfyUI-Ratgeber.

Was ein Clip kostet

Die Kosten pro Clip sind Stundenpreis × Minuten pro Clip ÷ 60, jeweils mit der Mitte des Bereichs gerechnet:

Bezahlt wird allerdings nicht pro Clip, sondern pro Sitzung. Eine realistische Sitzung für einen 30-Sekunden-Werbespot aus sechs Einstellungen auf einer L40S mit der 14B-App: etwa 15 Minuten für den Download, 20 Entwurfsclips in 480p zu je etwa 2,5 Minuten, dann 8 finale Renderings in 720p (zwei Wiederholungen) zu je etwa 6 Minuten. Das sind rund 1 h 55 min GPU-Zeit, etwa 2,01 €, plus 70 GB Traffic zum Tarif der Maschine.

Zwei Gewohnheiten halten die Rechnung niedrig. Schreiben und verfeinern Sie Prompts in 480p oder auf 5B, und rendern Sie 720p nur für Clips, die Sie behalten wollen. Und stellen Sie mehrere Clips in die Warteschlange, bevor Sie weggehen, und stoppen Sie den Server, wenn sie leer ist: Die Abrechnung endet in dieser Minute. Die aktuellen Preise jeder Karte stehen auf der Preisseite, und der Kostenratgeber rechnet Bilder und LLM-Tokens auf dieselbe Weise durch.