Offene Videomodelle benötigen zwischen 14 GB und 80 GB VRAM

Die veröffentlichten VRAM-Anforderungen für offene Videomodelle reichen laut einem Vergleich von LTX von 14 GB bis 80 GB. Die Werte hängen vom jeweiligen Verfahren ab, da Offloading, Datentypen, Auflösung und Bildanzahl den benötigten GPU-Speicher beeinflussen.
- HunyuanVideo-1.5 nennt mit Model-Offloading einen Mindestwert von 14 GB.
- Wan2.2 TI2V-5B nennt mit Offloading-Flags 24 GB.
- LTX-2.5 nennt 32 GB als Mindestwert und empfiehlt GPUs mit 80 GB.
- Wan2.2 T2V-A14B nennt 80 GB für seinen Einzel-GPU-Befehl.
- FP8, Offloading und die konvolutionelle VAE können den Speicherbedarf von LTX-2.5 senken.
Veröffentlichte VRAM-Mindestwerte sind nicht direkt vergleichbar
LTX führt vier veröffentlichte Anforderungen für einzelne GPUs auf. HunyuanVideo-1.5, ein 8.3B-Modell, hat bei aktiviertem Model-Offloading einen Mindestbedarf von 14 GB. Für Wan2.2 TI2V-5B werden 24 GB genannt. Dieser Wert wurde mit Model-Offloading, der Umwandlung des Parametertyp-Datentyps und einem auf der CPU laufenden T5-Textencoder ermittelt.
LTX-2.5, ein 22B-Modell, nennt 32 GB als Mindestwert, während das Unternehmen eine A100 mit 80 GB oder eine H100 empfiehlt. Wan2.2 T2V-A14B mit insgesamt 27B Parametern, davon 14B aktiv, nennt 80 GB für seinen Einzel-GPU-Befehl. Je nach Modell und Konfiguration unterstützen diese Werte Ausgaben in 480p, 720p oder höherer Auflösung. Es handelt sich jedoch nicht um Benchmark-Ergebnisse, die unter identischen Bedingungen ermittelt wurden.
LTX zufolge ermöglichen die niedrigeren Mindestwerte im Allgemeinen den Betrieb eines Modells, nicht aber dessen schnellen Betrieb. Beim Offloading werden Gewichte zwischen dem Systemspeicher und der GPU verschoben. Das kann den GPU-Speicherbedarf senken, verlangsamt aber die Generierung. Für LTX-2.5 werden 32 GB Systemspeicher als Minimum und 64 GB oder mehr als Empfehlung genannt.
Auflösung und Bildanzahl bestimmen den Speicherbedarf
Bei einem Videodiffusionstransformer wird die Sequenzlänge durch Auflösung und Bildanzahl bestimmt. Der LTX-Trainer verwendet standardmäßig für die LTX-VAE die Formel sequence_length = (H / 32) * (W / 32) * ((F - 1) / 8 + 1). Ein Clip mit 768×448×89 ergibt 24 × 14 × 12, also 4.032 Token.
Wer Breite und Höhe gleichzeitig erhöht, vervierfacht den räumlichen Anteil, während die Bildanzahl die Sequenz ungefähr linear wachsen lässt. Laut Leitfaden fügt jede Gruppe von acht zusätzlichen Bildern ein latentes Bild hinzu. LTX-2.5 verlangt außerdem Bildanzahlen, die num_frames % 8 == 1 erfüllen. Gültige Beispiele sind 97 und 121; die Abmessungen müssen durch 32 teilbar sein.
Die Token-Anzahl lässt sich zwischen den Modellen nicht direkt vergleichen. Wan2.2 TI2V-5B verwendet ein anderes VAE-Kompressionsverfahren mit einem Gesamtverhältnis von 4×32×32 nach der Patchifizierung. Auch deshalb stimmen die angegebenen VRAM-Werte der Modelle nicht überein.
LTX-2.5 bietet mehrere Möglichkeiten, den GPU-Speicherbedarf zu senken
Die Dokumentation von LTX empfiehlt, den Transformer in FP8 auszuführen und CPU-Offloading zu aktivieren. Die Option fp8-cast wandelt einen bf16-Transformer während des Betriebs in einen niedrigeren Datentyp um, während fp8-scaled-mm für einen nativen FP8-Checkpoint auf Hopper- und neueren GPUs vorgesehen ist.
Beim CPU-Offloading werden die Gewichte schichtweise aus dem Systemspeicher geladen. Disk-Offloading senkt den Speicherbedarf weiter, liest die Gewichte jedoch bei Bedarf aus dem Speicherlaufwerk und ist langsamer. LTX beschreibt außerdem eine konvolutionelle VAE als leichter und schneller als den standardmäßigen Diffusionsdecoder. Die destillierte Pipeline verwendet acht vordefinierte Sigmas als empfohlenen schnellen Pfad. Das Unternehmen empfiehlt, mit FP8 zu beginnen, CPU-Offloading hinzuzufügen, zur konvolutionellen VAE zu wechseln und Disk-Offloading nur bei Bedarf einzusetzen.
Der Download für das destillierte Split-Paket im LTX-2.5-Schnellstart ist etwa 66 GiB groß. Zum Modell gehört außerdem ein Gemma 4 12B-Textencoder. Laut LTX spart es rund 8 GiB VRAM, diesen Encoder in 8 Bit zu laden, während die Caption-Embeddings berechnet werden.
Was die Werte für Besitzer von GPUs bedeuten
In der Einordnung von LTX liegt HunyuanVideo-1.5 mit aktiviertem Offloading in Reichweite einer GPU mit 16 GB. Eine 24-GB-Karte, etwa aus der Klasse der RTX 4090, kann HunyuanVideo-1.5 und Wan2.2 TI2V-5B mit den genannten Offloading-Flags in 720p ausführen. Eine 32-GB-Karte ermöglicht zusätzlich LTX-2.5 mit dem dokumentierten Mindestwert. Eine A100 oder H100 mit 80 GB kann alle vier genannten Verfahren ausführen, einschließlich des Wan2.2-A14B-Einzel-GPU-Befehls.
Wer unter dem Mindestwert eines Modells liegt oder das Offloading als zu langsam empfindet, kann laut LTX die gehostete LTX-API nutzen oder Cloud-GPUs mieten. Die praktische Entscheidung hängt daher sowohl vom verfügbaren VRAM als auch von der für Iterationen erforderlichen Geschwindigkeit ab. Für lokale Systeme empfiehlt die Quelle, mit dem herstellereigenen Verfahren zu beginnen und anschließend die Optionen zur Speichereinsparung einzeln anzuwenden.
LTX (Lightricks): VRAM Requirements for Open Source Video Models (2026) | LTX Blog


