ComfyUIで動かす画像・動画モデルの必要VRAM一覧

画像・動画モデルは、言語モデルとは測り方が違います。見積もるべきコンテキスト長はなく、動くかどうかを決めるのは、ComfyUIが工程ごとに読み込むファイルのサイズと、作業用に残るメモリです。以下の数値はすべて、そのファイルから求めています。ここに挙げた15モデルのうち、24GBのGPUでComfyUI公式テンプレートの一式を余裕をもって読み込めるのは10モデル、そのGPUで使える最小のファイルなら13モデルです。

全モデルの比較

ComfyUI公式テンプレートが最も大きい工程で必要とする容量の順に並べています。「最小のGPU」は、このサイトに載せているGPUのうち、テンプレートの一式を余裕をもって（メモリの85%未満で）読み込める最小のものです。

手持ちのGPUでどのモデルが動くか確かめるときや、精度を手動で選ぶときは、ComfyUI 必要VRAMチェッカーを使ってください。Wan 2.5、2.6、2.7、3.0は意図的に載せていません。いずれもオープンウェイトがないためです（2026年10月2日に確認）。GPUが足りないなら、ComfyUIのクラウド料金比較をご覧ください。

各モデル

Anima

CircleStone LabsがComfy Orgと共同で作ったアニメ調の画像生成モデルで、NVIDIAのCosmos-Predict2 2Bをベースにしています。テンプレートのピークは4.4GBです。最小のファイルなら、RTX 5070で読み込めます。

FLUX 3 Image Klein

Black Forest Labsが2026年10月に公開したオープンなFLUX 3のモデルで、56億パラメータの画像生成モデルに2つのバージョンがあります（16ステップでサンプリングし、Black Forest Labs自身のAPIでも使われているステップ蒸留版のKleinと、ファインチューニングやLoRA学習向けの、蒸留していないKlein Base）。テンプレートのピークは6.7GBです。最小のファイルなら、RTX 5070で読み込めます。

MOSS-Image

OpenMOSSが2026年10月に公開したオープンなテキストからの画像生成モデルで、50億パラメータのシングルストリームのTransformerに、Qwen3.5 9BのテキストエンコーダとFLUX.2の小型VAEを組み合わせています。テンプレートのピークは7.3GBです。最小のファイルなら、RTX 5070で読み込めます。

FLUX.2

Black Forest Labsの第2世代のFLUXで、320億パラメータのdev（2025年11月）と、一般向けGPUのために作られた4B・9Bのklein（2026年1月）があります。テンプレートのピークは8.0GBです。最小のファイルなら、RTX 5070で読み込めます。

Fibo 2.0

Bria AIが2026年10月に公開した第2世代のFIBOで、プロンプトと最大4枚の参照画像から、1つの重みで画像の生成と編集を行う80億パラメータのモデルです。テンプレートのピークは9.4GBです。最小のファイルなら、RTX 5070で読み込めます。

Qwen-Image-2.1

Qwenが2026年9月に公開した画像生成モデルで、70億パラメータの生成モデルがネイティブで2K出力に対応し、80億パラメータのQwen3-VLをテキストエンコーダに使います。テンプレートのピークは9.5GBです。最小のファイルなら、RTX 5070で読み込めます。

Z-Image

Tongyi-MAIの60億パラメータの画像生成モデルで、ここに挙げた中では数少ないApache 2.0のモデルです。テンプレートのピークは12.7GBです。最小のファイルなら、RTX 5070で読み込めます。

Krea 2

Kreaが2026年6月に公開したオープンな画像生成モデルで、120億パラメータのTransformerに2つのバージョンがあります。テンプレートのピークは13.4GBです。最小のファイルなら、RTX 5070で読み込めます。

Wan 2.2

AlibabaのWan 2.2（2025年7月）は、オープンウェイトのWanとしては今も最新のバージョンです。テンプレートのピークは14.5GBです。最小のファイルなら、RTX 5080で読み込めます。

HunyuanVideo 1.5

Tencentが2025年11月に公開した83億パラメータの動画生成モデルで、480pと720pに対応し、既定は121フレーム、別の超解像モデルを使えば1080pに引き上げられます。テンプレートのピークは19.2GBです。最小のファイルなら、RTX 5070で読み込めます。

Qwen-Image-Edit-2511

Qwenが2025年12月に公開した画像編集モデルで、画像と指示を与えて使います。テンプレートのピークは20.8GBです。最小のファイルなら、RTX 4090で読み込めます。

LTX-2.5

Lightricksが2026年8月に公開したオープンな動画生成モデルで、映像と一緒に音声も生成する220億パラメータのTransformerです。テンプレートのピークは24.3GBです。最小のファイルなら、RTX 5090で読み込めます。

MiniMax H3

MiniMaxが2026年8月に公開したオープンな動画生成モデルで、映像と一緒にサウンドトラックも生成します（ステレオ音声、長さは4〜15秒、24フレーム/秒）。テンプレートのピークは24.4GBです。最小のファイルなら、RTX 4090で読み込めます。

FastH3

カリフォルニア大学サンディエゴ校のHao AI LabによるFastVideoが、MiniMax H3を8ステップに蒸留したモデルで、テキストと最初・最後のフレームからの動画用のV2（2026年9月）と、最大9枚の画像、3本の動画、3本の音声クリップを参照として受け取るOmni（2026年10月）があります。テンプレートのピークは25.6GBです。最小のファイルなら、RTX 5090で読み込めます。

Pika H3 Flex

Pika Labsが2026年10月に公開した、MiniMax H3を追加学習したモデルで、MiniMax H3のベースの上で動く2つのLoRAアダプター（テキストと最初・最後のフレームからの動画用と、最大12個の参照用）として配布され、6回のサンプリングステップで音声が同期した動画を生成します。テンプレートのピークは26.4GBです。最小のファイルなら、RTX 4090で読み込めます。

数値の求め方

ComfyUIのワークフローは、工程ごとに進みます。テキストエンコーダがプロンプトを埋め込み（embedding）に変換し、必要に応じてプロンプト拡張モデルがプロンプトを書き直し、そのあと拡散モデルがサンプリングしてVAEがデコードします。モデルはノードが必要とした時点で読み込まれ、別のモデルに場所が必要になると退避されます。そのため収まる必要があるのは最も大きい工程で、全ファイルの合計ではありません。Wan 2.2のA14Bモデルは2つのエキスパートが交互に動くので、GPUに載るのは一度に1つですが、ダウンロードは両方必要です。

重みを除いた残りが作業用メモリで、ここはモデルごとに公表しているところがない部分です。解像度・フレーム数・バッチサイズに応じて増え、アテンションのカーネルによっても変わります。そこで各モデルのページでは、ファイルからの計算と並べてメーカーの公表値を原文のまま引用し、それぞれが何を測った数値かを示しています。

• ファイルサイズ：Comfy-Orgが再パッケージしたリポジトリと、各メーカーが公開しているComfyUI用のファイルについて、Hugging FaceのAPIが返す正確なバイト数です。2026年11月3日に取得しました。
• テンプレートの一式：docs.comfy.orgの公式ワークフローガイド（英語）です。各モデルのページからリンクしています。
• GPUのメモリ：各メーカーの仕様で、各GPUページと同じ値です。対象はNVIDIAのGPUのみです。ComfyUIはAMDやAppleシリコンでも動きますが、ここでは算出していません。