AI-bilder och video lokalt i ComfyUI: vad ditt grafikkort klarar – och hur nära Nano Banana du kommer
Du behöver inte ett RTX 5090 för att börja med lokal bild-AI. Här är den ärliga guiden till VRAM, ComfyUI, öppna bild- och videomodeller samt vad Google fortfarande gör bättre.
Emma Bergqvist
15 augusti 2026
Du behöver inte ett RTX 5090 för att skapa AI-bilder hemma. Men grafikkortet avgör om upplevelsen känns som ett kreativt verktyg eller som att försöka få in en soffa genom ett brevinkast.
Den stora skiljelinjen är VRAM, alltså grafikkortets eget arbetsminne. Med 8 GB kan du redan göra förvånansvärt mycket. Med 16 GB blir betydligt fler moderna modeller praktiska. Vid 24 GB börjar de riktigt stora bildmodellerna bli bekväma, medan lokal video fortfarande kan få även ett dyrt kort att flämta.
Och Nano Banana? Google har hunnit göra namnet till en hel modellfamilj. Lokala modeller kan vara konkurrenskraftiga i avgränsade bildjobb och ger större kontroll över arbetsflödet. Google erbjuder i sin tur en färdig, konversationsstyrd bildredigerare med funktioner som inte följer med automatiskt i en lokal modell.
Den här guiden är uppdaterad i augusti 2026.
Först: ComfyUI är verkstaden, inte själva modellen
ComfyUI är ett nodbaserat gränssnitt för generativ AI. Du bygger ett arbetsflöde genom att koppla ihop noder för modell, prompt, sampling, bildstorlek, referensbilder, uppskalning och sparning.
Det låter krångligare än en textruta med en stor knapp. Det är det också, åtminstone första kvällen. Belöningen är att du kan se, spara och ändra varje steg i processen. Samma arbetsflöde kan köras igen med ett nytt motiv, en annan modell eller hundra variationer utan att du börjar om från noll.
Det är därför ComfyUI blivit populärt bland personer som vill ha mer än en snabb bild:
arbetsflöden kan sparas och delas
modeller kan kombineras med LoRA-tillägg, små modellpaket för en viss stil eller ett visst motiv, och ControlNet för styrning med exempelvis poser, kanter eller djup
referensbilder och masker kan styras på detaljnivå
bildserier kan köas och automatiseras
materialet kan bearbetas lokalt efter att modellerna laddats ned
ComfyUI:s aktuella systemkrav listar stöd för Windows, Linux och macOS samt NVIDIA, AMD, Intel och Apple Silicon. Det betyder inte att alla kombinationer är lika enkla. Portable-versionen för Windows stöder NVIDIA eller CPU-läge, medan AMD och Intel använder andra installationsspår.
VRAM är dörrvakten
Ett AI-arbetsflöde använder flera delar samtidigt: modellvikter, en textkodare som tolkar prompten, en VAE som kodar om bilder till och från modellens arbetsformat samt tillfälliga data från genereringen. Allt vill gärna ligga i VRAM eftersom grafikkortet kommer åt sitt eget minne mycket snabbare än datorns vanliga RAM.
När allt inte får plats kan ComfyUI flytta delar till systemminnet. Det kallas offloading. Arbetsflödet kan då fungera ändå, men varje flytt kostar tid. Har du för lite RAM eller långsam lagring blir väntan ännu tydligare.
Det är därför två personer med 16 GB VRAM kan få helt olika resultat. Modellversion, precision, upplösning, antal bilder, textkodare och arbetsflöde spelar minst lika stor roll som siffran på kartongen.
Vad betyder FP16, FP8 och FP4?
Modeller lagrar sina tal med olika precision. Lägre precision minskar filstorlek och minnesbehov, men kan påverka kvalitet, kompatibilitet eller hastighet beroende på hårdvaran.
BF16 och FP16: tunga men vanliga format för hög precision
FP8: ungefär halva viktstorleken jämfört med 16-bitarsformat, innan övriga delar räknas in
FP4: ännu mindre, men stödet och kvalitetsförlusten varierar mer
GGUF: ett format för kvantiserade modellvikter som ofta används av användarskapade arbetsflöden
Kvantisering är inte gratis magi. En modell som startar på 8 GB är inte automatiskt snabb där, och en användarskapad konvertering är inte automatiskt likvärdig med originalet. Se det som ett sätt att öppna dörren, inte som en garanti för samma upplevelse.
Vad klarar 8, 12, 16, 24 och 32 GB i praktiken?
Följande är praktiska startpunkter, inte kompatibilitetslöften. Exakt behov beror på modellversion, precision, upplösning, batchstorlek, antal bildrutor, textkodare, VAE och offloading. ComfyUI utvecklas dessutom snabbt, så en ny kvantisering eller ett smartare arbetsflöde kan flytta gränsen.
8 GB: du kan börja, men välj modellen före upplösningen
Med 8 GB VRAM är äldre och mindre bildmodeller fortfarande användbara. SDXL kan köras i minnesanpassade arbetsflöden, och kvantiserade moderna modeller kan fungera om du accepterar offloading och längre väntan.
Video är inte längre helt uteslutet. ComfyUI:s officiella arbetsflöde för Wan 2.2 TI2V 5B anger att 5B-versionen bör få plats väl på 8 GB VRAM med ComfyUI:s inbyggda offloading. Det är en viktig milstolpe, men inte samma sak som att tung lokal video plötsligt blivit snabb på ett instegskort.
Bra strategi på 8 GB:
börja med modellens officiella mall och sänk upplösningen om du får minnesfel
generera en bild åt gången
välj officiella arbetsflöden med FP8 eller andra minnessnåla alternativ
stäng spel och GPU-tunga program innan du kör
ha gott om vanligt RAM för offloading
10 till 12 GB: en bra bildmaskin med tydliga gränser
Här blir SDXL bekvämare och fler kvantiserade arbetsflöden blir rimliga att arbeta med. Ett RTX 5070 har 12 GB, och Intel Arc B580 har också 12 GB enligt NVIDIAs respektive Intels specifikationer.
Det här är en vettig nivå om du främst vill skapa bilder och kan leva med att de största modellerna använder offloading. För video är korta klipp med mindre modeller möjliga, men LTX-2.5 och de stora Wan-varianterna är fortfarande tunga på 12 GB.
16 GB: den bästa balanspunkten för många
16 GB ger mer luft för större bilder, ControlNet, flera referenser och moderna kvantiserade modeller. RTX 5070 Ti och RTX 5080 har 16 GB, liksom Radeon RX 9070 och RX 9070 XT enligt tillverkarnas specifikationer.
Ett konkret exempel är Z-Image-Turbo. Modellkortet beskriver den som en bildmodell med 6 miljarder parametrar som har destillerats för åtta modellutvärderingar (8 NFEs) och kan köras inom 16 GB VRAM. Den har släppts med Apache 2.0-licens och är därför ett intressant förstaval för lokal bildgenerering där både kvalitet och vanlig konsumenthårdvara spelar roll.
16 GB är däremot inte en fribiljett till allt. FLUX.2 Klein 4B är ett relevant exempel: Black Forest Labs anger omkring 13 GB VRAM och har släppt 4B-varianten med Apache 2.0-licens. Qwen-Image och FLUX.2 Dev är betydligt större. De kan köras med kvantisering och offloading, men arbetsflödet blir tyngre och långsammare än vad en enkel VRAM-tabell antyder.
24 GB: stora bildmodeller blir realistiska
Vid 24 GB kan du arbeta betydligt bekvämare med tunga bildmodeller och flera komponenter samtidigt. Det är en stor anledning till att begagnade RTX 3090-kort fortfarande är intressanta för lokal AI trots att de inte är nya.
ComfyUI:s officiella referenstest för den ursprungliga Qwen-Image-modellen i FP8, inte Qwen-Image-2512, använde ett RTX 4090D med 24 GB. Arbetsflödet tog omkring 86 procent av kortets VRAM. Första bilden tog cirka 94 sekunder och nästa cirka 71 sekunder i just den testmiljön. Det är användbara referensvärden, men inte universella benchmarks. Din upplösning, drivrutin och ditt arbetsflöde kan ge helt andra tider.
Qwen-Image-2512 är särskilt intressant för realism, detaljer och text i bild. Utvecklarens modellkort beskriver förbättringar för människor, naturdetaljer och typografi jämfört med den första Qwen-Image-versionen. Modellen är Apache 2.0-licensierad, men själva modellpaketet och textkodaren är stora.
32 GB och mer: mindre offloading, inte obegränsad kraft
RTX 5090 har 32 GB VRAM. Det gör enorm skillnad för stora bildarbetsflöden och minskar behovet av att skyffla data till RAM. Men även 32 GB kan vara trångt för de tyngsta originalvikterna.
FLUX.2 Dev har 32 miljarder parametrar och den officiella ComfyUI-guiden använder kvantiserade vikter. Black Forest Labs aktuella snabbguide anger omkring 24 GB för Klein 9B och 13 GB för Klein 4B, men minnesbehovet varierar med paketering och arbetsflöde. Poängen är enkel: toppkort betyder färre kompromisser, inte att minnesmatten upphör.
För lokal video kan 32 GB göra fler arbetsflöden realistiska, men inte problemfria. Den aktuella LTX-2.5-familjen visar varför: Lightricks standardpaket omfattar omkring 66 GiB när transformermodell, textkodare, video-VAE, audio-VAE och uppskalare räknas ihop. Kvantisering och offloading kan därför behövas även på kort med 24 eller 32 GB.
Vilken bildmodell ska du börja med?
Det finns ingen modell som vinner allt. Välj efter jobbet du faktiskt vill göra.
Z-Image-Turbo: snabb väg in på 16 GB
Z-Image-Turbo är en bra utgångspunkt för fotorealistiska motiv, engelsk och kinesisk text samt snabb iteration. Den är destillerad för åtta modellutvärderingar, medan utvecklarens kodexempel använder nio inferenssteg. Modellkortet anger att den ryms bekvämt på konsumentkort med 16 GB.
Brasklappen är att Turbo är destillerad. Den prioriterar snabbhet och har mindre variationsrikedom än den fulla Z-Image-modellen. Om du vill finjustera modellen eller få större kreativ kontroll kan grundmodellen vara mer intressant.
Qwen-Image-2512: stark på text och detaljer
Qwen-Image är tung, men attraktiv när text i bilden, komplex layout eller realistiska detaljer står i centrum. Apache 2.0-licensen gör också villkoren lättare att bedöma för kommersiella projekt än hos modeller med egna, begränsande licenser.
På mindre kort bör du räkna med kvantisering och offloading. På 24 GB finns ett officiellt ComfyUI-referensvärde, men inte ett löfte om att varje Qwen-arbetsflöde passar.
FLUX: läs efternamnet och licensen
FLUX är en familj, inte en enda modell. FLUX.1 Schnell och FLUX.2 Klein 4B använder Apache 2.0. FLUX.1 Dev, Krea Dev, Kontext Dev, FLUX.2 Dev och Klein 9B får enligt standardlicenserna bara köras icke-kommersiellt och utanför produktion. Kommersiell drift på egen hårdvara kräver en separat licens från Black Forest Labs. Genererade resultat får samtidigt användas kommersiellt enligt licensernas övriga villkor.
Det här är ett perfekt exempel på varför öppna modellvikter, ofta kallade open weights, inte alltid betyder ”gör vad du vill”. Läs modellkortet för den exakta modellversionen innan du bygger ett kundprojekt runt den.
SDXL: fortfarande relevant
SDXL är inte nyast, men ekosystemet är moget. Det finns mängder av LoRA-tillägg, ControlNet-varianter och dokumenterade arbetsflöden. Om du vill lära dig ComfyUI på ett kort med 8 till 12 GB kan ett minnesanpassat SDXL-arbetsflöde vara mer lärorikt än att börja med årets största modell och sedan felsöka minnesfel hela kvällen.
Lokal video 2026: möjligt på 8 GB, bekvämt på nästan inget
Bildgenerering och videogenerering bör inte klumpas ihop. En bild består av en enda bildruta. Ett videoklipp ska hålla motiv, rörelse, kamera och detaljer samman över många bildrutor. Det kostar minne, tid och lagring.
Wan 2.2 är den rimliga startpunkten
Wan 2.2 finns i flera storlekar. Den mindre TI2V-5B kan göra både text-till-video och bild-till-video och är den modell som ComfyUI uppger bör få plats väl på 8 GB VRAM med offloading. De större 14B-varianterna är byggda för tyngre text- eller bildstyrd video och kräver mer tålamod och minne.
Wan 2.2-modellerna i ComfyUI:s guide anges vara Apache 2.0-licensierade. Det är ovanligt lättbegripligt jämfört med flera andra videogeneratorers speciallicenser.
LTX-2.5 kan skapa ljud och video tillsammans
LTX-2 finns i flera generationer. ComfyUI:s LTX-2.0-arbetsflöde använder den äldre 19B-modellen och kan generera synkroniserad video och ljud. Den aktuella LTX-2.5-familjen är 22B. ComfyUI har inbyggda arbetsflöden för text-till-video, bild-till-video samt styrning med första och sista bildruta.
Det är imponerande, men filstorlekarna avslöjar hårdvarukravet. Standardpaketet för 2.5 är omkring 66 GiB och är betydligt tyngre än den äldre 19B-versionen. Offloading till RAM eller disk och FP8-kvantisering kan hjälpa, men de trollar inte bort all väntan.
LTX-2.x Community License ändrades den 11 augusti 2026 och innehåller en omsättningströskel som innebär att större kommersiella organisationer behöver en betald licens. Det är ännu ett skäl att kontrollera villkoren för den exakta modellversionen innan modellen används i ett företag.
Jämför video med Gemini Omni Flash och Veo, inte Nano Banana
Nano Banana är Googles familj för bilder. Googles aktuella standardmodell för korta videoklipp är Gemini Omni Flash Preview. Modellen skapar 3 till 10 sekunders video i 720p med ljud och kan redigeras vidare i flera samtalsomgångar.
Veo 3.1 Preview är fortfarande relevant när du behöver högre upplösning eller särskilda filmkontroller. Gemini API-dokumentationen anger inbyggt ljud, referensbilder samt styrning med första och sista bildruta. 4K finns i Veo 3.1 och 3.1 Fast för 8-sekundersklipp, medan Lite går som högst till 1080p.
Lokala Wan- och LTX-arbetsflöden ger dig egen lagring och mycket kontroll. Googles modeller ger dig ett färdigt, kraftfullt system utan att ditt eget grafikkort behöver göra jobbet. Det är två olika kompromisser, inte samma produkt med olika logga.
Hur nära Nano Banana 2 kommer de lokala modellerna?
Google använder nu Nano Banana som samlingsnamn för fyra bildmodeller:
Nano Banana 2 Lite: snabbaste och billigaste varianten
Nano Banana 2: allroundmodellen med 4K, flera referensbilder och text
Nano Banana Pro: premiumvarianten för komplex layout, varumärkeskontroll och avancerad redigering
Nano Banana: den äldre Gemini 2.5 Flash Image-modellen
Alla genererade bilder får enligt Google en osynlig SynthID-vattenmärkning. Nano Banana 2 och Pro kombinerar dessutom bildgenerering med Geminis språkförståelse och kan hämta aktuell information från Google Search som underlag, något en ren lokal bildmodell inte kan göra av sig själv.
Där lokala modeller är nära
För enskilda text-till-bild-uppgifter kan Z-Image-Turbo, Qwen-Image-2512 och namngivna FLUX-varianter vara konkurrenskraftiga. Modellutvecklarnas egna tester visar att flera av dem står sig väl mot stängda tjänster i vissa testuppsättningar.
Men var skeptisk mot topplistorna. Olika testuppsättningar, mänskliga bedömare, promptar och modellversioner gör att “bäst” snabbt blir ett marknadsföringsord. Det finns ingen aktuell, oberoende och helt jämförbar mätning som bevisar att en lokal modell generellt matchar hela Nano Banana 2-familjen.
Där Google fortfarande har ett tydligt övertag
Nano Banana är mer än en bildgenerator. Du kan föra en dialog, lägga in flera referensbilder, be modellen försöka behålla en person eller produkt och sedan ändra delar av scenen i flera steg. Google kopplar ihop bildmodellerna med bred kunskap och kan hämta aktuell information från Google Search i Nano Banana 2 och Pro.
Lokalt kan du bygga motsvarande delar med Qwen-Image-Edit-2511, ControlNet, IP-Adapter, masker, LoRA och egna noder. Resultatet kan bli mer kontrollerbart, men du måste själv välja och koppla ihop verktygen. Google säljer en färdig verkstadsmästare. ComfyUI ger dig hela verktygsväggen och låter dig läsa manualerna själv.
Där lokalt faktiskt vinner
Lokal generering har tre fördelar som en molntjänst har svårt att kopiera:
Kontroll: du kan spara slumpfrö, samplingsmetod, modellversion och hela arbetsflödet för att återskapa körningen, så långt det är möjligt i samma program- och hårdvarumiljö.
Integritet: efter nedladdning kan ett rent lokalt arbetsflöde köras utan att dina arbetsbilder skickas till en extern bildtjänst.
Anpassning: du kan använda egna LoRA-tillägg, ControlNet, seriekörningar och modeller utan att vänta på att en leverantör bygger funktionen.
Integritet kräver fortfarande sunt förnuft. Anpassade noder, ofta kallade custom nodes, är kod från tredje part och kan ha nätverksfunktioner. Granska vad du installerar, precis som med andra program.
NVIDIA, AMD eller Intel?
NVIDIA: enklast för flest arbetsflöden
Min bedömning är att NVIDIA fortfarande är det enklaste valet om du vill minimera installationsarbetet. Portable-versionen av ComfyUI för Windows är byggd för NVIDIA-kort eller CPU-läge, medan AMD och Intel använder andra installationsspår.
Det betyder inte att varje NVIDIA-kort är bättre än varje alternativ. För lokal AI kan ett äldre kort med 24 GB vara mer användbart än ett nyare och snabbare kort med 8 eller 12 GB, just eftersom VRAM avgör hur mycket av ett arbetsflöde som får plats på grafikkortet.
AMD: bättre officiellt stöd, men fortfarande situationsberoende
ComfyUI fick officiellt stöd för ROCm, AMD:s plattform för GPU-beräkningar, i Windows i version 0.7.0. ComfyUI:s aktuella systemkrav beskriver stödet för AMD RDNA 3, 3.5 och 4 i Windows och Linux som experimentellt. För AMD på Linux anges ROCm 7.2 i både stabil och dagligen uppdaterad testversion.
AMD:s aktuella GPU-tabell anger 16 GB för Radeon RX 9070 och 9070 XT samt 24 GB för RX 7900 XTX. Det är attraktiva minnesnivåer. Kontrollera ändå att just modellen, noderna och precisionen du tänker använda fungerar med ROCm innan du köper ett kort enbart för AI.
Intel: möjligt, men välj det inte blint
ComfyUI stöder Intel Arc genom PyTorchs XPU-stöd för Intel-grafik. Arc B580 har 12 GB VRAM, vilket ger utrymme för mindre och offloadade arbetsflöden. Kontrollera ändå stödet för varje modell och anpassad nod separat.
Har du redan ett Arc-kort är det värt att testa. Köper du ett kort enbart för ComfyUI bör du först kontrollera installationen och de anpassade noder som ingår i dina tänkta arbetsflöden.
Så kommer du igång utan att fastna i installationsmyren
Kontrollera VRAM och RAM. På Windows kan du se GPU-minnet i Aktivitetshanteraren. Se också till att du har gott om vanligt RAM om offloading blir en stor del av planen.
Välj rätt installation. ComfyUI Desktop är enklast på stödd hårdvara. Portable passar NVIDIA på Windows. Manuell installation täcker flest plattformar.
Uppdatera ComfyUI. Nya officiella arbetsflöden kan saknas i Desktop tills de nått en stabil version.
Börja med en mall. Välj en officiell modellmall i biblioteket med arbetsflöden i stället för ett slumpmässigt paket med tjugo anpassade noder.
Ändra en sak i taget. Kör standardarbetsflödet först. Höj sedan upplösning, batchstorlek eller antal bildrutor, inte allt samtidigt.
Läs modelllicensen. Licensen för ComfyUI säger inte vad du får göra med varje modell eller modellversion.
Om du får CUDA out of memory eller motsvarande är första åtgärden inte att köpa nytt kort. Sänk upplösningen eller antalet bildrutor, välj en mindre eller kvantiserad modell och kontrollera att ComfyUI verkligen använder offloading.
Den ärliga köprekommendationen
Köp inte grafikkort efter modellnamnet du såg i en demo. Börja med ditt arbetsflöde.
Mest bilder och nyfiken nybörjare: 8 till 12 GB räcker för att börja med mindre eller offloadade arbetsflöden.
Moderna bilder, redigering och färre kompromisser: 16 GB är en stark praktisk nivå.
Tunga bildmodeller och lokal AI som huvudintresse: 24 GB är fortfarande mycket attraktivt.
Tunga lokala videomodeller: 32 GB hjälper, men räkna ändå med stora filer, lång väntan och speciallicenser.
Nano Banana 2 kräver mindre förarbete när du vill skriva en instruktion och redigera vidare direkt. ComfyUI ger dig i stället kontroll över processen, sparade inställningar och exakt vilka verktyg som används.
För många är den bästa lösningen faktiskt båda. Använd molnet när dess multimodala intelligens sparar tid. Kör lokalt när du prioriterar kontroll, integritet, experiment eller många iterationer.
När du jämför begagnade grafikkort på TechFlip ska du inte bara titta på spelprestanda. För lokal AI kan mängden VRAM vara viktigare än att kortet tillhör den senaste generationen.
– Emma Bergqvist