AI-bilder og video lokalt i ComfyUI: hva grafikkortet ditt klarer, og hvor nær Nano Banana du kommer
Du trenger ikke et RTX 5090 for å begynne med lokal bilde-AI. Her er den ærlige guiden til VRAM, ComfyUI, åpne bilde- og videomodeller og hva Google fortsatt gjør bedre.
Emma Bergqvist
15 augusti 2026
Du trenger ikke et RTX 5090 for å lage AI-bilder hjemme. Men grafikkortet avgjør om opplevelsen føles som et kreativt verktøy eller som å prøve å få en sofa gjennom en brevsprekk.
Det store skillet er VRAM, altså grafikkortets eget arbeidsminne. Med 8 GB kan du allerede gjøre overraskende mye. Med 16 GB blir langt flere moderne modeller praktiske. Ved 24 GB begynner de virkelig store bildemodellene å bli behagelige å jobbe med, mens lokal video fortsatt kan få selv et dyrt kort til å pese.
Og Nano Banana? Google har rukket å gjøre navnet til en hel modellfamilie. Lokale modeller kan være konkurransedyktige i avgrensede bildejobber og gir større kontroll over arbeidsflyten. Google tilbyr på sin side et ferdig, samtalestyrt bilderedigeringsverktøy med funksjoner som ikke automatisk følger med i en lokal modell.
Denne guiden er oppdatert i august 2026.
Først: ComfyUI er verkstedet, ikke selve modellen
ComfyUI er et nodebasert grensesnitt for generativ AI. Du bygger en arbeidsflyt ved å koble sammen noder for modell, prompt, sampling, bildestørrelse, referansebilder, oppskalering og lagring.
Det høres mer komplisert ut enn et tekstfelt med en stor knapp. Det er det også, i hvert fall den første kvelden. Belønningen er at du kan se, lagre og endre hvert trinn i prosessen. Den samme arbeidsflyten kan kjøres på nytt med et nytt motiv, en annen modell eller hundre variasjoner uten at du begynner helt på nytt.
Derfor har ComfyUI blitt populært blant dem som vil ha mer enn et raskt bilde:
arbeidsflyter kan lagres og deles
modeller kan kombineres med LoRA-tillegg, små modellpakker for en bestemt stil eller et bestemt motiv, og ControlNet for styring med for eksempel positurer, kanter eller dybde
referansebilder og masker kan styres på detaljnivå
bildeserier kan legges i kø og automatiseres
materialet kan bearbeides lokalt etter at modellene er lastet ned
ComfyUIs gjeldende systemkrav viser støtte for Windows, Linux og macOS samt NVIDIA, AMD, Intel og Apple Silicon. Det betyr ikke at alle kombinasjoner er like enkle. Portable-versjonen for Windows støtter NVIDIA eller CPU-modus, mens AMD og Intel bruker andre installasjonsløp.
VRAM er dørvakten
En AI-arbeidsflyt bruker flere deler samtidig: modellvekter, en tekstkoder som tolker prompten, en VAE som koder bilder til og fra modellens arbeidsformat, samt midlertidige data fra genereringen. Alt ligger helst i VRAM fordi grafikkortet får tilgang til sitt eget minne mye raskere enn datamaskinens vanlige RAM.
Når alt ikke får plass, kan ComfyUI flytte deler til systemminnet. Det kalles offloading. Arbeidsflyten kan da fungere likevel, men hver flytting tar tid. Har du for lite RAM eller treg lagring, blir ventetiden enda tydeligere.
Derfor kan to personer med 16 GB VRAM få helt forskjellige resultater. Modellversjon, presisjon, oppløsning, antall bilder, tekstkoder og arbeidsflyt spiller minst like stor rolle som tallet på esken.
Hva betyr FP16, FP8 og FP4?
Modeller lagrer tallene sine med ulik presisjon. Lavere presisjon reduserer filstørrelsen og minnebehovet, men kan påvirke kvalitet, kompatibilitet eller hastighet avhengig av maskinvaren.
BF16 og FP16: tunge, men vanlige formater for høy presisjon
FP8: omtrent halve størrelsen på modellvektene sammenlignet med 16-bitsformater, før øvrige deler regnes med
FP4: enda mindre, men støtte og kvalitetstap varierer mer
GGUF: et format for kvantiserte modellvekter som ofte brukes av brukerskapte arbeidsflyter
Kvantisering er ikke gratis magi. En modell som starter på et kort med 8 GB VRAM, er ikke automatisk rask der, og en brukerskapt konvertering er ikke automatisk likeverdig med originalen. Se det som en måte å åpne døren på, ikke som en garanti for den samme opplevelsen.
Hva klarer 8, 12, 16, 24 og 32 GB i praksis?
Dette er praktiske utgangspunkter, ikke kompatibilitetsløfter. Det nøyaktige behovet avhenger av modellversjon, presisjon, oppløsning, batchstørrelse, antall bilderammer, tekstkoder, VAE og offloading. ComfyUI utvikles dessuten raskt, så en ny kvantisering eller en smartere arbeidsflyt kan flytte grensen.
8 GB: du kan begynne, men velg modellen før oppløsningen
Med 8 GB VRAM er eldre og mindre bildemodeller fortsatt nyttige. SDXL kan kjøres i minnetilpassede arbeidsflyter, og kvantiserte moderne modeller kan fungere hvis du godtar offloading og lengre ventetid.
Video er ikke lenger helt utelukket. ComfyUIs offisielle arbeidsflyt for Wan 2.2 TI2V 5B oppgir at 5B-versjonen bør få god plass på 8 GB VRAM med ComfyUIs innebygde offloading. Det er en viktig milepæl, men ikke det samme som at tung lokal video plutselig har blitt rask på et innstegskort.
God strategi med 8 GB:
begynn med modellens offisielle mal, og senk oppløsningen hvis du får minnefeil
generer ett bilde om gangen
velg offisielle arbeidsflyter med FP8 eller andre minnebesparende alternativer
lukk spill og GPU-tunge programmer før du kjører
ha rikelig med vanlig RAM til offloading
10 til 12 GB: en god bildemaskin med tydelige grenser
Her blir SDXL mer behagelig, og flere kvantiserte arbeidsflyter blir praktiske å arbeide med. Et RTX 5070 har 12 GB, og Intel Arc B580 har også 12 GB ifølge henholdsvis NVIDIAs og Intels spesifikasjoner.
Dette er et fornuftig nivå hvis du først og fremst vil lage bilder og kan leve med at de største modellene bruker offloading. For video er korte klipp med mindre modeller mulige, men LTX-2.5 og de store Wan-variantene er fortsatt tunge med 12 GB.
16 GB: det beste balansepunktet for mange
16 GB gir mer rom for større bilder, ControlNet, flere referanser og moderne kvantiserte modeller. RTX 5070 Ti og RTX 5080 har 16 GB, i likhet med Radeon RX 9070 og RX 9070 XT, ifølge produsentenes spesifikasjoner.
Et konkret eksempel er Z-Image-Turbo. Modellkortet beskriver den som en bildemodell med 6 milliarder parametere som er destillert for åtte modellevalueringer (8 NFEs) og kan kjøres innenfor 16 GB VRAM. Den er utgitt med Apache 2.0-lisens og er derfor et interessant førstevalg for lokal bildegenerering der både kvalitet og vanlig forbrukermaskinvare spiller en rolle.
16 GB er derimot ikke et frikort til alt. FLUX.2 Klein 4B er et relevant eksempel: Black Forest Labs oppgir rundt 13 GB VRAM og har utgitt 4B-varianten med Apache 2.0-lisens. Qwen-Image og FLUX.2 Dev er betydelig større. De kan kjøres med kvantisering og offloading, men arbeidsflyten blir tyngre og langsommere enn en enkel VRAM-tabell antyder.
24 GB: store bildemodeller blir realistiske
Med 24 GB kan du arbeide betydelig mer komfortabelt med tunge bildemodeller og flere komponenter samtidig. Det er en viktig grunn til at brukte RTX 3090-kort fortsatt er interessante for lokal AI, selv om de ikke er nye.
ComfyUIs offisielle referansetest for den opprinnelige Qwen-Image-modellen i FP8, ikke Qwen-Image-2512, brukte et RTX 4090D med 24 GB. Arbeidsflyten brukte rundt 86 prosent av kortets VRAM. Det første bildet tok cirka 94 sekunder og det neste cirka 71 sekunder i akkurat det testmiljøet. Dette er nyttige referanseverdier, men ikke universelle ytelsestester. Oppløsningen, driveren og arbeidsflyten din kan gi helt andre tider.
Qwen-Image-2512 er spesielt interessant for realisme, detaljer og tekst i bilder. Utviklerens modellkort beskriver forbedringer for mennesker, naturdetaljer og typografi sammenlignet med den første Qwen-Image-versjonen. Modellen er lisensiert med Apache 2.0, men selve modellpakken og tekstkoderen er store.
32 GB og mer: mindre offloading, ikke ubegrenset kraft
RTX 5090 har 32 GB VRAM. Det gjør en enorm forskjell for store bildearbeidsflyter og reduserer behovet for å flytte data til RAM. Men selv 32 GB kan være trangt for de tyngste originalvektene.
FLUX.2 Dev har 32 milliarder parametere, og den offisielle ComfyUI-guiden bruker kvantiserte vekter. Black Forest Labs' gjeldende hurtigguide oppgir rundt 24 GB for Klein 9B og 13 GB for Klein 4B, men minnebehovet varierer med pakking og arbeidsflyt. Poenget er enkelt: toppkort betyr færre kompromisser, ikke at minneregnestykket opphører.
For lokal video kan 32 GB gjøre flere arbeidsflyter realistiske, men ikke problemfrie. Den aktuelle LTX-2.5-familien viser hvorfor: Lightricks' standardpakke utgjør rundt 66 GiB når transformatormodell, tekstkoder, video-VAE, audio-VAE og oppskalerer regnes sammen. Kvantisering og offloading kan derfor være nødvendig selv på kort med 24 eller 32 GB.
Hvilken bildemodell bør du begynne med?
Det finnes ingen modell som vinner på alt. Velg etter jobben du faktisk vil gjøre.
Z-Image-Turbo: en rask vei inn med 16 GB
Z-Image-Turbo er et godt utgangspunkt for fotorealistiske motiver, engelsk og kinesisk tekst samt rask iterasjon. Den er destillert for åtte modellevalueringer, mens utviklerens kodeeksempel bruker ni inferenstrinn. Modellkortet oppgir at den får god plass på forbrukerkort med 16 GB.
Forbeholdet er at Turbo er destillert. Den prioriterer hastighet og har mindre variasjon enn den fullstendige Z-Image-modellen. Hvis du vil finjustere modellen eller få større kreativ kontroll, kan grunnmodellen være mer interessant.
Qwen-Image-2512: sterk på tekst og detaljer
Qwen-Image er tung, men attraktiv når tekst i bildet, kompleks layout eller realistiske detaljer står i sentrum. Apache 2.0-lisensen gjør også vilkårene lettere å vurdere for kommersielle prosjekter enn for modeller med egne, begrensende lisenser.
På mindre kort bør du regne med kvantisering og offloading. Med 24 GB finnes det en offisiell ComfyUI-referanseverdi, men ikke et løfte om at enhver Qwen-arbeidsflyt passer.
FLUX: les etternavnet og lisensen
FLUX er en familie, ikke én enkelt modell. FLUX.1 Schnell og FLUX.2 Klein 4B bruker Apache 2.0. FLUX.1 Dev, Krea Dev, Kontext Dev, FLUX.2 Dev og Klein 9B kan ifølge standardlisensene bare kjøres ikke-kommersielt og utenfor produksjon. Kommersiell drift på egen maskinvare krever en separat lisens fra Black Forest Labs. Genererte resultater kan samtidig brukes kommersielt i henhold til lisensenes øvrige vilkår.
Dette er et perfekt eksempel på hvorfor åpne modellvekter, ofte kalt open weights, ikke alltid betyr «gjør hva du vil». Les modellkortet for den nøyaktige modellversjonen før du bygger et kundeprosjekt rundt den.
SDXL: fortsatt relevant
SDXL er ikke nyest, men økosystemet er modent. Det finnes mengder av LoRA-tillegg, ControlNet-varianter og dokumenterte arbeidsflyter. Hvis du vil lære ComfyUI på et kort med 8 til 12 GB, kan en minnetilpasset SDXL-arbeidsflyt være mer lærerik enn å begynne med årets største modell og deretter feilsøke minnefeil hele kvelden.
Lokal video i 2026: mulig med 8 GB, behagelig med nesten ingenting
Bildegenerering og videogenerering bør ikke slås sammen. Et bilde består av én enkelt bilderamme. Et videoklipp skal holde motiv, bevegelse, kamera og detaljer samlet over mange bilderammer. Det krever minne, tid og lagringsplass.
Wan 2.2 er det fornuftige utgangspunktet
Wan 2.2 finnes i flere størrelser. Den mindre TI2V-5B kan lage både tekst-til-video og bilde-til-video og er modellen som ComfyUI oppgir bør få god plass på 8 GB VRAM med offloading. De større 14B-variantene er bygget for tyngre tekst- eller bildestyrt video og krever mer tålmodighet og minne.
Wan 2.2-modellene i ComfyUIs guide oppgis å være lisensiert med Apache 2.0. Det er uvanlig lett å forstå sammenlignet med spesiallisensene til flere andre videogeneratorer.
LTX-2.5 kan lage lyd og video sammen
LTX-2 finnes i flere generasjoner. ComfyUIs LTX-2.0-arbeidsflyt bruker den eldre 19B-modellen og kan generere synkronisert video og lyd. Den aktuelle LTX-2.5-familien er 22B. ComfyUI har innebygde arbeidsflyter for tekst-til-video, bilde-til-video og styring med første og siste bilderamme.
Det er imponerende, men filstørrelsene avslører maskinvarekravet. Standardpakken for 2.5 er rundt 66 GiB og er betydelig tyngre enn den eldre 19B-versjonen. Offloading til RAM eller disk og FP8-kvantisering kan hjelpe, men de tryller ikke bort all ventetiden.
LTX-2.x Community License ble endret 11. august 2026 og inneholder en omsetningsterskel som innebærer at større kommersielle organisasjoner trenger en betalt lisens. Det er enda en grunn til å kontrollere vilkårene for den nøyaktige modellversjonen før modellen brukes i en bedrift.
Sammenlign video med Gemini Omni Flash og Veo, ikke Nano Banana
Nano Banana er Googles familie for bilder. Googles gjeldende standardmodell for korte videoklipp er Gemini Omni Flash Preview. Modellen lager 3 til 10 sekunders video i 720p med lyd og kan redigeres videre i flere samtalerunder.
Veo 3.1 Preview er fortsatt relevant når du trenger høyere oppløsning eller spesifikke filmkontroller. Dokumentasjonen for Gemini API oppgir innebygd lyd, referansebilder og styring med første og siste bilderamme. 4K finnes i Veo 3.1 og 3.1 Fast for klipp på 8 sekunder, mens Lite maksimalt går til 1080p.
Lokale Wan- og LTX-arbeidsflyter gir deg egen lagring og stor kontroll. Googles modeller gir deg et ferdig, kraftig system uten at ditt eget grafikkort trenger å gjøre jobben. Det er to forskjellige kompromisser, ikke det samme produktet med ulik logo.
Hvor nær Nano Banana 2 kommer de lokale modellene?
Google bruker nå Nano Banana som fellesnavn for fire bildemodeller:
Nano Banana 2 Lite: den raskeste og billigste varianten
Nano Banana 2: allroundmodellen med 4K, flere referansebilder og tekst
Nano Banana Pro: premiumvarianten for kompleks layout, merkevarekontroll og avansert redigering
Nano Banana: den eldre Gemini 2.5 Flash Image-modellen
Ifølge Google får alle genererte bilder et usynlig SynthID-vannmerke. Nano Banana 2 og Pro kombinerer dessuten bildegenerering med Geminis språkforståelse og kan hente aktuell informasjon fra Google Search som grunnlag, noe en ren lokal bildemodell ikke kan gjøre av seg selv.
Her kommer de lokale modellene tett på
For enkelte tekst-til-bilde-oppgaver kan Z-Image-Turbo, Qwen-Image-2512 og navngitte FLUX-varianter være konkurransedyktige. Modellutviklernes egne tester viser at flere av dem hevder seg godt mot lukkede tjenester i enkelte testoppsett.
Men vær skeptisk til topplistene. Ulike testoppsett, menneskelige vurderere, prompter og modellversjoner gjør at «best» raskt blir et markedsføringsord. Det finnes ingen aktuell, uavhengig og helt sammenlignbar måling som beviser at en lokal modell generelt matcher hele Nano Banana 2-familien.
Der Google fortsatt har et tydelig overtak
Nano Banana er mer enn en bildegenerator. Du kan føre en samtale, legge inn flere referansebilder, be modellen prøve å beholde en person eller et produkt og deretter endre deler av scenen i flere trinn. Google kobler bildemodellene sammen med bred kunnskap og kan hente aktuell informasjon fra Google Search i Nano Banana 2 og Pro.
Lokalt kan du bygge tilsvarende deler med Qwen-Image-Edit-2511, ControlNet, IP-Adapter, masker, LoRA og egne noder. Resultatet kan bli mer kontrollerbart, men du må selv velge og koble sammen verktøyene. Google selger en ferdig verkstedmester. ComfyUI gir deg hele verktøyveggen og lar deg lese bruksanvisningene selv.
Her vinner lokal generering faktisk
Lokal generering har tre fordeler som en skytjeneste har vanskelig for å kopiere:
Kontroll: Du kan lagre seed, samplingsmetode, modellversjon og hele arbeidsflyten for å gjenskape kjøringen, så langt det er mulig i det samme program- og maskinvaremiljøet.
Personvern: Etter nedlasting kan en rent lokal arbeidsflyt kjøres uten at arbeidsbildene dine sendes til en ekstern bildetjeneste.
Tilpasning: Du kan bruke egne LoRA-tillegg, ControlNet, seriekjøringer og modeller uten å vente på at en leverandør bygger funksjonen.
Personvern krever fortsatt sunn fornuft. Tilpassede noder, ofte kalt custom nodes, er kode fra tredjeparter og kan ha nettverksfunksjoner. Undersøk hva du installerer, akkurat som med andre programmer.
NVIDIA, AMD eller Intel?
NVIDIA: enklest for flest arbeidsflyter
Min vurdering er at NVIDIA fortsatt er det enkleste valget hvis du vil minimere installasjonsarbeidet. Portable-versjonen av ComfyUI for Windows er bygget for NVIDIA-kort eller CPU-modus, mens AMD og Intel bruker andre installasjonsløp.
Det betyr ikke at hvert NVIDIA-kort er bedre enn hvert alternativ. For lokal AI kan et eldre kort med 24 GB være mer nyttig enn et nyere og raskere kort med 8 eller 12 GB, nettopp fordi VRAM avgjør hvor mye av en arbeidsflyt som får plass på grafikkortet.
AMD: bedre offisiell støtte, men fortsatt situasjonsavhengig
ComfyUI fikk offisiell støtte for ROCm, AMDs plattform for GPU-beregninger, i Windows i versjon 0.7.0. ComfyUIs gjeldende systemkrav beskriver støtten for AMD RDNA 3, 3.5 og 4 i Windows og Linux som eksperimentell. For AMD på Linux oppgis ROCm 7.2 både i en stabil og en daglig oppdatert testversjon.
AMDs gjeldende GPU-tabell oppgir 16 GB for Radeon RX 9070 og 9070 XT samt 24 GB for RX 7900 XTX. Det er attraktive minnemengder. Kontroller likevel at akkurat modellen, nodene og presisjonen du har tenkt å bruke, fungerer med ROCm før du kjøper et kort utelukkende for AI.
Intel: mulig, men ikke velg det blindt
ComfyUI støtter Intel Arc gjennom PyTorchs XPU-støtte for Intel-grafikk. Arc B580 har 12 GB VRAM, noe som gir plass til mindre arbeidsflyter og arbeidsflyter med offloading. Kontroller likevel støtten for hver modell og hver tilpassede node separat.
Har du allerede et Arc-kort, er det verdt å teste. Kjøper du et kort utelukkende for ComfyUI, bør du først kontrollere installasjonen og de tilpassede nodene som inngår i arbeidsflytene du planlegger å bruke.
Slik kommer du i gang uten å sette deg fast i installasjonsmyra
Kontroller VRAM og RAM. I Windows kan du se GPU-minnet i Oppgavebehandling. Sørg også for at du har rikelig med vanlig RAM hvis offloading blir en stor del av planen.
Velg riktig installasjon. ComfyUI Desktop er enklest på støttet maskinvare. Portable passer for NVIDIA i Windows. Manuell installasjon dekker flest plattformer.
Oppdater ComfyUI. Nye offisielle arbeidsflyter kan mangle i Desktop frem til de har nådd en stabil versjon.
Begynn med en mal. Velg en offisiell modellmal i biblioteket med arbeidsflyter i stedet for en tilfeldig pakke med tjue tilpassede noder.
Endre én ting om gangen. Kjør standardarbeidsflyten først. Øk deretter oppløsning, batchstørrelse eller antall bilderammer, ikke alt samtidig.
Les modellens lisens. Lisensen for ComfyUI sier ikke hva du kan gjøre med hver modell eller modellversjon.
Hvis du får CUDA out of memory eller tilsvarende, er ikke det første tiltaket å kjøpe et nytt kort. Senk oppløsningen eller antallet bilderammer, velg en mindre eller kvantisert modell, og kontroller at ComfyUI faktisk bruker offloading.
Den ærlige kjøpsanbefalingen
Ikke kjøp grafikkort etter modellnavnet du så i en demo. Begynn med arbeidsflyten din.
Mest bilder og nysgjerrig nybegynner: 8 til 12 GB er nok til å begynne med mindre arbeidsflyter eller arbeidsflyter med offloading.
Moderne bilder, redigering og færre kompromisser: 16 GB er et sterkt praktisk nivå.
Tunge bildemodeller og lokal AI som hovedinteresse: 24 GB er fortsatt svært attraktivt.
Tunge lokale videomodeller: 32 GB hjelper, men du bør likevel regne med store filer, lang ventetid og spesiallisenser.
Nano Banana 2 krever mindre forarbeid når du vil skrive en instruksjon og redigere videre med en gang. ComfyUI gir deg i stedet kontroll over prosessen, lagrede innstillinger og nøyaktig hvilke verktøy som brukes.
For mange er den beste løsningen faktisk begge deler. Bruk skyen når den multimodale intelligensen sparer tid. Kjør lokalt når du prioriterer kontroll, personvern, eksperimentering eller mange iterasjoner.
Når du sammenligner brukte grafikkort på TechFlip, bør du ikke bare se på spillytelse. For lokal AI kan mengden VRAM være viktigere enn at kortet tilhører den nyeste generasjonen.
– Emma Bergqvist
Kilder og videre lesning
Denne artikkelen er oversatt fra den svenske originalen ved hjelp av AI. Innholdet er det samme – men enkelte oversettelsesfeil kan forekomme.