3.3 Sprzęt: ile VRAM naprawdę potrzebujesz

Sprzęt to obszar, w którym porady w tej branży są najmniej użyteczne, bo udzielają ich ludzie pracujący na sprzęcie, który dostali albo mogą odpisać od kanału zarabiającego na recenzjach.

Dobra wiadomość jest taka, że szczerą odpowiedź można podać krótko. Liczy się jedna liczba — VRAM — i tier, na którym cię stawia. Reszta jest drugorzędna.

[AS OF 2026-10] Ceny kart i stawki w chmurze się zmieniają. Progi tierów poniżej pochodzą z relacji praktyków, a nie z obietnic kart katalogowych. [UNVERIFIED]

Liczba, która decyduje o wszystkim

VRAM to sufit tego, co możesz załadować naraz. Model, text encoder, VAE, wejścia warunkujące i pośrednie latent(y) siedzą w nim jednocześnie. Gdy brakuje pamięci, oprogramowanie albo przenosi dane do RAM-u systemowego — co działa i jest kilkakrotnie wolniejsze — albo się wywala.

Trzy zdania od praktyków opisują obecny stan lepiej niż jakakolwiek karta katalogowa:

• 24 GB to realne minimum robocze do lokalnego generowania wideo i do treningu LoRA na współczesnych modelach bazowych. Nie komfortowe minimum, a punkt wejścia.
• 16 GB nie wystarcza do tej pracy. Uruchomi modele obrazowe z przenoszeniem do RAM-u, ale nie wytrenuje artefaktu tożsamości, którego potrzebujesz.
• 12 GB wystarcza na Z-Image, SDXL i modele klasy Klein, oraz „może FLUX z kwantyzacją” — co jest uczciwym opisem tieru wejściowego.

Wzorzec, który warto zauważyć: tier, który uruchamia obrazy, to nie ten sam tier, który uruchamia twój biznes. Różnicę między maszyną zdolną do obrazów a workflow zdolnym do persony stanowi trening i render wideo, a oba leżą o jeden tier wyżej.

Co realnie uruchamia każdy tier

Wiersz 24 GB zasługuje na szczegóły, bo to konfiguracja, którą ta książka zakłada. Na karcie klasy 4090 z 90 GB RAM-u systemowego render 6-sekundowego image-to-video zajmuje około 1 do 2 minut. [UNVERIFIED] To liczba, którą warto zapamiętać: nie „czy to ruszy”, ale ile czasu kosztuje cię pojedynczy asset, bo twoja częstotliwość publikowania jest jej funkcją.

Kwantyzacja: granica, o której nikt nie mówi

Skwantyzowane formaty modeli — GGUF i jego krewniacy — kompresują wagi, żeby zmieścić więcej modelu w mniejszym VRAM-ie. Q8, Q6, Q5, Q4, każdy mniejszy i każdy mniej wierny.

Zasada warta napisania na ścianie: poniżej Q8 jakość spada zauważalnie, i spada najpierw dokładnie w tym detalu, którego nie możesz stracić — drobna struktura twarzy, faktura skóry, krawędzie włosów. [UNVERIFIED]

To ma większe znaczenie w tej książce niż w ogólnym generowaniu obrazów, bo personę ocenia się po tym, czy twarz się trzyma. Poziom kwantyzacji, który daje piękny pejzaż i lekko woskowatą twarz, jest stratą netto dla pipeline'u persony.

Trzy praktyczne stanowiska:

• Q8 to minimum przy generowaniu krytycznym dla tożsamości. Jeśli do zmieszczenia potrzebujesz niższej kwantyzacji, jesteś na złym tierze do tego zadania.
• Niższa kwantyzacja jest w porządku do szkiców, teł, b-rolla i miniatur — pracy, w której twarz nie jest tematem.
• Kwantyzacja nie zastąpi wynajęcia większej karty na jedno popołudnie. Trening to $2 do $14. Miesiąc walki z kruchą konfiguracją, żeby tego uniknąć, to zły interes.

Sprzęt towarzyszący, o którym się zapomina

VRAM jest na pierwszym planie, ale to nie cała maszyna.

RAM systemowy. 32 GB to praktyczne minimum obok 24 GB VRAM-u. 90 GB albo więcej zaczyna mieć znaczenie, gdy modele przenoszą się do RAM-u albo dzielą między VRAM i RAM; przywołany wyżej benchmark 6-sekundowego wideo zakłada ten zapas. Zaniżony RAM to najczęstsza przyczyna tego, że złożony komputer wypada słabiej, niż pozwala karta.

Dysk. Wagi modeli są duże: checkpoint klasy FLUX w pełnej precyzji to ponad 20 GB, modele wideo są porównywalne albo większe, a przy eksperymentach nazbierasz po kilka z każdego. Do tego archiwa wyników — tysiące wyrenderowanych assetów po kilka megabajtów każde szybko robi się setkami gigabajtów. Dysk NVMe 2 TB to praktyczne minimum, a rozdział 3.6 opisuje strukturę, która nie pozwala mu zamienić się w wysypisko.

Prąd. System o mocy 450 W pracujący cztery godziny dziennie to około 1,8 kWh na dobę, czyli gdzieś między $0,30 a $0,50 dziennie przy typowych stawkach domowych. [AS OF 2026-10] Nie decyduje o niczym, ale warto to wiedzieć, porównując z cenami w chmurze.

Dwie ścieżki sprzętowe, które wyglądają lepiej, niż są

Dwie konfiguracje przewijają się w każdym wątku społeczności i obie mają haczyk, który warto znać, zanim wydasz pieniądze.

Laptop gamingowy z dużym VRAM-em. Uruchomi to oprogramowanie, ale nie jest odpowiednikiem karty desktopowej z tą samą liczbą na pudełku. Utrzymaną przepustowość renderu regulują temperatury i limity poboru mocy, a laptop, który dobrze wypada w dziewięćdziesięciosekundowym teście, może się zdławić w godzinnym treningu. Przenośność jest prawdziwa. Różnica w utrzymywanej szybkości też. [UNVERIFIED]

Używana karta enterprise albo workstation z 24 GB. To najtańsza legalna droga do tieru roboczego i realna opcja dla jednoosobowego operatora. Haczyk tkwi w szczegółach: chłodzenie dmuchawowe jest głośne, pobór mocy i wymagania dotyczące złączy są wyższe niż w karcie konsumenckiej, a wsparcie sterowników na starszych generacjach może odstawać od nowych frameworków. To dobry interes dla kogoś, kto zniesie hałas i sprawdzi zgodność frameworków przed zakupem. Zły interes dla kogoś, kto chce maszynę zachowującą się jak urządzenie AGD.

Apple Silicon, który zasługuje na osobną uwagę. Pamięć zunifikowana sprawia, że maszyna z 24 GB albo więcej pomieści modele, które nie zmieściłyby się w porównywalnie wycenionej karcie dyskretnej, a wydajność jest naprawdę dobra. Granice leżą gdzie indziej: ekosystem narzędzi jest mniej dojrzały, wsparcie treningu węższe i wolniejsze niż na CUDA, a praca z wideo na modelach open-weight jest co najwyżej eksperymentalna. [UNVERIFIED] To sensowna maszyna do generowania obrazów i słaba do tej części rozdziału 4.5, która opiera się na treningu. Jeśli już ją masz, zacznij na niej i wynajmij CUDA do treningu. Jeśli kupujesz konkretnie do tej pracy, kup raczej tabelę tierów.

Wynajem kontra zakup

Najpierw stawki w chmurze:

• RunPod: około $0,50 do $2,00 za godzinę dla klasy 4090 i wyżej, zależnie od tieru.
• vast.ai: często podawany jako około jednej trzeciej tego, ze znacznie większym tarciem przy konfiguracji — społeczność sama opisuje to doświadczenie słowami: konfiguracja to „pain”.
• Hostowany trening LoRA — fal.ai i podobne — około $2 w cenie bazowej za przebieg treningu. [AS OF 2026-10]

Teraz arytmetyka. Karta 24 GB albo maszyna zbudowana wokół niej kosztuje gdzieś między $1 600 a $3 500. Przy $0,50 za godzinę ta suma kupuje 3 000 do 7 000 GPU-godzin — czyli miesiące pracy bez przerwy albo lata dwugodzinnych dni.

To porównanie wygląda rozstrzygająco, dopóki nie dodasz warunków, które pomija:

• Opóźnienie. Wynajem oznacza wgrywanie wag modelu albo czekanie na obraz kontenera, w każdej sesji. Lokalnie model jest już załadowany. W workflow opartym na małych iteracjach to tarcie jest kosztem.
• Objętość. Pobieranie 20 GB idzie przez twoje łącze, wielokrotnie, na wynajętym sprzęcie.
• Prywatność. Dane treningowe zostają u ciebie albo nie zostają.
• Przestoje. Żadnej awarii u dostawcy, żadnego limitu zapytań, żadnej zmiany ceny.

Uczciwa reguła decyzyjna: