Wan 2.2 cần bao nhiêu VRAM? Đo trên RTX 3090

Trên card 24GB, bản gốc Wan2.2 A14B không chạy được (hết VRAM), còn bản gốc 5B chạy được nhưng sát trần: đỉnh 24.096MiB trên 24.576MiB, phải bật expandable_segments và mất 21,4 phút cho một clip 5 giây. Chuyển sang ComfyUI với model fp8 thì chạy được cả bản 14B, VRAM đỉnh khoảng 21 đến 24GB, và chỉ mất 110 giây một clip khi bật LoRA 4 bước. Mình đo tất cả trên một máy RTX 3090 thuê ở AIDev Cloud ngày 17/10/2026.

Những điều cần nắm trước khi đọc bảng:

• Repo gốc ghi rõ A14B cần "at least 80GB VRAM" khi chạy một GPU. Trên RTX 3090, nó báo CUDA out of memory sau 347 giây.

• Bản 5B của repo gốc chạy đủ 50 bước rồi mới hết VRAM ở bước giải mã VAE. Bật PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True là qua.

• ComfyUI chạy 14B fp8 ở 640×640 mất 992 giây với 20 bước mặc định, còn 110 giây khi bật LoRA 4 bước, nhanh khoảng 9 lần.

• Gói RTX 3090 Standard 53GB RAM là đủ cho 14B fp8: sau khi chạy, RAM dùng 38GB.

• Card 12GB và 16GB mình chưa đo, nên bài không đưa số cho hai loại card này.

Đo trên máy thật: máy nào, phiên bản nào, đo thế nào?#

Mọi số trong bài đo ngày 17/10/2026 trên hai máy AIDev Cloud cùng card:

Hai cách chạy được đo:

• Bản gốc: repo Wan-Video/Wan2.2 commit 1ea34ff, torch 2.8.0+cu128, flash_attn 2.8.3.post2, chạy generate.py. Thời gian tính cả lệnh, từ lúc gõ đến lúc ra file video (hoặc báo lỗi).

• ComfyUI 0.41.0, torch 2.14.1+cu130, model đóng gói lại của Comfy-Org trên Hugging Face. Mình gửi workflow qua API, thời gian lấy từ mốc execution_start đến execution_success mà ComfyUI tự ghi. Server đã mở sẵn, nhưng model vẫn nạp trong lúc chạy.

VRAM đỉnh, công suất và RAM lấy bằng một vòng lặp đọc nvidia-smi và free mỗi giây trong lúc chạy:

while true; do
  nvidia-smi --query-gpu=memory.used,power.draw,utilization.gpu --format=csv,noheader,nounits >> $L.gpu
  free -m | awk '/Mem:/{print $3}' >> $L.ram
  sleep 1
done

Clip 5 giây ở đây nghĩa là: bản 5B ra 121 khung 24fps, bản 14B ra 81 khung 16fps. Cả hai đều là mặc định của model.

Bảng đo Wan 2.2 VRAM và thời gian trên RTX 3090#

Trừ hai dòng ghi "máy Standard", mọi dòng đo trên máy Pro. Ảnh đầu vào của các lần chạy 14B và 5B I2V là một tấm bánh mì chụp ngang 1280×963.

Công suất đỉnh của card ở các dòng đo trên máy Pro đều quanh 365 đến 373W. Ô RAM để trống là lần đó mình không ghi RAM. RAM đo bằng free -m rồi đổi ra GB nhị phân (1GB = 1.024MB), cùng đơn vị với con số 53GB máy báo.

Cột VRAM đỉnh là mức chương trình đã dùng trên card 24GB. Card nhỏ hơn chưa chắc đã cần chừng đó. Log khởi động của ComfyUI 0.41 báo DynamicVRAM support detected and enabled, nên chạy 14B mà VRAM lên tới 24GB thì cũng chưa nói được là card nhỏ hơn sẽ không chạy.

Không có card 24GB ở nhà thì thuê RTX 3090 theo giờ trên AIDev Cloud để chạy đúng cấu hình trong bảng: máy sẵn sàng sau khoảng 75 đến 97 giây, xong việc trả máy là dừng tính tiền.

Vì sao bản gốc A14B cần 80GB còn ComfyUI chạy được trên 24GB?#

Ở bản gốc, A14B gồm hai expert 14B: một expert lo các bước đầu nhiều nhiễu (high noise), một expert lo các bước sau (low noise). Theo dung lượng file trên trang Wan-AI ở Hugging Face, mỗi expert nặng khoảng 57GB, cả bộ I2V-A14B gần 126GB. README của repo gốc ghi thẳng mức cần là "at least 80GB VRAM" khi chạy một GPU.

Mình vẫn thử, với các cờ tiết kiệm mà README gợi ý cho bản 5B trên card 24GB, thêm cả expandable_segments:

PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
python generate.py --task i2v-A14B --size 832*480 --offload_model True \
  --convert_model_dtype --t5_cpu --ckpt_dir ./Wan2.2-I2V-A14B --image banh-mi.jpg --prompt "..."

Kết quả: 347 giây sau thì hết VRAM, đúng lúc đưa một expert lên GPU, RAM máy lúc đó lên 67GB. Lỗi nguyên văn ở mục bên dưới.

ComfyUI dùng bản đóng gói lại của Comfy-Org: mỗi expert 14B ở dạng fp8_scaled chỉ còn 14,29GB. Danh sách file mình tải cho bản I2V 14B và 5B:

ComfyUI không giữ cả hai expert trên GPU cùng lúc. Trong lần chạy 20 bước, mình thấy nó đổi từ expert high sang low ở bước 10, và lần đổi đó hiện "Model Initializing" khoảng 1 đến 2 phút. Một expert 14,29GB cộng phần tính toán thì vừa 24GB, nên 14B chạy được trên RTX 3090.

Bản 5B gốc thì nhẹ hơn nhiều: khoảng 34,2GB gồm DiT 20GB, T5 11,4GB và VAE 2,8GB. README ghi nó chạy được trên card "at least 24GB VRAM (e.g, RTX 4090)" với ba cờ --offload_model True --convert_model_dtype --t5_cpu. Trên RTX 3090 thì chưa đủ, phải thêm một biến môi trường nữa.

Lỗi hết VRAM khi chạy bản gốc trên RTX 3090#

Bản 5B: OOM ở bước VAE decode sau gần 20 phút#

Mình chạy đúng lệnh trong README cho TI2V-5B, độ phân giải 1280×704:

python generate.py --task ti2v-5B --size 1280*704 --offload_model True \
  --convert_model_dtype --t5_cpu --ckpt_dir ./Wan2.2-TI2V-5B --prompt "..."

Phần lấy mẫu chạy êm: 17,1 đến 17,4 giây mỗi bước, 50 bước hết 14 phút 27 giây, VRAM khoảng 21,6GB. Đến lúc giải mã ra video thì đổ:

torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.60 GiB. GPU 0 has a total capacity of 23.56 GiB of which 832.31 MiB is free. Including non-PyTorch memory, this process has 22.74 GiB memory in use. Of the allocated memory 18.43 GiB is allocated by PyTorch, and 3.96 GiB is reserved by PyTorch but unallocated. If reserved but unallocated memory is large try setting PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True to avoid fragmentation.

Lỗi nằm ở dòng videos = self.vae.decode(x0) trong wan/textimage2video.py. Code đã đẩy model chính về CPU và dọn cache trước bước này, nên phần ăn VRAM chủ yếu là VAE giải mã 121 khung 720p. Để ý con số 3,96 GiB "reserved but unallocated": bộ nhớ còn đó nhưng bị chia vụn, không đủ một khối liền 2,6 GiB.

Cách sửa là làm đúng gợi ý trong thông báo lỗi:

export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
python generate.py --task ti2v-5B --size 1280*704 --offload_model True \
  --convert_model_dtype --t5_cpu --ckpt_dir ./Wan2.2-TI2V-5B --prompt "..."

Lần này ra video 1280×704, 121 khung, 7,0MB, tổng 1.283 giây. VRAM đỉnh 24.096MiB, chỉ còn cách trần 480MiB. Chạy được, nhưng sát trần như vậy thì mình ngại dùng cho việc thật.

Bản A14B: OOM khi đưa expert lên GPU#

Với A14B, expandable_segments không cứu được, vì lần này bộ nhớ không bị chia vụn mà card đã đầy thật:

torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 50.00 MiB. GPU 0 has a total capacity of 23.56 GiB of which 6.31 MiB is free. Including non-PyTorch memory, this process has 23.54 GiB memory in use. Of the allocated memory 23.24 GiB is allocated by PyTorch

Lần xin thêm 50MiB đã không còn chỗ: PyTorch giữ 23,24 GiB mà expert vẫn chưa nạp xong. Trên card 24GB, A14B chỉ chạy được qua bản fp8 của ComfyUI. Cách cài từ máy trắng mình viết ở bài cài Wan 2.2 trên ComfyUI.

LoRA 4 bước nhanh hơn bao nhiêu, clip có xấu đi không?#

Workflow mẫu video_wan2_2_14B_i2v của ComfyUI mặc định tắt LoRA 4 bước: chạy 20 bước, CFG 3.5, đổi expert ở bước 10. Bật công tắc enable_turbo_mode (bên trong là nhóm "Enable 4steps LoRA?") thì còn 4 bước, CFG 1, đổi expert ở bước 2. LoRA này là Wan2.2-Lightning của lightx2v.

Cùng ảnh bánh mì, cùng 640×640: 20 bước mất 992 giây (khoảng 48,7 giây mỗi bước), bật LoRA còn 110 giây. Nhanh khoảng 9 lần.

Bản 20 bước có máy quay chuyển động rõ hơn. Bản LoRA 4 bước chuyển động nhẹ hơn, nhưng vẫn giữ nguyên hình bánh mì, rau, ớt và giấy gói. Cả hai bị cắt mất hai đầu bánh mì, vì mẫu ép ảnh ngang về khung vuông 640×640. LoRA không gây ra lỗi này.

VRAM đỉnh khi bật LoRA lại cao hơn: 23.924MiB so với 21.270MiB. Với ảnh sản phẩm cần ra nhanh, mình chọn LoRA. Khi cần máy quay đi nhiều hơn thì chạy 20 bước và chấp nhận chờ lâu gấp 9.

Lên độ phân giải cao thì tốn thêm bao nhiêu thời gian?#

Vẫn 14B fp8 + LoRA 4 bước, cùng ảnh bánh mì:

• 736×544 (khoảng 480p, giữ tỉ lệ ảnh gốc): 111 giây, VRAM đỉnh 24.116MiB.

• 1280×960: 655 giây, VRAM đỉnh 24.116MiB.

Số điểm ảnh tăng khoảng 3,1 lần, còn thời gian tăng khoảng 5,9 lần. VRAM đỉnh cả hai lần đều chạm sát trần card (24.116MiB) vì ComfyUI tự dồn model vào chỗ trống, nên con số này không cho biết 1280×960 cần thêm bao nhiêu VRAM. Thứ đo được rõ là thời gian. Mình chỉ chạy 1280×960 cho clip đã chốt prompt, còn lúc thử prompt thì để 480p.

Vì sao ComfyUI 5B nhanh hơn bản gốc gần 4 lần?#

Cùng prompt bát phở, cùng 1280×704 và 121 khung: bản gốc 1.283 giây, ComfyUI 341 giây. Phần lớn chênh lệch đến từ số bước: bản gốc mặc định 50 bước, workflow mẫu của ComfyUI chạy 20 bước (sampler uni_pc).

Phần còn lại là chi phí riêng của bản gốc. Mỗi lần chạy, bước "Creating WanTI2V pipeline" mất khoảng 80 đến 95 giây vì log in Fetching 33 files và tải lại tokenizer google/umt5-xxl từ Hugging Face. Cờ --t5_cpu đưa T5 bf16 xuống CPU: mình xem bằng py-spy thì nó kẹt ở phép einsum trong wan/modules/t5.py, chỉ dùng khoảng một nhân (91% CPU), mất vài phút chỉ để mã hóa prompt.

Nhanh hơn thì phải đổi lại gì đó. Bản gốc 50 bước cho clip có nắng, hơi nước, dòng nước dùng đúng prompt. Bản ComfyUI 20 bước tối hơn và ít chi tiết hơn rõ khi đặt cạnh nhau.

Nếu chỉ dùng 5B thì mình vẫn chọn ComfyUI, rồi tăng số bước trong workflow khi cần đẹp hơn. Chạy ComfyUI 5B ở 50 bước thì mình chưa đo, nên không đưa số.

Chạy lần thứ hai có nhanh hơn không?#

Trên RTX 3090 thì không. Mình chạy lại khi model đã nạp, chỉ đổi seed:

Lý do với 14B: mỗi lần chạy, ComfyUI vẫn đổi qua lại hai expert 14B, nên không giữ sẵn được cả hai. Có một bẫy khi đo: chạy lại y hệt workflow, cùng seed, thì ComfyUI trả luôn kết quả cũ trong cache, chỉ 1,2 đến 3 giây. Con số đó không phải tốc độ thật, muốn đo lần 2 phải đổi seed.

Workflow mẫu của ComfyUI có ghi chú số đo trên RTX 4090D 24GB: fp8 640×640 khoảng 536 giây lần 1 và 513 giây lần 2, bật LoRA 4 bước khoảng 97 giây và 71 giây. Mình chép lại từ ghi chú đó, AIDev chưa đo trên card này. Trên RTX 3090, mình không thấy lần 2 nhanh hơn như vậy.

Chạy Wan 2.2 cần bao nhiêu RAM?#

Gói RTX 3090 Standard ghi 55GB RAM, trong máy thấy 53GB, và chừng đó là đủ cho 14B fp8. Mình chạy script cài trên máy Standard sạch, tạo một clip 14B + LoRA rồi xem: RAM used 38GB trên 53GB. Sau đó vẫn trên máy Standard này, mình chạy liền 5 clip 14B + LoRA và một clip 20 bước, không lần nào thiếu RAM.

Bản gốc thì khác. TI2V-5B với --t5_cpu lên 37,4GB RAM, vẫn vừa Standard. I2V-A14B lên 67GB RAM trước khi hết VRAM, vượt RAM của gói Standard. Muốn thử bản gốc A14B thì cần gói Pro, dù trên card 24GB nó vẫn không chạy.

Card 12GB hoặc 16GB có chạy được Wan 2.2 không?#

Mình chưa đo trên card 12GB hay 16GB, nên không có số cho hai loại card này.

Mình đã thử giả lập card 16GB trên RTX 3090 bằng cách bảo ComfyUI chừa lại 8GB:

python main.py --listen 127.0.0.1 --port 8188 --reserve-vram 8

Log vẫn báo:

Set vram state to: NORMAL_VRAM

Clip 14B + LoRA 736×544 chạy hết 115 giây, VRAM đỉnh 24.122MiB, không khác chạy thường. Cờ này không giới hạn được VRAM theo kiểu mình cần, nên mình bỏ cả phần giả lập, không chạy mức 12GB, và không đưa số giả lập nào vào bài.

Về card nhỏ, tài liệu Wan 2.2 của ComfyUI viết: "The Wan2.2 5B version should fit well on 8GB vram with the ComfyUI native offloading." Câu này là của tài liệu, AIDev chưa đo. Nếu card của bạn 8 đến 16GB, cứ thử bản 5B trước, và chuẩn bị tinh thần chờ lâu hơn số trong bảng.

Mỗi clip tốn bao nhiêu tiền máy?#

Cách tính: thời gian đo được nhân với giá giờ của gói đã chạy (RTX 3090 Standard 15.000đ/giờ, Pro 17.000đ/giờ, giá đọc ngày 17/10/2026), làm tròn đến 10đ. Không tính thời gian cài đặt, tải model và thời gian máy ngồi chờ.

AIDev Cloud tính theo giờ, giờ lẻ làm tròn lên một giờ. Vì vậy tiền mỗi clip chỉ đúng khi bạn chạy nhiều clip liền một phiên. Chạy một clip rồi trả máy thì vẫn trả trọn một giờ. Bảng giá từng gói và cách tính tiền chi tiết có ở bài giá thuê GPU theo giờ.

Khi nào không nên tự chạy Wan 2.2 trên GPU thuê?#

• Bạn chỉ cần một hai clip mỗi tháng. Thời gian cài và tải khoảng 47GB model đã hơn 14 phút, cộng làm tròn giờ thì mỗi clip lẻ đắt hơn nhiều so với bảng trên.

• Bạn cần A14B hay S2V-14B chạy bằng code của repo gốc. Repo ghi mức 80GB VRAM cho cả hai, card 24GB không chạy. S2V và Animate qua ComfyUI thì mình chưa đo.

• Clip cần chữ đọc được đến hết, như bìa sách hay logo. Trong xưởng video chạy trên máy Standard, chữ trên bìa sách giữ nét ở 2/3 đầu clip rồi biến mất khi máy quay zoom vào.

• Bạn có card 8 đến 16GB ở nhà và muốn biết trước tốc độ. Bài này chưa có số đó, đừng lấy số trên RTX 3090 để suy ra.

Câu hỏi thường gặp#

RTX 3090 24GB có chạy được Wan 2.2 14B không?#

Chạy được qua ComfyUI với model fp8 của Comfy-Org: 992 giây một clip 640×640 khi chạy 20 bước, 110 giây khi bật LoRA 4 bước. Bản gốc A14B của repo Wan-Video thì không chạy, báo hết VRAM sau 347 giây.

Bảng Wan 2.2 VRAM này có dùng được cho RTX 4090 không?#

Mình chưa đo trên RTX 4090. Workflow mẫu của ComfyUI có ghi chú số trên RTX 4090D 24GB (536 giây không LoRA, 97 giây có LoRA ở 640×640), gần với số mình đo trên RTX 3090 ở cấu hình LoRA. VRAM đỉnh trên RTX 4090 thì mình chưa đo.

Nên chọn bản 5B hay 14B?#

Với ảnh sản phẩm thành clip, mình chọn 14B fp8 + LoRA 4 bước: 107 đến 124 giây một clip ~480p và giữ đúng hình sản phẩm. Bản 5B hợp khi cần 720p 24fps từ prompt chữ, mất 341 giây trong ComfyUI ở 20 bước.

Có cần gói Pro 110GB RAM không?#

Không cần cho ComfyUI. Gói Standard 53GB RAM chạy 14B fp8 với RAM dùng 38GB. Gói Pro hợp khi bạn muốn thử bản gốc, vì A14B gốc lên tới 67GB RAM.

Vì sao chạy lại cùng workflow chỉ mất 3 giây?#

ComfyUI thấy workflow và seed y hệt lần trước nên trả lại kết quả trong cache, không chạy lại. Muốn có clip mới hoặc muốn đo tốc độ thì đổi seed.

Đọc tiếp#

• Wan 2.2 là gì: tạo video AI mã nguồn mở trên GPU 24GB: 5 model, bản nào tải được, chạy ở đâu.

• Cài Wan 2.2 trên ComfyUI bằng một script: từ máy trắng đến clip đầu tiên trong 14,2 phút.

• Giá thuê GPU theo giờ: bảng giá từng gói và số đo trên P40, RTX 3090, V100.

• GPU là gì: VRAM là gì, vì sao model video cần nhiều VRAM.

• Wan 2.2 I2V: tạo video từ ảnh: chạy hàng loạt ảnh sản phẩm thành clip, prompt mẫu.

• AI Local: chạy LLM và AI tạo ảnh trên máy bạn: chọn card, thuê hay mua GPU để chạy AI trên máy riêng.

Muốn chạy lại đúng các số trong bài? Thuê RTX 3090 24GB trên AIDev Cloud, cài Wan 2.2 bằng script ở bài cài đặt, chạy xong tải clip về rồi trả máy.

Đo ngày 17/10/2026 trên máy AIDev Cloud RTX 3090 24GB (driver 610.43.02, CUDA 13.3, Xeon E5-2696 v4), gói Pro 110GB RAM (máy báo 107GB) và gói Standard 55GB RAM (máy báo 53GB), Ubuntu 24.04. ComfyUI 0.41.0, torch 2.14.1+cu130; bản gốc Wan2.2 commit 1ea34ff, torch 2.8.0+cu128.