Z-Imageの必要VRAM
FP16・FP8・GGUF・解像度別の早見表
Z-Image(Alibaba (Tongyi-MAI) / 本体 6.2B / 汎用)をローカルで動かすのに必要なVRAMを、本体＋テキストエンコーダ＋作業領域から計算しました。 諸元は配布元の公開データから取得しています。
あなたのPCで動くか
あなたのPC検出中…GPUを自動検出中…VRAM 8GBメモリ 16GBWindows
他のPCで試す
解像度1024×1024px
あなたの環境(VRAM 8GB)での判定
- DFP16/BF1613.5GBかなり遅い
- BFP87.7GBぎりぎり載る
- CQ8_08.1GB動くが遅い
- AQ5_K_S6.0GB快適に動く
- AQ4_K_S5.4GB快適に動く
テキストエンコーダは本体と入れ替えで載せる前提(ComfyUI 等の既定の動作)で計算しています。S〜F のランクの意味はトップページに一覧があります。
他のモデルも一括で判定するならローカル画像生成チェッカーへ。
必要VRAMの早見表
| 重みの持ち方 | 512px | 1024px(標準) | 1536px | 2048px |
|---|---|---|---|---|
| FP16/BF1616bit/重み | 12.5GB | 13.5GB | 15.1GB | 17.3GB |
| FP88bit/重み | 6.8GB | 7.7GB | 9.3GB | 11.5GB |
| Q8_08.53bit/重み | 7.2GB | 8.1GB | 9.7GB | 11.9GB |
| Q5_K_S5.55bit/重み | 5.0GB | 6.0GB | 7.6GB | 9.8GB |
| Q4_K_S4.66bit/重み | 4.4GB | 5.4GB | 6.9GB | 9.1GB |
テキストエンコーダは本体と入れ替えで載せる前提(ComfyUI 等の既定の動作)で計算しています。全部を同時に載せる場合は、この表に テキストエンコーダ分(3.7GB、8bit時)がおおむね上乗せされます。
モデルの構成
- 本体: DiT(Transformer) / 6,154,908,736 パラメータ(6.2B)
- テキストエンコーダ: Qwen3 4B(4.0B)
- VAE: 84M
- 標準の生成解像度: 1024×1024px
- ライセンス: apache-2.0
- GGUF 版の配布: unsloth/Z-Image-GGUF
出典: Tongyi-MAI/Z-Image(各 safetensors ファイルのヘッダに記録されたテンソルの形から要素数を数えた値)。ライセンスや利用条件は配布元をご確認ください。
同じ用途の他のモデル
- PixArt-Σ本体 611M
- Stable Diffusion 1.5本体 860M
- Stable Diffusion 3.5 Medium本体 2.5B
- SDXL 1.0本体 2.6B