要点
16GBのカード 1 枚で通る。ただし VRAM の増え方は 1 回目と 2 回目以降で別物になり、モデルが載っていない 1 回目の増分は約 10,300MiB、モデルが載ったままの 2 回目以降では 288〜1,280MiBに収まる。回を重ねてピークが積み上がることはない。
ファイル合計 15.03GBでも収まる。4 つのファイルを同時に VRAM へ置いていないためである。テキストエンコーダは符号化のあとに解放できるというモデルカードの記載と、実測は食い違わない。
導入には前提がある。Anima に対応した ComfyUI 本体と専用ノードが要る。対応が無ければ、ファイルを落とす前に本体を更新する。
乗り換えで分かるのは代償の側だけである。ここで分かるのは生成時間・VRAM・RAM がどれだけ増えるかまでで、画質については、手元の題材で見比べる作業が残る。
数字はすべて RTX 5080 と RTX 5060 Ti の 2 枚・1216×832・40ステップでの測定によるもので、画質は測っていない。
16GBのカード1枚で動くか
Anima 3.8B は、Anima 2.9B の層を 52 ブロックまで広げた拡散モデルである。モデルカードには、広げた結果として拡散モデルがおよそ 3.8B パラメータになり、それがそのまま呼び名になったと書かれている。テキストエンコーダの Qwen3.5 4B はこの 3.8B に含まれない別の部品だとも明記されている。公開しているのは lylogummy で、元の Anima を公開している circlestone-labs による後継ではない。別の公開者が手を加えた拡張にあたる。
VRAM 16GBのカードで問題になる点は 2 つある。ファイル合計が 15.03GBあることと、Anima 本来のエンコーダに加えて Qwen3.5 4B をもう 1 つ読む構成になっていることである。RTX 5080 16GB 1 枚で 1216×832・40ステップを 3 回回したところ、いずれも生成が完走し、VRAM ピークは最大でも 12,918MiBだった。容量の面では 16GBに収まる。
VRAM の容量ごとに何が動くかという全体像はComfyUI推奨スペック実測ガイド｜VRAM 8・12・16GBとメモリ・CPUで扱っている。
40ブロックから52ブロックへ — 何が足されたのか
モデルカードの記述では、Anima 3.8B の DiT は 52 ブロックで、内訳は元からある 40 ブロックに 12 ブロックを足したものである。配布ファイルのテンソル名を数えても同じ構成である。
足された 12 ブロックはモデルの終わりにまとめて積まれているのではなく、3 から 47 まで等間隔に差し込まれている。配布された checkpoint の safetensors メタデータには、差し込んだ位置と元のブロック番号との対応、それに拡張の手法名 (LLaMA-Pro 方式の交互挿入) が記録されている。モデルカードの本文にはこの対応表は載っていないため、確認するには配布ファイルを開くことになる。
配布ファイルのテンソル表からブロックごとのパラメータを集計すると、元からあるブロックと差し込まれたブロックはほぼ同じ大きさである。
| 区分 | 数 | 合計パラメータ | 1 ブロックあたり |
|---|---|---|---|
| 元からあるブロック | 40 | 28.52億 | 7,130万 |
| 差し込まれたブロック | 12 | 8.47億 | 7,060万 |
接続部の 6.53億と、埋め込みなどブロックに属さない 5,300万は、ブロックごとの集計には入っていない。なおここでいう接続部の 6.53億は、checkpoint 内で Semantic Connector に属するテンソルを集計した値である。専用ノードの説明は接続部を 608M と表記しており、数え方の範囲が同じとは限らない。
接続部の扱いは配布のたびに変わっている。現在は接続部と DiT が 1 つの推論用チェックポイントにまとまっており、以前のように接続部を別ファイルで選ぶ操作は無い。強度を調整する項目も無く、学習時の強度である 1.0 が常に使われると説明されている。
差し込みによって、ブロック番号の並びは元のモデルと変わっている。LoRA のようにブロック番号を前提に当てるものがどう振る舞うかは本記事で測っていないため判断できない。言えるのは、番号の対応が変わっているという構造の話までである。
一式で何GB要るのか
動かすのに要るファイルは 4 つある。パラメータ数は配布ファイルのテンソル表を数えた値で、ファイルサイズは配布元の表示による。
| ファイル | 置き場所 | サイズ | パラメータ | 内訳 |
|---|---|---|---|---|
| Anima 3.8B (DiT + 接続部) | diffusion_models | 8.81GB | 44.05億 | DiT 37.52億 + 接続部 6.53億 |
| Qwen3.5 4B テキストエンコーダ | text_encoders | 4.78GB | — | Anima 3.8B が追加で使う |
| Qwen3 0.6B テキストエンコーダ | text_encoders | 1.19GB | — | Anima 本来のエンコーダ |
| Qwen Image VAE | vae | 0.25GB | — | 画像の復号 |
| 4 つの合計 | — | 15.03GB | — | 4 つを同時に載せた場合に要る最低量 |
| 参考: Anima aesthetic v1.1 (28 ブロック) | diffusion_models | 4.18GB | 20.91億 | ブロック 0〜27 |
diffusion_models に置く 1 ファイルには DiT と接続部の両方が入っており、内訳は区分ごとの集計のとおり DiT が大部分を占める。数えた値はファイルの中身であって、動作時のメモリ使用量ではない。
合計の 15.03GBは、VRAM の表示に合わせると 14.0GiBにあたる。実測のピークはそこを下回る 12,918MiBで止まっており、4 つが同時に VRAM へ載っている状態にはなっていない。モデルカードには、テキストエンコーダはプロンプトを符号化するときだけ必要で、そのあとは解放または退避できると書かれている。実測はこの記載と食い違わない。ただし生成中に何が解放されたかまでは測っていないので、ピークが合計を下回った原因をここで特定することはできない。
ピークの値がそのまま必要量にならない話はMiniMax Music 3をVRAM 16GBで動かす｜RTX 5080実測、ピークVRAMは必要量ではないでも扱っている。
RTX 5080で40ステップ回したときの推移
同じプロンプトとシードのまま 3 回続けて生成した結果を並べる。
| 回 | 生成時間 | VRAMピーク | 開始前のVRAM | VRAM増分 | RAMピーク | RAM確保量ピーク |
|---|---|---|---|---|---|---|
| 1回目 | 51.28秒 | 12,918MiB | 2,621MiB | 10,297MiB | 16.74GiB | 59.29GiB |
| 2回目 | 38.76秒 | 11,724MiB | 11,436MiB | 288MiB | 16.74GiB | 28.61GiB |
| 3回目 | 39.15秒 | 12,594MiB | 11,390MiB | 1,204MiB | 16.74GiB | 47.02GiB |
1 回目と 2 回目以降では、同じ列でも意味が変わる。1 回目はモデルが載っていない状態から始まるので開始前の VRAM が低く、増分が 10,297MiBまで伸びる。2 回目以降はモデルが載ったままなので、開始前の値が高い代わりに増分は 288MiBと 1,204MiBにとどまる。開始前の値と増分の大小が入れ替わる形になり、ピークどうしは 12,918MiBを上限とする狭い範囲に収まる。回を重ねてピークが積み上がっていく動きは出ていない。
生成時間は 1 回目の 51.28秒に対して 2 回目以降が 38.76秒と 39.15秒で、1 回目には読み込みの分が乗っている。
表の VRAM はカード全体の使用量で、デスクトップの描画に使われている分を含む。増分は開始直前の値との差である。RAM の 2 列は読み方が別になるため、後段のシステム RAM の節で扱う。
Anima aesthetic v1.1 と並べる
ここで並べる相手は拡張元ではない。Anima 3.8B が広げたのは 40 ブロックの Anima 2.9B で、比較に使う Anima aesthetic v1.1 は 28 ブロックの別の枝にあたる。したがって次の比較が示すのは、いま Anima aesthetic v1.1 を使っている環境が Anima 3.8B へ移ったときにどれだけ増えるかであって、ブロックを 12 足したことの効果ではない。
| モデル | 回 | 生成時間 | VRAMピーク | 開始前のVRAM | VRAM増分 | RAMピーク |
|---|---|---|---|---|---|---|
| Anima 3.8B | 1回目 | 51.28秒 | 12,918MiB | 2,621MiB | 10,297MiB | 16.74GiB |
| Anima 3.8B | 2回目 | 38.76秒 | 11,724MiB | 11,436MiB | 288MiB | 16.74GiB |
| Anima 3.8B | 3回目 | 39.15秒 | 12,594MiB | 11,390MiB | 1,204MiB | 16.74GiB |
| Anima aesthetic v1.1 | 1回目 | 23.34秒 | 8,847MiB | 2,682MiB | 6,165MiB | 9.11GiB |
| Anima aesthetic v1.1 | 2回目 | 19.24秒 | 8,807MiB | 8,167MiB | 640MiB | 9.12GiB |
| Anima aesthetic v1.1 | 3回目 | 19.32秒 | 8,769MiB | 8,161MiB | 608MiB | 8.96GiB |
どの回でも Anima 3.8B のほうが時間・VRAM・RAM のすべてで上回る。1 回目の増分では 10,297MiBと 6,165MiBの開きがあり、Anima 3.8B が 2 回目以降に示すピークは Anima aesthetic v1.1 が 1 回目に示すピークを超えている。
揃えたのは解像度・ステップ数・CFG・サンプラ・スケジューラ・プロンプト・シードまでで、読み込みの経路とテキストエンコーダの構成は揃っていない。Anima 3.8B は Qwen3.5 4B を追加で読む。差の全部をブロック数の違いに帰することはできない。
同じ16GBでも下位のカードだとどうなるか
同じモデル一式とワークフローを、Oculink で接続した RTX 5060 Ti 16GBでも回している。
| カード | 回 | 生成時間 | VRAMピーク | 開始前のVRAM | VRAM増分 |
|---|---|---|---|---|---|
| RTX 5080 | 1回目 | 51.28秒 | 12,918MiB | 2,621MiB | 10,297MiB |
| RTX 5080 | 2回目 | 38.76秒 | 11,724MiB | 11,436MiB | 288MiB |
| RTX 5080 | 3回目 | 39.15秒 | 12,594MiB | 11,390MiB | 1,204MiB |
| RTX 5060 Ti | 1回目 | 97.41秒 | 10,182MiB | 114MiB | 10,068MiB |
| RTX 5060 Ti | 2回目 | 73.45秒 | 10,118MiB | 8,838MiB | 1,280MiB |
| RTX 5060 Ti | 3回目 | 73.29秒 | 10,118MiB | 8,838MiB | 1,280MiB |
1 回目のピークは 12,918MiBと 10,182MiBで、2,736MiB離れている。ところが開始前の値を引いた増分は 10,297MiBと 10,068MiBで、差は 229MiBしかない。ピークの差 2,736MiBは、開始前の差 2,507MiBと増分の差 229MiBの和でおおむね説明が付く。
開始前の値がこれだけ違うのは、RTX 5080 が画面出力を抱えているためである。RTX 5080 は VRAM 1.5GBを予約する設定でも起動しているが、この予約は ComfyUI に使わせない枠を決めるもので、確保されて使用量に計上される量ではない。揃っていない条件ではあるが、ピークが高く出た理由には当たらない。
増分が揃うのは 1 回目に限った話でもある。2 回目以降の増分は RTX 5080 が 288MiBと 1,204MiB、RTX 5060 Ti が 1,280MiBで、こちらは揃っていない。開始前に何がどれだけ載ったままかが回ごとに違うため、増分だけを見て一致すると言えるのは 1 回目についてである。
速度は別の話になる。生成時間は RTX 5060 Ti のほうが長いが、接続が Oculink で帯域が違い、画面出力の有無も違う。GPU そのものの差として読める測定にはなっていない。ここから持ち帰れるのは、容量の面では RTX 5060 Ti 16GBでも通るという点までである。
システムRAMは実使用と確保量を分けて見る
先に測り方を示す。RAM ピークは ComfyUI のプロセスツリーが実際に使った量のピークで、OS と常駐ソフトの分は含まない。RAM 確保量ピークは、プロセスが確保した枠のピークである。確保した枠と実際に使った量は一致しない。
| モデルとカード | 回 | RAMピーク | RAM確保量ピーク |
|---|---|---|---|
| Anima 3.8B / RTX 5080 | 1回目 | 16.74GiB | 59.29GiB |
| Anima 3.8B / RTX 5080 | 2回目 | 16.74GiB | 28.61GiB |
| Anima 3.8B / RTX 5080 | 3回目 | 16.74GiB | 47.02GiB |
| Anima 3.8B / RTX 5060 Ti | 1回目 | 15.52GiB | 27.77GiB |
| Anima 3.8B / RTX 5060 Ti | 2回目 | 15.55GiB | 46.05GiB |
| Anima 3.8B / RTX 5060 Ti | 3回目 | 15.55GiB | 49.85GiB |
| Anima aesthetic v1.1 / RTX 5080 | 1回目 | 9.11GiB | 16.74GiB |
| Anima aesthetic v1.1 / RTX 5080 | 2回目 | 9.12GiB | 17.19GiB |
| Anima aesthetic v1.1 / RTX 5080 | 3回目 | 8.96GiB | 17.06GiB |
実使用のピークはカードごとに分かれる。RTX 5080 で回した Anima 3.8B は 3 回とも 16.74GiBに張り付き、RTX 5060 Ti では 15.52〜15.55GiBだった。同じモデル一式でも約 1.2GiBの違いが出ている。
搭載量の判断に直すと、ComfyUI のプロセスだけで 16.74GiBに達する以上、システム RAM 16GBの機体は OS と常駐ソフトの分を足した時点で収まらなくなる。Anima aesthetic v1.1 の実使用は 8.96〜9.12GiBにとどまる。乗り換えで増えるのは VRAM だけではない。
確保量ピークは同じ設定の繰り返しでも大きく振れる。RTX 5080 での Anima 3.8B は 59.29GiB・28.61GiB・47.02GiBと 3 回で倍以上の開きがあり、搭載量の目安に使える値ではない。実使用のピークと分けて見る必要がある。
導入で要るもの — 確認する順に
本体が対応していないとファイルを置いても読み込みが始まらないため、確認はダウンロードより先になる。
1. ComfyUI 本体が Anima に対応しているか確認する
ノードの説明では、Anima にネイティブ対応した ComfyUI を使うこと、対応モジュール (comfy.ldm.anima) が無い場合は先に本体を更新することが求められている。落とすファイルは合計 15.03GBあるので、ここを確かめてから取りかかる順序になる。
2. 専用のノードを入れる
本体の対応だけでは足りず、Anima 3.8B 用のノード群を別に入れる必要がある。導入すると 4 つのノードが登録される。
3. 4 つのファイルを配置する
ファイルは 1 か所にまとまっていない。入手元が 2 つに分かれる。
| ファイル | 置き場所 | 入手元 |
|---|---|---|
| Anima-3.8B-v1.1.safetensors (DiT + 接続部) | models/diffusion_models | Anima 3.8B の配布元 |
| qwen35_4b.safetensors | models/text_encoders | Anima 3.8B の配布元 |
| qwen_3_06b_base.safetensors | models/text_encoders | 元の Anima の配布元 |
| qwen_image_vae.safetensors | models/vae | 元の Anima の配布元 |
ファイル名には注意が要る。モデルカードが挙げているのは Anima-3.8B-v1.1.safetensors (8,809,227,318 バイト) で、ノードの説明は同じものを Anima-3.8B-v2.safetensors と書いている。2 つの資料で名前が食い違っているが、配布元のファイル一覧に実在するのは v1.1 のほうで、v2 という名前のファイルは置かれていない。同じ場所には接続部を含まない旧ファイル (Anima-3.8B.safetensors、7,504,189,974 バイト) もあるため、名前の見た目だけで選ぶと接続部の入っていないものを取ることになる。
4. 設定の出発点を合わせる
モデルカードが出発点として挙げているのは、1MP 相当の解像度、CFG 4〜7、28〜50ステップ、サンプラに res_multistep、スケジューラに Beta という組み合わせである。上限や下限ではなく推奨の起点として書かれている。本記事の測定もこの範囲に入る 1216×832・CFG 6・40ステップで回している。
ライセンス
呼び分けを先に決めておく。本記事で「配布元」は Anima 3.8B を公開している lylogummy を、「元の配布元」は Anima を公開している circlestone-labs を指す。条件は 3 層に分かれている。
付属する ComfyUI 向けコード
配布元は MIT と記載している。
モデル本体
モデルカードには、このモデルが Anima-base と Anima 2.9B のライセンスに由来し依存するため、元のライセンスに従うようにと書かれている。従う先として名指しされているのはこの 2 つで、条件そのものは元の配布元の記載で確かめる。
生成した画像
元の Anima は非商用ライセンスだが、生成した画像は商用に使えると元の配布元が明記している。この明記をしているのは元の配布元であって、Anima 3.8B の公開者ではない。また、モデルそのものの提供形態 (API を立てて課金するなど) と、生成物の扱いは別の条件になる。
条件は 1 つではない点にも注意が要る。元の配布元は、自らのモデルが NVIDIA の Cosmos-Predict2-2B-Text2Image の派生モデルにあたるため NVIDIA Open Model License Agreement の対象でもあると記載している。用途を決めるときは、元のモデルのライセンス表記をその時点で確認することになる。
この記事の測り方と、測っていないこと
本記事の実測値は 2026 年 9 月 14 日・ComfyUI 0.31.1 での測定に基づく。基準は RTX 5080 16GB 1枚で、比較のため RTX 5060 Ti 16GB 1枚でも同じモデル一式とワークフローを回している。
| 測定 | 環境 |
|---|---|
| Anima 3.8B / RTX 5080 | RTX 5080 16GB 1枚 (画面出力に使用・VRAM 1.5GBを予約して起動) / ComfyUI 0.31.1 / PyTorch 2.9.1+cu128 / Anima 3.8B (BF16) + Qwen3.5 4B + Qwen3 0.6B + Qwen Image VAE / 1216×832 / 40ステップ / CFG 6 / res_multistep + beta / シード 12345 / 3回 |
| Anima aesthetic v1.1 / RTX 5080 | RTX 5080 16GB 1枚 (画面出力に使用・VRAM 1.5GBを予約して起動) / ComfyUI 0.31.1 / PyTorch 2.9.1+cu128 / Anima aesthetic v1.1 (28 ブロック・BF16) + Qwen3 0.6B + Qwen Image VAE / 1216×832 / 40ステップ / CFG 6 / res_multistep + beta / シード 12345 / 3回 |
| Anima 3.8B / RTX 5060 Ti | RTX 5060 Ti 16GB (Oculink 接続・画面出力に使っていない) 1枚 / ComfyUI 0.31.1 / PyTorch 2.9.1+cu128 / RTX 5080 の測定と同じモデル一式とワークフロー / 1216×832 / 40ステップ / CFG 6 / res_multistep + beta / シード 12345 / 3回 |
| ファイル構成とパラメータ | 配布ファイルのテンソル表を読んで数えた値 (BF16・1要素あたり2バイト)。ファイルサイズは配布元の表示 |
測っていない項目を挙げる。
- 画質は評価していない。
- LoRA を当てた状態では測っていない。既存の LoRA が当たるかどうかも確かめていない。
- 他のカード・他の解像度・他のステップ数では測っていない。
- ファイル構成とパラメータの集計は配布ファイルを数えた値で、動作時のメモリ使用量ではない。
- RTX 5060 Ti の測定は Oculink 接続によるもので、カード直挿しとは帯域が違う。
LoRA の学習も本記事の範囲外になる。学習に要る条件はAnima 2BでLoRAを学習する方法｜TrainFlow・Citron・Standaloneを目的とVRAMで比較で、学習用ツールそのものの要件はAnima TrainFlow とは｜6GB VRAM から動く Anima 2B 用 LoRA トレーナーの動作要件と仕組みで扱っている。
よくある質問
VRAM 16GBより少ないカードでも動くか
測っていないため、動くとも動かないとも言えない。判断材料になるのは実測の水準で、モデルが載った状態の開始前 VRAM は 8,838〜11,436MiB、生成中のピークは 3 回を通じて 10,118〜12,918MiBの範囲だった。手元のカードの容量から画面出力などに使われている分を引き、残りがこの水準に届くかを見るところまでが、本記事の測定から言える範囲である。
元の Anima を公開しているところが出したものか
公開者が違う。Anima 3.8B の配布ページの公開者名は lylogummy で、元の Anima を公開しているのは circlestone-labs である。ライセンスの記載も、モデル本体は Anima-base と Anima 2.9B の条件に従うという形になっている。
3.8B という数字にテキストエンコーダは含まれるか
含まれない。モデルカードによれば 3.8B は 52 ブロックへ広げた拡散モデルの呼び名で、Qwen3.5 4B は推論時に別に読む部品として扱われている。ディスク上でも 2 つは別のファイルになる。
手持ちの LoRA はそのまま当たるか
本記事は LoRA を当てた測定をしていないため、当たるかどうかは確かめていない。分かっているのは、12 ブロックが 3 から 47 の位置に差し込まれてブロック番号の対応が変わっているという構造だけである。
システム RAM は 16GBで足りるか
足りない。ComfyUI のプロセスツリーだけで RAM ピークが 16.74GiBに達しており、この値には OS と常駐ソフトの分が含まれていない。RTX 5060 Ti でも ComfyUI だけで 15.52〜15.55GiBに達しているので、OS と常駐ソフトの分を足せば 16GBの環境には収まりにくい。
