ComfyUI

ComfyUI

ローカルAIのSSD・メモリ選びは「どこに効くか」が重要|VRAMとの役割分担を見極める

ローカルAIで速いSSDが効くのは主にモデルの読み込み時です。VRAM容量はモデルが収まるかを決め、生成速度はデコードなら主にVRAM帯域、プリフィルや画像生成ならGPU演算性能が左右します。SSD・メモリ・VRAMの役割分担を実測で整理します。
ComfyUI

AI用PCの電源(PSU)選び方|RTX 50世代の必要ワット数・12V-2×6・80 PLUSと「容量」と「電気代」の分け方

AI用PCの電源(PSU)選び方を実務目線で解説。容量はGPUのTGPではなくNVIDIA推奨システム電力(RTX 5080=850W/5060 Ti=600W・2026年7月時点)とトランジェント余裕で決めます。12V-2x6・ATX 3.1・80 PLUS効率と、「電源容量」と「電気代」を分けて考えるコツまで。
ComfyUI

Krea 2をローカルで動かす要件とライセンス|12B画像モデルの必要VRAMと量子化(ComfyUI)

Krea 2は12Bのオープンウェイト画像モデル(RAW/Turbo)。無量子化のBF16は本体26.3GBと大きく24GBにも収まらず、現実的な下限は32GBのRTX 5090級。16GBはFP8量子化で対応。ライセンスは年商100万ドル未満なら商用可など条件付き。
ComfyUI

Ideogram 4.0をローカルで動かす要件とライセンス|9.3BオープンウェイトをComfyUIで実行する

Ideogram 4.0は9.3Bのオープンウェイト画像モデル。FP8構成は合計約30GB前後で、VRAM 16GBでも動く範囲にある。ただし重みは非商用ライセンスで、収益化サイトへの生成画像の利用は別途許諾が要る。ローカル実行の構成とライセンスの線引きを配布元の条文に沿って整理する。
ComfyUI

ComfyUI用の画像モデルGGUFをggufyで自作する|SDXL量子化のサイズ・VRAM・速度を実測

ComfyUIで使う画像モデルのGGUF量子化版を、単体ツールggufyで自作する手順と実測。SDXLでサイズ・所要時間・RAM(約90MB/ComfyUI内ノードは96GB+)を計測し、ComfyUIで実生成してVRAMと生成速度も実測。
ComfyUI

ComfyUIをPython不要・APIなしで自動化する方法|非エンジニアでもできる辞書式自動化入門

ComfyUIの自動化はPythonやAPIがなくても始められる。非エンジニア向けに、プロンプトやseed・steps・cfgを1行のテキストにまとめてノードへ配る「辞書式自動化」を、最小構成から応用、チャットAIでの整形まで実例付きで解説する。LTX系の動画生成プロンプトの実例も収録。
ComfyUI

FLUX.2 Klein 9BをVRAM 16GBで実測|RTX 5080・5060 TiでQ8_0 GGUFの速度とVRAMを比較

Black Forest LabsのFLUX.2 Klein 9BをQ8_0 GGUF量子化でVRAM 16GBのRTX 5080とRTX 5060 Tiで実測。1024px・4ステップを1枚約8秒(5080)/14.5秒(5060Ti)で生成し、VRAM・消費電力・GPU使用率をseed付きで比較した。
ComfyUI

Anima 2BでLoRAを学習する方法|TrainFlow・Citron・Standaloneを目的とVRAMで比較

Anima 2B 用の LoRA を自分で学習しようとすると、トレーナーが何種類も見つかって、どれを選べばいいのか迷いやすいところです。Anima TrainFlow、Citron、Anima Standalone Trainer、それに動...
ComfyUI

DiffusionGemmaとは|拡散方式の高速LLMをRTXローカルで動かす要件

DiffusionGemmaとは、テキストをブロック単位で並列に生成する拡散方式のオープンな言語モデルです。Google DeepMindが実験的モデルとして公開し、NVIDIAがGeForce RTX・DGX Spark向けに最適化。従来の逐次生成とは異なる高速なテキスト生成をローカルPCで実現する仕組みと要件を解説します。
AI動画生成

ComfyUIのアップスケールはRAMを67GB食う|ComfyUI外でESRGANを動かしRAM1.4GB・2倍速にする方法

ComfyUIで動画を4KアップスケールするとRAMを67〜77GB消費し、潤沢なメモリと長い処理時間が要る。本記事ではComfyUIを使わずspandrelでESRGANを直接動かし、フレーム逐次処理でメモリを一定(実測1.4GB)・処理を2倍以上高速にする方法を、動くコードと総当たり実測付きで解説する。