技能提升网
很多打算在本地搭建 Stable Diffusion 或 Flux 的同行和学员，经常跑来问我：“老师，我手头有六七千预算，买哪张卡出图最划算？”或者“我这台游戏本能不能跑得动最新的画图大模型？”
其实，本地跑 AI 绘画的选卡逻辑，和我们平时打游戏、剪辑视频的逻辑完全不同。买显卡如果按照传统游戏帧率跑分的思路去选，十有八九会花冤枉钱。
一、核心选卡原则：显存容量绝对优先于核心算力
打游戏时，核心频率高、CUDA 核心多，画面帧率就高；哪怕显存差个 2G，无非是材质分辨率稍微调低一档。
但在本地部署 AI 绘画时，显存容量（VRAM）是决定能不能跑的“入场券”，核心算力（CUDA Core / Tensor Core）只是决定跑得快不慢的“秒表”。
注意看底层运行机制：
AI 生图每次出图，必须把底模权重、VAE 编解码器、文本编码器（如 CLIP、T5）、ControlNet 插件以及生图过程中的采样计算缓存完整加载进显存。
•一旦显存溢出（Out of Memory, OOM），程序会直接弹红字报错崩溃。
•如果开启了共享内存兜底，模型参数会被强行挤压到电脑的系统内存（DDR4/DDR5）中运算，数据吞吐速度断崖式下跌，原来 5 秒一张图，直接变成 3 分钟一张。
当前主流画图模型对显存的刚性门槛如下：
1.Stable Diffusion 1.5：老牌经典模型，参数量 10 亿。6GB 显存即可流畅跑图，8GB 显存可以自由开启高分辨率修复（Hires.fix）。
2.SDXL / Pony 系列：商业绘图与二次元创作主流主力，参数量约 35 亿。8GB 显存是底线（必须配合内存卸载），12GB 显存属于舒适区，配合多个 ControlNet 也能稳定产出。
3.Flux.1（Dev / Schnell）：目前细节表达和文字排版顶尖的开源模型，参数量高达 120 亿。原生 FP16 精度仅底模就需要 23.8GB 显存。即便利量化为 FP8 或 NF4 格式，底模也需占用约 11GB 到 13GB 显存，再加上文本编码器 T5-XXL，16GB 显存才是日常顺畅使用的基准线。
二、主流显卡实测与分级选型指南
在架构和品牌选择上，直接给明确结论：现阶段只选 NVIDIA（N卡）。
虽然 AMD 显卡和 Intel 显卡性价比看似诱人，但开源社区基于 CUDA、cuDNN、PyTorch 和 TensorRT 构建，A 卡在 Windows 环境下的 DirectML 驱动兼容性与速度差距悬殊，故障排除成本极高，极易打击学习热情。
以下为目前市场主流 N 卡在 AI 绘画工作流中的实测表现与选型对照表：
| 显卡型号 | 显存容量 / 位宽 | 核心架构 | 适用工作流 | 512×512 出图速度 (it/s) | 选购预算与建议 |
|---|---|---|---|---|---|
| RTX 3060 | 12GB / 192bit | Ampere | SD 1.5 全功能、SDXL 基础出图、Flux(量化版)体验 | 8~10 it/s | 预算 1800-2000 元。平民神器，显存给得足，性价比最高。 |
| RTX 4060 | 8GB / 128bit | Ada Lovelace | SD 1.5 全功能、SDXL 轻度出图 | 10~12 it/s | 不推荐。8GB 显存太小，极易爆显存，不如选 3060 12G。 |
| RTX 4060 Ti | 16GB / 128bit | Ada Lovelace | SDXL 深度生产、Flux.1 Dev(FP8/NF4)主力跑图 | 12~14 it/s | 预算 3200-3500 元。目前万元以内性价比最高的生产力甜点卡。 |
| RTX 4070 Super | 12GB / 192bit | Ada Lovelace | SDXL 高速批量出图、Flux.1(GGUF量化版) | 18~22 it/s | 预算 4800-5000 元。算力充沛但显存稍显尴尬，兼顾重度 3A 游戏。 |
| RTX 4070 Ti Super | 16GB / 256bit | Ada Lovelace | Flux.1 全流程、SDXL 批量商用、LoRA 基础微调 | 24~28 it/s | 预算 6200-6600 元。满血 256bit 位宽，大显存与高算力兼备。 |
| RTX 3090 (二手) | 24GB / 384bit | Ampere | Flux.1 原生全精度、大模型 LoRA 训练、批量并发 | 18~22 it/s | 预算 4500-5200 元。显存巨无霸，但二手矿卡水极深，需具备鉴别能力。 |
| RTX 4090 / 4090D | 24GB / 384bit | Ada Lovelace | 专业商业工作室、工业级工作流搭建、全场景通用 | 35~45 it/s | 预算 15000-18000 元。预算充足一步到位的顶级硬件。 |
选卡梯队落地决策建议：
•预算 2000 元内：闭眼选 RTX 3060 12GB。虽然它的核心运算速度比不过 40 系，但 12GB 显存能让你把 SDXL 和 Flux 量化版跑通，跑通比跑得快更重要。
•预算 3000-4000 元：首选 RTX 4060 Ti 16GB。不要买 8G 版本，必须咬牙上 16G。在运行 ComfyUI 加载 Flux 工作流时，这张卡是能够稳定执行完整文生图流程的最低门槛。
•预算 6000 元以上：主推 RTX 4070 Ti Super 16GB。256bit 的显存位宽相比 4060Ti 的 128bit 翻了一倍，数据吞吐瓶颈彻底打通，出图等待时间缩短一半以上。
三、装机木桶理论：别让这些配套硬件拖后腿
很多学员把钱全砸在显卡上，结果其他配件成了严重瓶颈，导致频繁死机、加载模型极慢。
1. 内存（RAM）：32GB 起步，玩 Flux 建议直接拉到 64GB
很多人以为显卡显存够大，内存就无所谓。其实大错特错。
当运行像 Flux.1 这样的大模型时，庞大的文本编码器（如 9GB 的 `t5xxl_fp16.safetensors`）在显存不足时需要被调度到系统内存中等待交换。
•16GB 内存：极易在加载模型瞬间爆内存导致闪退。
•32GB 内存（16G×2 双通道）：运行 SDXL 和基础量化大模型的标配。
•64GB 内存（32G×2 双通道）：如果要高强度玩 Flux.1、训练 LoRA 或后台多任务并行，直接上 64GB DDR4/DDR5，目前内存价格相对稳定，这笔支出非常划算。
2. 硬盘：必须选用 NVMe M.2 固态硬盘（PCIe 4.0）
一个 SDXL 模型 6.6GB，一个 Flux 模型 12GB 到 24GB，常用的 LoRA 动辄数百兆。
如果把模型放在机械硬盘（HDD）或普通的 SATA 固态硬盘里，每次在 WebUI 或 ComfyUI 里切换模型，光是读取权重文件就要耗费两三分钟。
•选配建议：至少 1TB，推荐 2TB 的 PCIe 4.0 NVMe M.2 固态硬盘。模型读取仅需 3 到 5 秒，体验差异显著。
3. 电源：必须预留瞬时功耗冗余
N 显卡在启动采样计算的瞬间，会产生高于额定功耗 1.5 到 2 倍的峰值瞬时电流（Transient Spikes）。
•搭配 RTX 4060 Ti：建议额定功率 650W 铜牌/金牌电源。
•搭配 RTX 4070 Ti Super：建议额定功率 750W~850W ATX 3.0 金牌电源。
•搭配二手 RTX 3090：功耗发热极大，务必配备 850W~1000W 优质金牌电源。
四、装机选型必看的五大典型误区
误区一：拿传统游戏帧率思维挑显卡
很多游戏玩家觉得“RTX 3070 算力强于 RTX 3060，那我买 3070 肯定更顺畅”。
大错特错。
RTX 3070 只有 8GB 显存，遇到复杂的 SDXL 多 ControlNet 节点或者 Flux，直接抛出内存不足报错罢工；而旁边的 RTX 3060 凭借 12GB 显存稳稳出图。在 AI 绘图领域，8GB 的 3070 生产力价值远低于 12GB 的 3060。
误区二：贪便宜盲目抄底二手 RTX 3090
RTX 3090 确实拥有诱人的 24GB 大显存，而且二手价格常年在 4500-5000 元徘徊。
但是一定要清醒：市面上绝大多数二手 3090 都历经长时间重度高温高负荷工况。3090 采用正反面各 12 颗显存布局，背面的 12 颗显存缺乏主动散热，温度经常飙到 100℃ 以上，显存颗粒极易老化、虚焊甚至出现暗病。如果没有专业测卡工具和拆机检修经验，新手极易买到“点亮两周就黑屏”的报废卡。
误区三：企图用轻薄本或游戏本替代台式机
部分学员想用笔记本随时随地生图。
需要明确两点物理现实：
1.移动端显存缩水：笔记本端的 RTX 4060 Laptop 和 4070 Laptop 都被死死限制在 8GB 显存，只有极高价位的 4080 Laptop（12GB）和 4090 Laptop（16GB）才具备大显存。
2.功耗墙与过热降频：AI 生图是让显卡持续跑满满载负荷。笔记本散热模组狭小，连续出图不到十分钟就会触发温度墙降频，风扇啸叫刺耳，生成效率大幅下滑。
误区四：迷信“AMD 显存便宜所以买 A 卡”
经常有人在论坛说“AMD RX 6750GRE 12G 只要两千不到，买它不香吗？”
再次强调：千万别买来做主力 AI 绘画机。
在 Windows 平台上，缺少 NVIDIA 的 Tensor Core 驱动支持，各类主流 WebUI 整合包、插件生态对 ROCm 和 DirectML 的支持非常残缺。你买回来后，大半时间不会花在创作上，而是花在排查报错代码、折腾虚拟环境与改写驱动上。
误区五：忽视机箱空间与显卡尺寸
现在的 40 系列显卡散热器体积非常庞大，RTX 4070Ti Super 及以上规格基本都是 3 槽厚度、长度在 30cm 到 33cm 之间。很多朋友装机买了小型紧凑机箱（M-ATX 或 ITX），显卡到货后发现根本塞不进去，或者硬塞进去后贴着侧板，散热完全无法循环。
五、实操落地：显存优化启动参数与运行 SOP
买好硬件安装好环境后，必须通过科学的配置参数把硬件潜力压榨到位。以下给出经过一线测试验证的标准配置代码与优化方案。
1. SD-WebUI 显存优化启动参数配置
打开你的 WebUI 根目录下的 `webui-user.bat` 文件，右键编辑，在 `set COMMANDLINE_ARGS=` 这一行按显存档次填入对应参数：
针对 8GB 显存显卡（如 RTX 2060S / 3070 / 4060）：
# 核心配置与实现逻辑示意
# set COMMANDLINE_ARGS=--xformers --medvram-sdxl --opt-split-attention --autolaunch作用说明：`–medvram-sdxl` 可以让 SDXL 运行时的模型权重分阶段切入显存，避免爆显存；`–xformers` 大幅度降低显存占用并提高出图计算效率。
针对 12GB/16GB 显存显卡（如 RTX 3060 / 4060Ti 16G / 4070Ti S）：
# 核心配置与实现逻辑示意
# set COMMANDLINE_ARGS=--xformers --opt-channelslast --autolaunch作用说明：显存空间充足时，无需开启激进的卸载选项，`–opt-channelslast` 能优化张量内存排列格式，加快推理处理进程。
2. ComfyUI 运行 Flux 模型实操避坑 SOP
在 ComfyUI 中加载 12B 参数的 Flux 模型时，按照以下标准工作流操作，可以避免显存溢出：
1.底模选型：
•16GB 显存用户，下载 `flux1-dev-fp8.safetensors` 或使用最新社区量化的 GGUF 格式（如 `flux1-dev-Q8_0.gguf`）。
•12GB 显存用户，下载使用 `flux1-dev-Q4_K_M.gguf`。
2.文本编码器分离加载：
在工作流中不要直接加载体积超大的合并版模型。使用双文本编码器节点（DualCLIPLoader），将 `clip_l.safetensors` 与量化版 `t5xxl_fp8_e4m3fn.safetensors` 分开加载，能将显存峰值直接缩减 5GB 以上。
3.节点显存释放设置：
在 ComfyUI 启动脚本中加入低内存管理参数：
# 核心配置与实现逻辑示意
# python main.py --windows-standalone-build --lowvram或者在遇到显存吃紧时，改用 `–novram` 强制由系统内存动态调度中间张量。
按照这套标准去挑选硬件和调试软件，无论是面对 SD 1.5 的快速出图、SDXL 的商业设计，还是应对高精度的 Flux 工作流，整套生产环境都能保持稳定高效，杜绝任何由于硬件不匹配导致的死机和返工。
