Como Rodar WAN Video em 8-12 GB: Quantização GGUF, Troca de Blocos e SageAttention para placas 50-series

WAN 2.2's scripts oficiais de inferência exigem pelo menos 80 GB de VRAM em precisão total. Três técnicas da comunidade baixam isso para gigabytes únicos: quantização de peso GGUF, troca de blocos MoE e aceleração de kernel SageAttention2++. Este guia cobre o que cada técnica faz, como instalar e quais valores de parâmetro usar.

TL;DR

• Modelos WAN 2.2 quantizados GGUF (HighNoise + LowNoise) rodam via o nó customizado ComfyUI-GGUF; use Q5_K_M ou maior para o codificador de texto umt5-xxl.
• O LoRA LightX2V distila o modelo A14B para 4 passos de denoise (20x mais rápido, sem truque de CFG) — download.
• SageAttention 2.2.0 com Triton ≥ 3.0.0 dá atenção INT8 QK² + FP8 PV; exige CUDA ≥ 12.8 em placas 50-series.
• Fronteira de troca de blocos MoE: 0,900 para I2V, 0,875 para T2V (fonte).

Requisitos de instalação

Downloads de modelos — coloque na pasta de modelos do ComfyUI conforme indicado:

Quantização GGUF para baixa VRAM

GGUF substitui os pesos de modelo em precisão total por representações quantizadas compactas. Se ainda estiver decidindo o que sua placa comporta, comece com obter o VRAM certo por modelo. O nó customizado ComfyUI-GGUF carrega esses arquivos na inferência usando um nó "Unet Loader (GGUF)" em vez do carregador padrão de modelo de difusão.

Para o codificador de texto umt5-xxl, o quantizador recomenda Q5_K_M ou maior para qualidade aceitável. Quants menores ainda podem funcionar em cenários com restrições de recurso, mas o codificador é mais sensível à perda de precisão do que o backbone DiT. (fonte)

A arquitetura DiT do WAN — como Flux e SD3.5 antes dela — tolera quantização melhor do que modelos convolucionais UNet. É por isso que GGUF funciona para o WAN, onde degradaria mais anoticemente os modelos de imagem.

Os dois conjuntos de modelos GGUF (HighNoise e LowNoise) são conversões diretas dos pesos completos Wan-AI/Wan2.2-I2V-A14B. Os termos de licença originais continuam válidos. (fonte)

LoRA LightX2V: Destilação de 4 Passos

O pipeline padrão WAN 2.2 A14B usa 40 passos de denoise (confirmado na configuração oficial: sample_steps = 40). LightX2V destila isso para 4 passos sem CFG, garantindo 20x mais velocidade mantendo a qualidade de saída próxima à do modelo base. (fonte)

O adaptador LoRA tem rank 64, compatível com workflows nativos do ComfyUI e com o WanVideoWrapper do Kijai. A equipe LightX2V registra uma limitação conhecida: vídeos com movimento extremamente grande podem conter artefatos e a direção de veículos pode inverter ocasionalmente. (fonte)

Variantes de LoRA suportadas

(fonte)

SageAttention2++ em placas 50-series

SageAttention substitui o scaled_dot_product_attention padrão por kernels quantizados. A versão 2.2.0 embala SageAttention2++, que usa quantização INT8 para QK^T e FP8 para PV, com acumulação de dois níveis para preservar a precisão em operações FP8 de multiplicação e acumulação. (fonte)

Os autores afirmam 2–5x mais velocidade sobre FlashAttention sem perder métricas end-to-end em modelos de linguagem, imagem e vídeo. (fonte)

Para o WAN especificamente, o repositório envia um arquivo de plugin — example/modify_model/modify_wan.py — com uma classe SageWanAttnProcessor e um helper set_sage_attn_wan() que ajusta todos os blocos de atenção do transformer. Ele lida com atenção self (com RoPE) e com a rota de atenção cruzada I2V do contexto do codificador de imagem.

Placas 50-series exigem CUDA ≥ 12.8 e Triton ≥ 3.0.0. O guia ComfyUI do ChronoKnight (fonte) explica a instalação completa: Python 3.13.2 limpo, toolkit CUDA 12.8, Visual Studio Build Tools 2022 com workload de desktop C++, depois instalação via pip do triton-windows e sageattention dentro do Python embutido do ComfyUI. O autor marcou o guia desatualizado desde a última atualização do ComfyUI, então verifique por novas instruções.

Instalação rápida do SageAttention (Linux / ComfyUI padrão)

pip install sageattention==2.2.0 --no-build-isolation

No ComfyUI portátil Windows, use o Python embutido e adicione --use-sage-attention ao seu .bat de inicialização.

Troca de Blocos MoE

WAN 2.2 A14B usa uma arquitetura de Mixture-of-Experts com dois conjuntos de transformers — abordado em profundidade no nosso guia sobre os especialistas de alta e baixa ruído: um especialista de alta ruído para denoise inicial e um especialista de baixa ruído para fases finais. (fonte)

O WanMOE KSampler automatiza a troca entre especialistas no passo de difusão em que a relação sinal-ruído cruza 1:1. O parâmetro chave é fronteira:

• I2V: 0,900 (configuração original)
• T2V: 0,875 (fonte)

A relação entre o passo de fronteira e o passo de denoise é não-linear — depende da quantidade total de passos, do amostrador, do agendamento de ruído e do deslocamento de sigma. (fonte)

A abordagem do ComfyUI-WanVideoWrapper do Kijai é diferente: troca blocos individuais de transformers entre VRAM da GPU e RAM do sistema durante a inferência, permitindo que o modelo encaque-se bem abaixo de seu footprint nativo. Peso LoRA não mesclado agora é tratado como buffer de blocos e troca junto com os blocos. (fonte)

Configuração I2V A14B em um resumo

boundary: 0.900
sample_steps: 40
vae_stride: [4, 8, 8]
patch_size: [1, 2, 2]
dim: 5120
ffn_dim: 13824
num_heads: 40
num_layers: 40
sample_shift: 5.0
sample_guide_scale: [3.5, 3.5]

(fonte)

O que as fontes reportam sobre VRAM e velocidade

O dossiê sinalizou orçamentos de VRAM e tempos de geração como lacunas — nenhuma fonte primária dá números verificados em placas diferentes. O que os artigos da comunidade reportam:

A saída de 1440×960 @ 60 fps vem de upscaling 2× e multiplicação de frame rate 4× aplicados depois da geração base — não da inferência nativa de alta resolução. (fonte)

Ambos os fluxos do arkinson e do guia ChronoKnight para 50-series foram marcados como desatualizados pelos autores. (fontes, 13010)

Para o conjunto mais amplo de técnicas de velocidade além do trabalho low-VRAM, veja acelerar geração de vídeo local.

Erros comuns

Perguntas Frequentes

Qual nível de quantização GGUF devo usar no codificador de texto?

Q5_K_M ou maior. O repositório city96 registra que se trata de uma quantização não-matriz, então quants menores degradam mais rápido. Para setups com restrição de recurso, níveis menores "podem ainda proporcionar resultados decentes", mas Q5_K_M é a recomendação mínima explícita. (fonte)

Preciso do SageAttention ou posso pular?

SageAttention é opcional, mas significativo. Dá 2–5x velocidade no kernel de atenção. Um fluxo da comunidade (o guia RTX 3060 do arkinson) roda explicitamente sem Triton ou SageAttention, confiando apenas na troca de blocos e no LoRA LightX2V. (fonte) O guia ChronoKnight, por outro lado, considera ambos essenciais para placas 50-series. (fonte)

Qual a diferença entre o WanMOE KSampler e a troca de blocos do Kijai?

O WanMOE KSampler alterna entre os modelos especialistas de alta e baixa ruído no passo de difusão correto. A versão WanVideoWrapper do Kijai troca blocos de transformers entre a RAM do sistema e a VRAM para reduzir o uso de VRAM. Eles resolvem problemas distintos e podem ser combinados. (fontes, kijai/ComfyUI-WanVideoWrapper)

Quais amostradores são suportados nesses fluxos?

Os fluxos da comunidade tendem a usar os amostradores euler e uni_pc. (fonte)

O LoRA LightX2V funciona com modelos quantizados GGUF?

O fluxo TwoMoreLurker envia uma variante Flash ao lado da variante GGUF padrão, o que sugere compatibilidade. Ambos carregam pelo mesmo carregador Unet GGUF. (fonte)