Для нейросетей на своём компьютере главный параметр — объём видеопамяти, а не скорость видеокарты. 12 ГБ хватает на SDXL и Flux в сжатом виде, 16 ГБ — рабочий уровень для картинок и языковых моделей до 20–30 млрд параметров, а 70B и новые крупные модели требуют 24–48 ГБ или долгих компромиссов. Лучше брать NVIDIA: под CUDA всё запускается из коробки, а у AMD на Windows это работает, но с оговорками.
Почему всё решает видеопамять
Нейросеть — это огромный набор чисел (весов), и чтобы она работала быстро, все эти веса должны лежать в памяти видеокарты. Пока модель целиком помещается в видеопамять, видеокарта считает на полной скорости. Как только часть весов уезжает в оперативную память, скорость падает в разы: шина PCIe и ОЗУ намного медленнее видеопамяти.
Отсюда главное правило покупки: из двух карт одного бюджета для нейросетей почти всегда лучше та, у которой больше гигабайт. В играх видеопамять — один из параметров, подробно об этом в статье сколько видеопамяти нужно в 2026 году. В локальном ИИ это жёсткий порог: модель либо влезла, либо работает через силу, либо не запускается вовсе.
Объём весов считается просто: модель на 8 млрд параметров в 16-битном формате занимает около 16 ГБ, в 8-битном — около 8 ГБ, в 4-битном — 4,5–5 ГБ. Сверху добавляется рабочий буфер: для картинок это промежуточные данные генерации, для языковых моделей — кэш контекста, который растёт с длиной переписки.
Картинки: сколько нужно под SDXL, Flux и их наследников
Генерация изображений — самый частый сценарий. Ориентиры для 2026 года по распространённым моделям в ComfyUI и похожих программах такие.
| Модель | Формат | Сколько видеопамяти | На какой карте комфортно |
|---|---|---|---|
| Stable Diffusion 1.5 | полный | 4–6 ГБ | любая с 8 ГБ |
| SDXL и модели на его основе | полный | 8–12 ГБ | 12 ГБ, с LoRA и апскейлом — 16 ГБ |
| Flux.1 dev | GGUF Q4 | 6–8 ГБ | 8 ГБ, но с потерей мелких деталей |
| Flux.1 dev | FP8 или GGUF Q8 | 12–14 ГБ | 16 ГБ |
| Flux.1 dev | полный (16 бит) | около 24 ГБ | 24 ГБ и больше |
| Flux.2 dev (32 млрд параметров) | FP8 | около 32 ГБ | 32 ГБ или 24 ГБ с выгрузкой в ОЗУ |
Цифры — диапазоны: многое зависит от разрешения, числа LoRA, ControlNet и от того, держит ли программа текстовый кодировщик в видеопамяти. ComfyUI умеет выгружать часть модели в оперативную память, поэтому на 12 ГБ Flux запускается и в FP8, только медленнее.
Практический вывод: 8 ГБ — вход для SDXL и сжатого Flux, 12 ГБ — минимум, на котором не приходится постоянно ужимать модели, 16 ГБ — уровень, где Flux.1 работает в нормальном качестве с LoRA и апскейлом. Для Flux.2 в полном размере и для генерации видео нужны 24–32 ГБ.
Языковые модели: 7B, 13B, 70B и квантование
Локальные чат-модели запускают через LM Studio, Ollama или llama.cpp, обычно в сжатом (квантованном) формате GGUF. Самый ходовой вариант — Q4_K_M: качество почти как у оригинала, а места нужно примерно 0,6 ГБ на миллиард параметров с учётом рабочего буфера.
| Размер модели | Q4 (4 бита), с контекстом 8K | Q8 (8 бит) | Что ставить |
|---|---|---|---|
| 7–8B | 5–7 ГБ | 9–10 ГБ | 8 ГБ хватает, 12 ГБ — с запасом на длинный контекст |
| 12–14B | 9–11 ГБ | 15–17 ГБ | 12 ГБ впритык, 16 ГБ комфортно |
| 24–32B | 15–23 ГБ | 26–36 ГБ | 24B влезает в 16 ГБ, 32B — уже 24 ГБ |
| 70B | около 45 ГБ | около 75 ГБ | две карты по 24 ГБ или профессиональная на 48 ГБ |
Длинный контекст стоит отдельных гигабайт: если вы загружаете в модель документы на десятки страниц, кэш контекста может добавить несколько гигабайт сверху. Поэтому модель, которая «впритык» влезла с коротким диалогом, на длинном тексте начнёт выгружаться в ОЗУ.
Модели MoE меняют расчёт
Многие свежие модели построены по схеме MoE (смесь экспертов): весов много, но на каждый ответ работает только их часть. Пример — gpt-oss-20b: в родном формате ей нужно около 14 ГБ, и она нормально живёт на карте с 16 ГБ. Старшая gpt-oss-120b весит около 65 ГБ, но llama.cpp умеет держать редко используемых «экспертов» в оперативной памяти, а остальное — на видеокарте. Такую модель реально запустить на 16 ГБ видеопамяти и 96 ГБ ОЗУ (с 64 ГБ — впритык и с коротким контекстом), медленнее, чем на серверной карте, но вполне пригодно для работы.
70B-модели классической схемы так не ускоряются: при выгрузке половины весов в ОЗУ ответ идёт медленнее, чем вы читаете. Если вам нужны именно они, считайте бюджет на 48 ГБ видеопамяти.
NVIDIA или AMD: CUDA против ROCm
Почти весь софт для нейросетей пишут и проверяют в первую очередь на NVIDIA. PyTorch, ComfyUI со всеми расширениями, обучение LoRA, ускорители вроде xformers и SageAttention — на картах GeForce это ставится и работает без плясок. У RTX 50 есть аппаратная поддержка формата FP4, под который NVIDIA и разработчики выпускают облегчённые версии моделей.
AMD за последний год сильно подтянулась. ROCm 7.2 официально поддерживает PyTorch на Windows для RX 9070 и RX 9070 XT, а в ComfyUI Desktop с версии 0.7.0 есть официальная сборка под ROCm. Языковые модели на Radeon запускаются через LM Studio и llama.cpp (ROCm или Vulkan) без особых проблем, и 16 ГБ у RX 9070 за свои деньги — сильный аргумент.
Оговорки у AMD остаются: часть сторонних узлов ComfyUI и скриптов обучения рассчитаны только на CUDA, свежие оптимизации приходят на Radeon позже, а инструкции в интернете почти все под NVIDIA.
- Берите NVIDIA, если планируете обучать LoRA, ставить экспериментальные расширения, работать с видео-моделями или просто не хотите разбираться с совместимостью.
- Radeon подойдёт, если основная задача — чат с локальными моделями и генерация картинок в стандартных сценариях, а важнее всего гигабайты за свои деньги.
Какие видеокарты брать в 2026 году
Ниже — что есть в каталоге и для каких задач оно годится. Цены на начало октября 2026 года.
| Видеокарта | Память | Цена | Для чего |
|---|---|---|---|
| RX 9060 XT 16 ГБ | 16 ГБ GDDR6 | от 64 990 ₽ | самые дешёвые 16 ГБ, LLM до 20B, SDXL |
| RTX 5060 Ti 16 ГБ | 16 ГБ GDDR7 | от 71 990 ₽ | самый доступный вход в CUDA с 16 ГБ |
| RX 9070 | 16 ГБ GDDR6 | от 74 990 ₽ | 16 ГБ и быстрый чип, если устраивает ROCm |
| RTX 5070 Ti | 16 ГБ GDDR7 | от 125 990 ₽ | Flux, обучение LoRA, LLM до 24B быстро |
| RTX 5080 | 16 ГБ GDDR7 | от 148 990 ₽ | та же память, но заметно быстрее считает |
| Radeon AI PRO R9700 | 32 ГБ GDDR6 | от 298 810 ₽ | 32B-модели и Flux.2 целиком в памяти |
| RTX 5880 Ada и RTX PRO 6000 | 48 и 96 ГБ | от 509 990 ₽ | 70B и больше, профессиональные задачи |
Обратите внимание на ступень между 16 и 32 ГБ: RTX 5080 стоит заметно дороже RTX 5070 Ti, а памяти у неё столько же. Для нейросетей это значит, что 5080 генерирует быстрее, но не открывает новых моделей. Если упираетесь в объём, а не в скорость, доплачивать за 5080 смысла нет.
Самый недорогой вход — RTX 5060 Ti на 16 ГБ. Чип у неё скромнее, картинки генерируются медленнее, чем на 5070 Ti, зато в память помещается то же самое. Версию на 8 ГБ для нейросетей не берите: разница в цене небольшая, а ограничение серьёзное.
Оперативная память, процессор и SSD
Оперативная память
Правило простое: ОЗУ должно быть как минимум вдвое больше видеопамяти. При загрузке модель сначала читается в оперативную память, ComfyUI держит там выгруженные части, а llama.cpp — «экспертов» MoE-моделей. 32 ГБ — минимум для карты на 12–16 ГБ, 64 ГБ — комфорт и возможность запускать крупные MoE-модели, 96–128 ГБ — если планируете gpt-oss-120b и подобные с выгрузкой.
Память в 2026 году дорогая: комплекты на 64 ГБ DDR5 стоят от 99 990 ₽. Поэтому имеет смысл брать сразу два модуля по 32 ГБ, а не четыре по 16: две планки работают на более высокой частоте и оставляют слоты под расширение.
Процессор
Когда модель целиком на видеокарте, процессор почти не участвует. Он важен, если часть модели работает из ОЗУ: тогда помогают больше ядер и быстрая двухканальная память. Ryzen 7, Ryzen 9 или Core Ultra 7 и 9 — с запасом; переплачивать за топовый процессор ради нейросетей не нужно.
SSD
Модели занимают много места: чекпойнт SDXL весит около 6–7 ГБ, Flux.1 в FP8 — 12–17 ГБ, 70B-модель в Q4 — около 40 ГБ. Коллекция из десятка моделей, LoRA и сгенерированных картинок быстро вырастает до сотен гигабайт. Берите NVMe не меньше 2 ТБ под модели: быстрый SSD сокращает время загрузки модели, а на скорость генерации уже не влияет.
Блок питания и охлаждение
Нейросеть нагружает видеокарту иначе, чем игра: генерация сотни картинок или долгий чат держат её на полной мощности часами. Поэтому блок питания нужен качественный, с запасом и сертификатом 80 PLUS Gold.
- RTX 5060 Ti 16 ГБ, RX 9060 XT 16 ГБ — 550–650 Вт;
- RX 9070 — 650 Вт;
- RTX 5070 Ti — 750 Вт;
- RTX 5080 — блок на 850 Вт;
- две видеокарты или RTX 5090-класс — от 1000 Вт.
Это мощность для всей системы с учётом рекомендаций производителей и запаса на многочасовую нагрузку. Корпус нужен продуваемый: долгая нагрузка без хорошего потока воздуха быстро превращается в троттлинг. Если собираете сами, конфигуратор сверит потребление сборки с мощностью блока и длину видеокарты с корпусом.
Готовые рабочие станции R2R2 под ИИ
Если не хочется подбирать детали, в разделе рабочих станций есть готовые конфигурации, в которых баланс уже выдержан: 16 ГБ видеопамяти, 64 ГБ DDR5 двумя модулями и SSD на 2 ТБ.
- R2R2 1103 — RTX 5070 Ti 16 ГБ, Ryzen 9 9900X, 64 ГБ DDR5, SSD 2 ТБ, от 353 300 ₽. Оптимальный вариант для Flux и языковых моделей до 24B.
- R2R2 1100 — то же на Core Ultra 9 285, от 362 300 ₽.
- R2R2 1300 — RTX 5080 16 ГБ, Core Ultra 9 285, 64 ГБ DDR5, SSD 2 ТБ, от 389 650 ₽. Для тех, кто генерирует много и ценит скорость.
- R2R2 1303 — RTX 5080 и Ryzen 9 9950X, от 388 650 ₽.
Цены на начало октября 2026 года. Все готовые компьютеры можно доработать под задачу, например поставить второй SSD под модели или карту с большей памятью. Сборка и тест занимают 2 часа, если все детали на складе. На компьютеры нашей сборки действуют гарантия 12 месяцев и 36 месяцев бесплатного сервиса. Оплата наличными или по счёту для организаций.
Типовые сборки под задачу
| Задача | Видеокарта | ОЗУ | SSD |
|---|---|---|---|
| Попробовать: SDXL, чат-модели 7–8B | 12–16 ГБ, RTX 5060 Ti 16 ГБ | 32 ГБ | 1–2 ТБ |
| Регулярно: Flux.1, LoRA, модели до 24B | RTX 5070 Ti 16 ГБ | 64 ГБ | 2 ТБ |
| Много и быстро: пакетная генерация, MoE-модели | RTX 5080 16 ГБ | 64–96 ГБ | 2–4 ТБ |
| Крупные модели: 32B целиком, Flux.2 | 32 ГБ (Radeon AI PRO R9700) | 64–128 ГБ | 4 ТБ |
| 70B и обучение | 48–96 ГБ, профессиональные RTX PRO | 128 ГБ | 4 ТБ и больше |
Если компьютер нужен ещё и для монтажа и 3D, требования почти совпадают: та же видеопамять, 64 ГБ ОЗУ и быстрый SSD. Подробнее в статье о компьютере для монтажа и рендера.
Коротко: для нейросетей покупайте видеопамять. Минимум для картинок и чат-моделей — 12 ГБ, оптимум — 16 ГБ на NVIDIA (RTX 5060 Ti 16 ГБ для старта, RTX 5070 Ti для регулярной работы), 32 ГБ и больше — для 32B, 70B и Flux.2 целиком. К видеокарте добавьте вдвое больше ОЗУ (64 ГБ — комфорт), NVMe на 2 ТБ под модели и блок питания Gold с запасом. AMD с 16 ГБ — выгодный вариант, если готовы мириться с тем, что часть софта рассчитана только на CUDA.