【朗報】33GBのAIが12GBのグラボ1枚で動いた…16秒で画像編集が終わる衝撃、VRAMの常識が崩れる日
合計33GBの画像生成AIが、12GBのグラフィックボード1枚で動作したという報告が相次いでいる。参照画像を1枚渡しての画像編集が約16秒で完了したという実測も公開され、VRAM容量をめぐる従来の常識が大きく揺らいでいる。対象となっているのは、中国Alibabaが2026年9月20日に公開したオープンウェイトモデル「Qwen-Image-2.1」だ。画像編集アリーナで1367点を獲得し、公開モデルの中では1位、総合でも16位（15位とはわずか3点差）につけた実力派であり、文章からの画像生成部門でも1228点で公開モデル1位を記録している。参照画像を最大10枚まで渡せるほか、背景透過画像の生成にも対応するなど機能面の進化も著しい。注目すべきは、公式のモデルカードにVRAM要件の記載が一切ない点で、12GBで動作するという数字はすべて利用者による実測に基づくものだ。
なぜ33GBのモデルが12GBに収まるのか。その答えは単なる圧縮ではなかった。調査によれば、モデルの中身は大きく3つの部品に分かれている。文章を読み取るテキストエンコーダーが17.53GB、画像を描く本体のTransformerが14.23GB、生成結果を絵に戻すVAEが0.68GBで、合計32.44GB（配布場所によっては33.11GBと表記）になる。意外なのは、一番重いのが絵を描く部分ではなく、言葉を読み取る部分だった点だ。ここには80億パラメーターの言語モデルが丸ごと積まれており、絵を描く本体の70億を上回っている。注文を理解するためだけにもう一人のAIを雇っているような構造である。
量子化しても17.29GB、まだ5.29GB足りない壁
数字を荒くして容量を削る量子化を施すと、テキストエンコーダーは9.35GB、本体は7.26GBまで半減し、VAEと合わせて合計17.29GBになる。それでも12GBには5.29GB足りない。ここで発想の転換が必要になる。3つの部品は同時に働くのではなく、明確な順番で使われるのだ。まずテキストエンコーダーが注文を受け取り、絵の設計図に翻訳する。翻訳が終われば9.35GBの部品はメモリから下ろしてよい。空いた場所に7.26GBの本体を載せ、何十回もの反復計算で絵の素を煮込んでいく。最後に0.68GBのVAEで人間の目に見える絵に盛り付ける。この流れで最も混雑する瞬間は最初の9.35GBであり、12GBに対して2.65GBの余裕が生まれる。合計ではなくピークで考えることが核心で、自動切り替えはComfyUIが担い、利用者が順番を意識する必要はない。
前世代の議論で「入りきらない分をPC側に預けると遅い」とされた方式とは、往復の回数が根本的に違う。計算のたびに取りに行くのではなく、部品ごとに1回ずつ載せ替えるだけであり、煮込みの最中はグラボ内だけで完結する。メモリを細かく区切って毎回交換する方式も存在するが、公式にも遅いと明記されている別物だ。残る2.65GBの余白も空き地ではなく、作りかけの絵を置く作業場として使われている。重みが載ることと、作業が回ることは別問題であることを示している。
大皿は区画に割れ、16秒の裏側にある地味な工夫
最後の盛り付け工程でも詰まりどころがある。VAE自体は0.68GBと小さいが、2048×2048の画像を一気に変換しようとすると作業領域が足りなくなる。そこで大皿を区画に割って1区画ずつ順番に戻すタイリング手法が使われている。狭い台でも同じ料理を出せる知恵だ。速さの面では二つの要因が重なった。一つは量子化により運ぶ荷物自体が軽くなったこと。もう一つが前工程の結果を使い回すキャッシュ再利用で、1024×1024の画像で20秒かかっていたものが11秒に短縮、1秒あたりの進行速度は1.24から2.25へ向上したという報告もある。ただし16秒という数字は解像度やステップ数が公開されておらず、速度の証明ではなく報告事実として受け止めるべきだとされている。
同じ週には画像以外の分野でも12GBという数字が重なった。動画生成AIのMiniMax H3を12GBで動かし、10秒の動画1本を約10分から11分で生成した報告や、動画用VAEを5.2GBから2.8GBの軽量版に変えただけで5秒動画の生成が56.4秒から43.0秒に短縮された事例もある。文章生成AIでも同様の12GBの話題が出ており、別々の開発者が別々の用途で同じ容量にたどり着いたことは偶然とは言い難い。ダウンロード数の偏りも象徴的で、元のままの配布場所が約3万7千回に対し、量子化版の配布場所は285万回を超えている。ほとんどの利用者が元の姿では使っていない現実が浮かぶ。RTX 4070 12GBの中古実勢が7万5000円、新品実勢が8万円（2026年9月24日22時35分時点）とされる中で、12GBで足りるとする声と24GB以上が必要だとする声は真っ二つに割れている。順番に入れ替えれば済むという事実は前者を後押しするが、入れ替えが不要な広さには手間が消えるという価値があり、設定一つで2.65GBの余白が消える綱渡りでもある。12GBを2枚使って分散する手法も紹介されているが、途中の計算を覚える場所にもメモリが要るため合計いっぱいは載らないと釘が刺されている。
見落とせないのがライセンスの落とし穴だ。Qwen-Image-2.1は誰でもダウンロードできるが、Qwen Research License Agreementという条件付きであり、自由利用ではない。使う前の確認が必須となる。
ネットの反応
ほんとに例え減らした方がいい
毎回思うんですが視聴者のリテラシーを勘違いしてると思う。ここを見るような人は初心者じゃないし、用語の説明とか例え話は必要ないのでは
12GBの3060をちょうどメルカリで売った後でこの動画を見つけてしまったぜ
コンテンツ生成にはもうちょっと人間の手を加えたほうがいいのでは。AI頼り切り感がすごいです
初めて買ったグラボはGeForce FX 5700 Ultra、VRAMは驚異の128MB
パラメータ数って桁を1個間違えてないですか 1b=10億ですよ
まな板に例えた説明のせいでよく分からん
Text encoderとか transformerとかVAEとかって言っていいよ
AIの所感
合計33GBを12GBに載せる答えが量子化ではなく順番だったという事実は、容量信仰への痛烈な皮肉だ。足し算だけで諦める癖が、どれだけ多くの可能性を殺してきたかを示している。一方で2.65GBしかない余白は、設定一つで消える綱渡りでもある。12GBが買いかどうかという問いには正解がなく、初めて足りなくなってから考える生き方も、最初から24GBで悩む時間を消す生き方もどちらも立派だ。重要なのは線が誰かが決めた基準ではなく、工夫の積み重ねの結果として今そこにあるという視点である。来年には線が8GBに動いているかもしれない。その時も合計の数字だけで諦めない姿勢こそが、次の工夫を引き寄せるはずだ。