一张 5090 在家能跑多强的 AI 出图和视频?顺便讲清「Wan 为什么这么难伺候」

一句话:2026 年,一张 RTX 5090(32GB 显存)在家就能跑接近专业水准的 AI 出图;但 AI 视频的本地天花板还很现实——大约 720p、5 秒、一条渲染 2–9 分钟。而最强的视频(4K、带音、长镜头)仍然只在云端。这篇把能跑什么、什么级别、以及「Wan 这个模型为什么这么难调」讲清楚。

查证日期 2026-06-20,数据来自实测跑分 + 官方仓库,关键数字都标了。文中不含任何私密信息。

先讲几个词

• 显存(VRAM):显卡上的专用内存(5090 是 32GB)。模型和正在生成的内容必须整个塞进显存,塞不下就崩(这叫 OOM,out of memory,内存爆了)。
• 量化(quantization / quant):把模型里的数字「压小」(比如 16 位压到 8 位或 4 位),省显存,代价是画质略降。GGUF、fp8、Q4、Q8 都是不同压法——数字越小越省、也越糊。
• 底模(base model / checkpoint):模型训练好的那一大坨数字文件。「底模」指原始未改动的版本。
• LoRA:一个小补丁文件,教大模型记住一个特定角色/画风,不用重训整个模型——本地保持人物一致性的关键。
• i2v / t2v:图生视频 / 文生视频。
• MoE(混合专家):把一个模型拆成几个「专家」子网络,每步只用其中一个。Wan 2.2 有两个专家,按画面有多少噪点来切换。

一、本地出图:5090 已经接近专业水准

先说好消息。2026 年的 5090 是第一张能在家本地跑「320 亿参数级」大图像模型的消费显卡(靠量化)。能做到:4MP 高清、专业级文字排版、接近商业水平的修图。

各模型在 5090 上的实测(都查证过):

结论:写实/排版找 Flux 系,二次元/画风化角色找 SDXL(Illustrious)——后者虽然「小」,但 LoRA、ControlNet 生态最成熟,1–3 秒一张,做风格化角色反而最顺手。(我自己训角色 LoRA 最后就落到 Illustrious 上,正是这个原因。)

云端的 gpt-image-2、Nano Banana Pro 仍略强(尤其人像皮肤光影),但差距已经很小。

二、本地视频:天花板是 720p、5 秒

这是更要泼冷水、但也更有用的一节。一张 5090 在 2026 年的本地视频天花板,现实地说:约 720p、约 5 秒、16–24fps、一条渲染 2–9 分钟。 硬撑到 10–20 秒也行,但画面连贯性会垮、容易 OOM。

两个主力(都查证过实测):

★ 一条重要避坑 ───────────────────────────────── 很多「云 GPU 租赁」厂商的博客说「5090 根本跑不动 Wan 2.2 14B / HunyuanVideo」——这是误导性营销。那只对「未量化的 fp16」成立。实际上 ComfyUI 用户每天在 5090 上用 GGUF Q4/Q8 量化版跑这两个。信实测跑分,别信租赁页的「最低要求」。 ──────────────────────────────────────────

本地 vs 云端的真实差距:分辨率(720p vs 4K)、时长(5秒 vs 15–60秒)、声音(本地基本没有,LTX-2 例外)、物理/连贯性(本地明显弱)。最强的 Seedance 2.0 / Veo 3.1 / Kling 3.0 / Sora 2 全是云端闭源,native 4K/60fps、带同步音。一条 10 秒 1080p 云端约 ¥3.5–18(0.5–2.5 美元)。 > 但本地赢在:免费(买完卡之后)、隐私、能训自己的角色 LoRA、Wan Animate 的角色一致性。短的 5 秒 720p 片子,本地完全能用于生产。

三、Wan 为什么这么「难伺候」?(我亲手踩完的坑)

我花了很久才让 Wan 的 LoRA 训练在本地跑起来,中间踩的坑几乎和社区记录的一模一样。把原因讲清,能帮你判断「值不值得碰」。

根因:Wan 2.2 是「双专家」结构,把一切都翻倍了。

它不是一个模型,是两个各 ~14B 的专家:一个管「画面噪点多时」的大轮廓(高噪专家),一个管「快画好时」的细节纹理(低噪专家),中途按噪点比例切换。结果: - 生成时显存不翻倍(每步只用一个);但训练时一切翻倍——要分两次训、下两份权重、缓存两遍。

然后是文件格式的「地狱」(我逐个踩了):

1. 最流行的 fp8_scaled 版,训练器根本不认。ComfyUI 用的那个压缩版带了特殊的「缩放」标记,只能拿来跑、不能拿来训。报错就是一堆 scale_weight key 对不上。
2. fp16 版(每个专家 ~28GB)训练时会爆显存。32G 装得下模型,但训练要算梯度,峰值一超就 OOM 崩。
3. 精度互相打架:fp16 底模强制要 fp16 模式,但「省显存的动态压缩」又只认 bf16 底模——于是你卡在 DiT weights are in fp16, mixed precision must be fp16 这种死结里。正解是去下 bf16 版,但官方又是「分片格式」,还得先合并。
4. 救命稻草是「把模型块倒进内存」(block-swap),但慢 5 倍——每步都要把权重从内存搬到显卡,我亲测从 1 秒/步变成 7 秒/步,1000 步要 8 小时。
5. 还有时间步分界:i2v 必须设 0.9 这个边界,否则训出来的 LoRA「没效果」。
6. 外加一堆依赖/配置(easydict、accelerate 配置、attention 后端选哪个),装环境就先卡半天。

一句话:「随便训个 Wan LoRA」会变成「好几天的格式转换 + 爆显存调试 + 双管线记账」。这也是为什么我最后改用 SDXL(Illustrious)训角色 LoRA——单文件、非 gated、一次就跑通,1500 步 56 分钟,显存稳稳的。对比之下,Wan 的难全在「工程地狱」,不在「算力不够」。

四、给在家玩的人的实用结论

• 出图:写实/排版用 Flux.1-dev(原生塞得下);画风化角色用 SDXL/Illustrious(最快、LoRA 生态最大)。质量已接近云端。
• 视频:要快用 LTX-2(20 秒出片);要稳/要手不崩用 Wan 2.2 14B GGUF(2 分钟出片);要人物一致用 Wan 2.2 Animate。天花板认 720p / 5 秒。
• 训角色 LoRA:别一上来碰 Wan 视频 LoRA(双专家格式地狱)。先训一个 SDXL 图像角色 LoRA(成熟、20 分钟级),用它出一致的关键帧,再喂给 Wan 出动画——这条路最顺。
• 最强的视频仍在云端(Seedance/Veo/Kling/Sora),本地是「省钱 + 隐私 + 自定义角色」的选择,不是「画质最强」的选择。