Wie viel Speicherplatz benötigen Stable Diffusion-Modelle?

Es gibt keine einheitliche Größe für Stable Diffusion-Modelle. Offizielle Modelldateien umfassen mehrere Gigabyte, und eine Arbeitsbibliothek wächst über den Haupt-Checkpoint hinaus durch alternative Präzisionen, Feinabstimmungen, VAEs, Text-Encoder, ControlNets, LoRAs und Ausgaben. Messen Sie die Dateien, die Ihre Laufzeitumgebung tatsächlich lädt, und planen Sie die Kapazität nicht anhand einer pauschalen Zahl.

Exakte Beispiele, geprüft am 09. August 2026

Diese Dateigrößen stammen aus den offiziellen Metadaten der Hugging Face-Repositorys am oben genannten Datum. Es sind Beispiele und kein allgemeingültiger Bereich:

Die beiden SD 1.5-Dateien zeigen bereits, warum die Aussage „Das Modell ist etwa vier Gigabyte groß“ irreführend sein kann. Es handelt sich um unterschiedliche veröffentlichte Artefakte mit unterschiedlichen Inhalten. Auch Repository-Inhalte können sich ändern. Bewahren Sie daher Dateiname, Revision und Prüfsumme neben jedem wichtigen Kapazitätsdatensatz auf.

Der Checkpoint ist nicht die ganze Bibliothek

Eine praktische Umgebung zur Bilderzeugung kann mehrere Kategorien umfassen:

• Basis-Checkpoints und vollständige Feinabstimmungen;
• separate Diffusionsmodelle, Text-Encoder und VAEs;
• ControlNets, IP-Adapter-Modelle und Hochskalierer;
• LoRA-Adapter, Einbettungen und andere kleine Spezialisierungen;
• doppelte Kopien in ComfyUI, einer anderen Benutzeroberfläche und einem Download-Cache;
• Trainings-Checkpoints, Vorschauen und erzeugte Ausgaben.

Jede Kategorie wächst anders. Ein zusätzliches Basismodell kann sofort mehrere Gigabyte kosten; Hunderte Adapter sammeln sich allmählich an; Ausgabeverzeichnisse wachsen mit jeder Sitzung. Ein Speicherplan, der nur models/checkpoints misst, übersieht die unterstützende Bibliothek.

Logische Größe und physischen Verbrauch messen

Beginnen Sie bei den aktiven Pfaden, statt die gesamte Festplatte nach .safetensors zu durchsuchen. Erfassen Sie in ComfyUI die nativen und zusätzlichen Modellpfade. Prüfen Sie in anderen Laufzeitumgebungen deren konfigurierte Speicher und Caches. Messen Sie dann jeden Typordner und beachten Sie, ob Verknüpfungen oder Dateisystem-Deduplizierung den physischen Speicherbedarf beeinflussen.

# Beispiele für macOS oder Linux
du -sh /path/to/models/*
du -sh /path/to/outputs

# Scheinbare Größe anzeigen, wenn Dateien mit Lücken oder Verknüpfungen relevant sind
du -sh --apparent-size /path/to/models/*

Finder, Explorer, du und Cloud-Dashboards können dezimale GB, binäre GiB, logische Größe oder belegten Speicherplatz anzeigen. Halten Sie für die Planung fest, welche Angabe Sie verwendet haben. Nutzen Sie für die Identität exakte Bytezahlen und Prüfsummen.

Warum die Duplikaterkennung vor der Formatumwandlung kommt

Suchen Sie vor dem Quantisieren oder Löschen byteidentische Kopien in verschiedenen Laufzeitumgebungen. Das Entfernen einer nachweislich redundanten Arbeitskopie bewahrt das Modell exakt. Die Umwandlung eines Checkpoints in eine geringere Präzision erzeugt ein anderes Artefakt und kann mehr Speicher sparen, verändert aber die Wiederherstellungsfrage.

Eine SafeTensors-Datei ist bereits ein strukturierter Tensorcontainer; das Verpacken in ein ZIP-Archiv bringt im Verhältnis zum Aufwand oft enttäuschend wenig. Quantisierung kann eine abgeleitete Inferenzkopie verkleinern, ermöglicht jedoch keine bytegenaue Wiederherstellung der Quelle mit höherer Präzision. Diese Grenze erläutert SafeTensors-Speicherung im Vergleich zur Quantisierung.

Eine praktische Reihenfolge zur Speicherfreigabe

1. Ausgaben, die Sie bewusst an einen anderen Ort exportiert haben: Bestätigen Sie die Kopie und entfernen Sie anschließend lokale Duplikate.
2. Byteidentische Modellkopien: Leiten Sie Laufzeitumgebungen auf eine gemeinsame Arbeitsbibliothek um, bevor Sie Duplikate entfernen.
3. Aufgegebene Trainingszwischenstände: Bewahren Sie das Endergebnis, die ausgewählten Meilensteine und den tatsächlich benötigten Fortsetzungsstatus auf.
4. Nicht verwendete abgeleitete Varianten: Bewahren Sie die Quelle samt reproduzierbarem Rezept auf, oder behalten Sie das exakte Bereitstellungsartefakt, wenn die Konvertierung aufwendig ist.
5. Seltene oder private Originale: Archivieren und testen Sie die Wiederherstellung, bevor diese zu Bereinigungskandidaten werden.

Wie viel Reserve sollten Sie einplanen?

Planen Sie eine vorübergehende Überschneidung ein. Bei einer sicheren Migration oder Wiederherstellung müssen Quelle, Archiv und wiederhergestellte Kopie möglicherweise gleichzeitig vorhanden sein. Training erzeugt zusätzliche Checkpoints; Modelldownloads können temporäre Dateien verwenden; auch Anwendungsaktualisierungen und das Dateisystemverhalten benötigen Platz. Eine Festplatte, die für die heute sichtbare Bibliothek „gerade groß genug“ ist, ist für einen geprüften Wiederherstellungsablauf bereits zu klein.

Prüfen Sie die Bibliothek nach Modellfamilien, statt auf die Speicherplatzwarnung des Betriebssystems zu warten. Die Aufbewahrungsprüfliste macht aus dieser Prüfung ausdrückliche Entscheidungen zum Behalten, Reproduzieren, Archivieren und Verwerfen.

Modellfamilie bewahren; redundante Kopien optional machen

Tensor Archive ist für ausgewählte lokale Tensorfamilien bestimmt, die Sie exakt aufbewahren möchten. Archivieren, prüfen und stellen Sie eine Familie wieder her, bevor Sie eine doppelte Arbeitskopie entfernen. Es quantisiert das Modell nicht, verändert keine Gewichte und verspricht nicht, dass jede zugehörige Laufzeitabhängigkeit erfasst wurde.

Auf Ihre Laufzeitumgebung anwenden

Für ComfyUI befolgen Sie den vollständigen Ablauf zur Sicherung und Wiederherstellung der Modellbibliothek. Wenn Adapter den größten Teil der Unordnung ausmachen, verwenden Sie den LoRA-Speicherplatzleitfaden und bewahren Sie die exakten Beziehungen zum Basismodell.