GPU-Anforderungen der KI-Videogenerierung: Wan 2.2, HunyuanVideo und LTX auf eigenen GPU-Servern

GPU-Anforderungen der Videogenerierung im Überblick

Die GPU-Anforderungen der KI-Videogenerierung ergeben sich aus Modell, Auflösung und Cliplänge. Die großen offenen Modelle erzeugen 720p-Clips auf einer Karte mit 80 bis 96 GB: Das Text-zu-Video-Modell von Wan 2.2 „kann auf einer GPU mit mindestens 80 GB VRAM laufen“, schreibt sein Repository, und das bietet eine RTX PRO 6000 mit 96 GB oder eine H200 NVL mit 141 GB. Kleinere Modelle und das Auslagern in den Systemspeicher senken den Wert auf 24 GB für Wan2.2-TI2V-5B und 14 GB für HunyuanVideo 1.5.

Videomodelle sind Diffusion Transformer wie die Bildmodelle in unserem Leitfaden zu den GPU-Anforderungen von FLUX, doch jeder Entrauschungsschritt verarbeitet eine ganze Folge von Frames. MLPerf® Inference v6.1 enthält einen Text-zu-Video-Benchmark mit Wan2.2-T2V-A14B, und die Task Force von MLCommons beschreibt dessen Clips mit 81 Frames bei 720×1280 und 16 Frames pro Sekunde, 5 Sekunden lang, erzeugt mit 20 Entrauschungsschritten. Der Speicher entscheidet, welches Modell und welche Auflösung auf eine Karte passen, und die Rechenleistung entscheidet, wie lange ein Clip dauert.

Für ein Unternehmen ist die Lizenz nach dem Speicher der zweite Filter. Laut den am 16. Oktober 2026 gelesenen Lizenztexten steht Wan 2.2 unter Apache 2.0, die Lizenzen von HunyuanVideo 1.5 und MiniMax H3 schließen die Europäische Union aus, und die Lizenz von LTX-2.x verlangt von Unternehmen oberhalb einer Umsatzschwelle eine kostenpflichtige Lizenz.

Offene Videomodelle im Oktober 2026: Parameter, Speicher und Lizenz

Wan 2.2 wurde am 28. Juli 2025 mit Gewichten und Inferenzcode veröffentlicht. Seine beiden großen Modelle sind Mixture-of-Experts-Designs: „Jedes Expertenmodell hat etwa 14 Milliarden Parameter, insgesamt also 27 Milliarden Parameter, aber nur 14 Milliarden aktive Parameter je Schritt“, mit einem High-Noise-Experten für das Layout und einem Low-Noise-Experten für die Details. Veröffentlichte Gewichte einer späteren Wan-Version haben wir nicht gefunden. Stand 16. Oktober 2026 sind die zuletzt aktualisierten Repositories der Organisation Wan-AI auf Hugging Face die Modelle Wan2.2-Animate-2-14B für die Animation von Figuren nach einem Steuervideo, veröffentlicht am 7. August 2026.

Tencent hat HunyuanVideo 1.5, einen Diffusion Transformer mit 8,3 Milliarden Parametern, am 20. November 2025 veröffentlicht; das Modell erzeugt standardmäßig 480p oder 720p mit 121 Frames und skaliert in einem separaten Schritt auf 1080p hoch; spätere Gewichte von HunyuanVideo haben wir nicht gefunden. Lightricks nennt LTX-2.5 das empfohlene Modell seines Repositorys LTX-2. Seine Checkpoint-Dateien enthalten einen Transformer mit 22 Milliarden Parametern, das Modell erzeugt „synchronisiertes Video und Audio in hoher Wiedergabetreue“, und sein Text-Encoder ist ein für LTX feinabgestimmtes Gemma 4 12B, wie das Repository es beschreibt. MiniMax H3, unter einer Lizenz vom 2. August 2026, ist ein dichter Transformer mit 33 Milliarden Parametern, der Video mit Stereo-Audio von 4 bis 15 Sekunden Länge und bis zu 2K erzeugt.

GitHub-Repositories und Hugging-Face-Model-Cards von Wan-Video, Tencent-Hunyuan, Lightricks und MiniMaxAI sowie ihre Lizenzdateien, gelesen am 16. Oktober 2026.

Lizenzen für Unternehmen: Apache 2.0, Umsatzschwellen und EU-Ausschlüsse

Das Repository von Wan hält fest: „The models in this repository are licensed under the Apache 2.0 License.“ Die Modelle stehen also unter Apache 2.0, und die Lizenzdatei ist die unveränderte Apache License 2.0, die die kommerzielle Nutzung ohne Bedingung zu Gebiet oder Umsatz gewährt.

Die Lizenz von HunyuanVideo 1.5 definiert ihr Vertragsgebiet, das „Territory“, als „the worldwide territory, excluding the territory of the European Union, United Kingdom and South Korea“, also weltweit ohne die EU, das Vereinigte Königreich und Südkorea, und hält in Großbuchstaben fest, dass sie „DOES NOT APPLY IN THE EUROPEAN UNION, UNITED KINGDOM AND SOUTH KOREA“. Oberhalb von 100 Millionen monatlich aktiven Nutzern muss ein Lizenznehmer eine Lizenz bei Tencent beantragen. Outputs dürfen nicht genutzt werden, „to improve any other AI model“, also um ein anderes KI-Modell zu verbessern als Tencent Hunyuan und seine Derivate.

Die MiniMax H3 Community License führt „the European Union, the United Kingdom, the Republic of Korea and the United States of America“ als Excluded Territories auf, als ausgeschlossene Gebiete, und lädt Interessenten dort ein, sich wegen einer Lizenz an MiniMax zu wenden. Sie ergänzt: „Any such use outside the Applicable Territory is not authorized by this Agreement.“ Eine solche Nutzung außerhalb des Geltungsgebiets ist durch den Vertrag also nicht gestattet.

Die LTX-2.x Community License vom 11. August 2026 gilt für jede Version von LTX-2.5, die seit diesem Tag veröffentlicht wurde. Unternehmen, deren Jahresumsatz eine in Abschnitt 2.1 festgelegte Schwelle erreicht, gelten als Commercial Entities, wobei „all subsidiaries, affiliates, and companies under common Control“ zusammen betrachtet werden, also auch Tochter- und verbundene Unternehmen sowie Unternehmen unter gemeinsamer Kontrolle. Diese Unternehmen „are required to obtain a paid license for any use“ jenseits der nicht kommerziellen Zwecke von Abschnitt 2.2, brauchen dafür also eine kostenpflichtige Lizenz. Zu diesen Zwecken gehören Tests und Evaluierung durch eine Commercial Entity „in a non-production or development environment“, also außerhalb der Produktion oder in einer Entwicklungsumgebung. Lightricks „claims no rights in the Output“ und beansprucht damit keine Rechte an den Outputs, während Modelle, die mit erzeugten Outputs trainiert werden, nach der Lizenz als Derivate gelten.

Die Nutzungsbedingungen gelten auch für die Clips. Das Repository von Wan schreibt, die Nutzung „must not involve sharing any content that violates applicable laws“, darf also nicht mit dem Verbreiten rechtswidriger Inhalte verbunden sein, und die Acceptable Use Policy zur LTX-2.x-Lizenz verbietet, erzeugte Inhalte in irgendeinem Kontext zu platzieren, „without expressly and intelligibly disclaiming that the information and/or content is machine generated“, also ohne ausdrücklich und verständlich darauf hinzuweisen, dass sie maschinell erzeugt sind.

Unser Vergleich der Open-LLM-Lizenzen für die kommerzielle Nutzung behandelt eine Gebietsklausel derselben Art in Metas Nutzungsrichtlinie für Llama 4, die Unternehmen in der EU die Rechte an den multimodalen Modellen verweigert. Ob eine bestimmte Nutzung von einer dieser Lizenzen gedeckt ist, ist eine rechtliche Bewertung für die Rechtsabteilung des Unternehmens.

VRAM und Hardware-Anforderungen von Wan 2.2

Der Befehl für eine GPU im Repository von Wan erzeugt einen Clip mit 1280×720 mit --offload_model True und --convert_model_dtype, und das Repository gibt an, dass er auf einer GPU mit mindestens 80 GB läuft. Reicht der Speicher nicht, empfiehlt es zusätzlich --t5_cpu, das den Text-Encoder auf den Prozessor verlagert. Die RTX PRO 5000 mit 72 GB liegt darunter, und Wan veröffentlicht für diesen Fall keinen Wert; testen Sie die A14B-Modelle daher mit den drei Optionen auf einer Karte, bevor Sie mehrere dimensionieren.

Wan2.2-TI2V-5B verwendet einen VAE mit einem Kompressionsverhältnis von 16×16×4 und erzeugt 720p, das seine Card als 1280×704 definiert, mit 24 Frames pro Sekunde. Es läuft mit den Offloading-Optionen auf „einer GPU mit mindestens 24 GB VRAM (z. B. einer RTX 4090)“, und auf einer Karte mit mindestens 80 GB können Sie diese Optionen laut Card entfernen, „um die Ausführung zu beschleunigen“.

Das Offloading verschiebt Gewichte in den Systemspeicher, der Server braucht also RAM für jedes Modell, das er auslagert. Unser Vergleich von RTX PRO 6000 und H200 NVL stellt Speicher, Bandbreite und NVLink der beiden Karten gegenüber.

VRAM von HunyuanVideo und GPU-Speicher für LTX Video

HunyuanVideo 1.5 nennt mindestens 14 GB, „gemessen mit aktiviertem Model Offloading“, und rät, das Offloading auf Karten mit genug Speicher für eine schnellere Inferenz abzuschalten. Sein Repository hat im Dezember 2025 ein schrittdestilliertes 480p-Modell für Bild-zu-Video, das mit 8 oder 12 Schritten läuft, und FP8-GEMM-Inferenz ergänzt. Eine Option für Sparse Attention „erfordert GPUs der H-Serie“; dazu gehört die H200 NVL, nicht aber die RTX-PRO-Karten.

Lightricks nennt für LTX-2.5 keinen VRAM-Wert. Nach unserer Rechnung belegt der Transformer mit 22 Milliarden Parametern in BF16 etwa 44 GB und der Text-Encoder mit 12 Milliarden Parametern etwa 24 GB; das passt auf eine Karte mit 96 GB, bevor der Speicher für die Berechnung der Frames hinzukommt. Das Repository bietet --quantization fp8-cast, das BF16-Checkpoints beim Laden in FP8 umwandelt und den Transformer auf etwa 22 GB halbiert, und --offload cpu für kleinere Karten. Sein NVFP4-Checkpoint, ein destillierter Transformer, läuft mit nvfp4-prequant auf Blackwell, also auf den RTX-PRO-Karten, nicht aber auf der H200 NVL. Für FP8-Checkpoints auf Hopper und neueren GPUs nennt das Repository fp8-scaled-mm.

Generierungszeit pro Clip: veröffentlichte Werte

HunyuanVideo 1.5 gibt an, dass mit dem schrittdestillierten 480p-Modell für Bild-zu-Video „eine einzige RTX 4090 Videos innerhalb von 75 Sekunden erzeugen kann“. NVIDIAs Seite führt Stable Video Diffusion, ein älteres Bild-zu-Video-Modell, mit 2,82 Videos pro Minute auf einer RTX PRO 6000 Server Edition und 1,34 auf einer L40S, ohne Auflösung oder Zahl der Frames. Eine Zeit pro Clip für Wan 2.2, HunyuanVideo 1.5 oder LTX-2.5 auf einer RTX-PRO-Karte haben wir weder bei den Modellanbietern noch bei NVIDIA gefunden. Zeiten für einen Spark stehen in unserem Artikel über DGX Spark jenseits von LLMs.

Multi-GPU-Inferenz: Sequenzparallelität oder ein Clip je Karte

Das Repository von Wan verteilt einen Clip auf acht GPUs „mit FSDP + DeepSpeed Ulysses“, mit --ulysses_size 8 in seinem 720p-Beispiel. HunyuanVideo 1.5 legt die Zahl der GPUs mit --nproc_per_node fest, acht in seinem Beispiel. Die Card von MiniMax H3 zeigt SGLang mit vier GPUs und einem Ulysses-Grad von 4. xDiT beschreibt sich als „eine Inferenz-Engine für den parallelen Einsatz von DiTs in großem Maßstab“, unterstützt Wan2.2, HunyuanVideo-1.5, LTX-2.5 und MiniMax-H3 und kombiniert Ulysses- und Ring-Attention zu dem, was es Unified Sequence Parallel nennt.

Sequenzparallelität verkürzt die Wartezeit auf einen Clip, während ein Team, das viele Clips in die Warteschlange stellt, mehr Clips pro Stunde erhält, wenn jede Karte ihren eigenen Auftrag ausführt und die Karten keine Daten austauschen. Jede Karte hält dann eine vollständige Kopie des Modells, so wie in einem GPU-Render-Server jede Karte die ganze Szene hält, und es gelten die obigen Speicherwerte je Karte. Die RTX PRO 6000 hat kein NVLink, deshalb läuft der Datenverkehr der Sequenzparallelität zwischen ihren Karten über PCIe. Die H200 NVL verbindet 2 oder 4 Karten per NVLink-Bridge, und ein Server mit acht H200 NVL bildet zwei NVLink-Domänen. Die Repositories veröffentlichen keine Skalierungswerte für Karten, die nur über PCIe verbunden sind; messen Sie den Gewinn daher, bevor Sie darauf dimensionieren.

Für die Beispiele mit acht GPUs über NVLink in einem System führt NVIDIAs Seite zum DGX B300 „8x NVIDIA Blackwell Ultra SXM“ mit 2,1 TB GPU-Speicher auf; unser Vergleich des DGX B300 mit einem Server mit acht RTX PRO 6000 stellt die beiden Systeme einander gegenüber.

Für eine Video-Plattform auf acht über NVLink verbundenen GPUs liefern wir den DGX B300 projektbezogen; die Distribution fragt zuerst nach dem Unternehmen, dem Projekt und dem vorgesehenen Einsatz. Nennen Sie uns diese drei Angaben und Ihre Clips pro Tag, und wir prüfen Preis und Verfügbarkeit.

Lokaler KI-Video-Server für ein Team

Ein Marketing-, Schulungs- oder Produktteam schickt Clips in eine Warteschlange, und ComfyUI, das unser FLUX-Leitfaden behandelt, reiht Aufträge je Instanz ein. Dimensionieren Sie den Server in vier Schritten:

1. Wählen Sie die Modelle, die die Lizenz für Ihr Unternehmen erlaubt, sowie die benötigte Auflösung und Cliplänge.
2. Entnehmen Sie den Speicher der Modelltabelle oben und wählen Sie die Karte, die das Modell ohne Offloading aufnimmt.
3. Messen Sie die Minuten pro Clip auf einer Karte mit Ihren Einstellungen und teilen Sie die Clips der Spitzenstunde durch die Clips, die eine Karte pro Stunde liefert.
4. Prüfen Sie die Wartezeit: Bei einem Auftrag je Karte bestimmt oft die Zahl der Personen, die gleichzeitig Aufträge absenden, die Kartenzahl, bevor es das Tagesvolumen tut.

Schätzungen von Eurokommerz aus der Modelltabelle oben und den Multi-GPU-Beispielen der Repositories; Speicher der Karten und des DGX B300 laut NVIDIAs Produktseiten, gelesen am 16. Oktober 2026.

Planen Sie auch den Modellspeicher ein. Allein die Downloads von LTX-2.5 umfassen etwa 66 GiB, und nach unserer Schätzung hält ein Server, der drei oder vier Videomodelle bereithält, Checkpoints von mehreren hundert GB auf NVMe. Speichern Sie zu jedem Clip Prompt, Seed und Modellrevision, damit sich ein Ergebnis reproduzieren und seine Lizenz nachvollziehen lässt.

Wir bauen Server mit 4 oder 8 Karten RTX PRO 6000 Server Edition oder H200 NVL. Beschreiben Sie Ihre Video-Workflows im Formular unten, mit den Clips pro Tag und der Zahl der Personen, die in der Spitze generieren.

Was wir liefern

Wir liefern die Karten, die dieser Artikel behandelt, die RTX PRO 6000 in allen drei Editionen, die RTX PRO 5000 mit 48 oder 72 GB, die H200 NVL und die L40S, mit Herstellergarantie, unter einem EU-Vertrag und auf einer Rechnung; die GPU-Seite nennt Speicher und Leistungsaufnahme jeder Karte. Wir bauen KI-Server auf Bestellung für die Videogenerierung, montiert und im Burn-in getestet, und wir prüfen Rack, Strom und Luftstrom vor dem Angebot. Wir liefern den DGX B300 projektbezogen, und die Freigaben dauern länger als eine Bestellung von Karten. Die Bereitstellung der offenen Modelle on-premise mit kontrolliertem Zugriff, auf einer Kubernetes-basierten MLOps-Plattform, gehört zu unserem Angebot Private AI/ML, umgesetzt von unserem Engineering-Partner Vixen.UNO.

FAQ