Stable Diffusion Server mieten — ComfyUI & Flux auf dedizierter GPU
Miete einen dedizierten GPU-Server für Stable Diffusion, ComfyUI und Flux — eine ganze RTX 4090 oder RTX 5090 in Frankfurt, mit vollem VRAM für hochauflösende Bildgenerierung. Fester Monatspreis, keine Warteschlange, DSGVO-konform.
GPU-Server für Stable Diffusion anfragenKostenlose Web-Oberflächen für Stable Diffusion sind praktisch für erste Experimente — für ernsthafte Arbeit stoßen sie schnell an Grenzen: Warteschlangen, Limits, geteilte GPUs mit Preemption und Bilder, die über fremde Server außerhalb der EU laufen. Ein dedizierter GPU-Server gibt dir stattdessen die volle Kontrolle: deine eigene ComfyUI- oder Automatic1111-Instanz, die ganze GPU für dich allein und einen festen Monatspreis ohne Sekundenabrechnung.
Warum ein dedizierter Server für Stable Diffusion?
Bildgenerierung ist VRAM- und rechenintensiv, besonders bei SDXL, Flux und hochauflösenden Upscales. Auf geteilten oder stündlichen Cloud-GPUs konkurrierst du um Ressourcen, wartest in Warteschlangen und riskierst abgebrochene Renders durch Preemption . Bei Bthorio läuft dein Stack auf dediziertem Bare Metal — die komplette RTX 4090 oder RTX 5090 gehört dir, rund um die Uhr, zum festen Preis. Deine Checkpoints, LoRAs und generierten Ausgaben liegen auf 4 TB lokalem NVMe direkt neben der GPU — kein langsames Netzwerk-Storage, kein Warten beim Laden großer Modelle.
Wie viel VRAM brauchen SDXL und Flux?
Ob ein Workflow flüssig läuft, hängt vor allem am verfügbaren VRAM ab. SD 1.5 begnügt sich mit wenigen Gigabyte, SDXL will rund 10–12 GB, und Flux sowie Video-Modelle können deutlich mehr verlangen. Die folgende Tabelle zeigt, was auf eine 24-GB-RTX-4090 bzw. eine 32-GB-RTX-5090 passt.
| Modell / Workflow | VRAM-Bedarf (ca.) | RTX 4090 (24 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| SD 1.5 (512 px) | ~4 GB | Mühelos | Mühelos |
| SDXL (1024 px) | ~10–12 GB | Ja | Ja |
| SDXL + ControlNet / LoRA | ~14–18 GB | Ja | Ja, mit Reserve |
| Flux.1 [dev] (fp8) | ~16–20 GB | Ja | Ja |
| Flux.1 [dev] (fp16/bf16) | ~24 GB+ | Knapp | Ja |
| Video (AnimateDiff / SVD) | ~20–30 GB+ | Eingeschränkt | Ja |
Die Werte sind Richtwerte inklusive Overhead für VAE, ControlNet und Upscaler; sehr große Batches, hohe Auflösungen oder mehrere gleichzeitige Pipelines erhöhen den Bedarf. Für die meisten SDXL- und Flux-Workflows ist die RTX 4090 komfortabel; wer konstant an der VRAM-Grenze arbeitet oder Video generiert, greift zur RTX 5090.
ComfyUI, Automatic1111 oder Forge — deine Wahl
- ComfyUI — node-basierte Pipelines für volle Kontrolle über Flux- und SDXL-Workflows
- Automatic1111 / Forge — die klassische Web-UI für schnelles Prompting und Extensions
- Eigene ControlNet-, LoRA- und IP-Adapter-Modelle ohne Upload-Limits
- API-Zugriff für automatisierte Bild-Pipelines und Batch-Generierung
- Upscaling, Inpainting und Face-Restore in derselben Instanz ohne separate Dienste
RTX 4090 oder RTX 5090?
Für SDXL, die meisten Flux-Workflows und ComfyUI-Pipelines reicht die RTX 4090 mit 24 GB ab 399 €/Monat locker aus. Sobald du Flux in voller Präzision, Video-Generierung oder sehr große Batches fährst, gibt dir die RTX 5090 mit 32 GB die nötige Reserve. Beide findest du auf unserer Übersicht GPU-Server mieten .
Fester Monatspreis statt Sekunden-Abrechnung
Bei stündlichen oder sekundengenauen Cloud-GPUs zahlst du für jede Sekunde Rechenzeit — und lange Render-Sessions, Batch-Jobs oder Experimente treiben die Kosten unvorhersehbar nach oben. Ein dedizierter Server kostet jeden Monat gleich viel, egal wie viele Bilder du generierst und wie lange du an einem Workflow feilst. Für kreative Studios, Agenturen und Shops mit dauerhaftem Bild-Bedarf ist das planbar statt riskant — ab 399 €/Monat netto für eine ganze RTX 4090, ohne versteckte Rechenzeit-Kosten.
In wenigen Minuten startklar
Du hast Root-Zugriff und richtest ComfyUI oder Automatic1111 in wenigen Minuten ein — Betriebssystem, Treiber und CUDA-Version wählst du frei. Eine ausführliche Schritt-für-Schritt-Anleitung findest du unter Stable Diffusion einrichten — von Treiber und CUDA über die Installation bis zum ersten Bild.