AICU-SSD-Bench

ComfyUI 起動パラメータとストレージ I/O の関係

ComfyUI の VRAM 管理方式はモデルのロード・オフロード挙動に大きく影響し、 ストレージ I/O パターンが変化します。

96GB VRAM 環境 (RTX PRO 6000) では --highvram で全モデルを常駐可能。 6〜16GB VRAM 環境では --lowvram が必須で、ストレージ速度が体感に直結する。

🖼 AiCuty SDXL — Small Models (~7GB) Checkpoint + 2 LoRA + Upscaler

AiCuty ワークフロー: Animagine XL 4.0 + Niji Anime LoRA + Enchanting Eyes LoRA + RealESRGAN 4x Upscale
736×1128 / 28 steps / DPM++ 2M SDE Karras / CFG 5 → 2944×4512px 最終出力

D: Gen5 NVMe (15.2s cold)

E: SATA SSD (17.3s cold)

D: Run 2 (13.2s median)

D: Run 3 (13.2s median)

🖼 SDXL Basic — Small Models (~7GB) Checkpoint Only

Animagine XL 4.0 (6.46GB) / 832×1216 / euler 28 steps / CFG 5

D: Gen5 NVMe (6.1s cold)

E: SATA SSD (7.1s cold)

F: HDD (7.2s cold)

G: ICY DOCK (6.1s cold)

🎬 LTX-Video 2B — Medium Models (~15GB) Checkpoint + T5-XXL

LTX-Video 2B v0.9.5 (5.9GB) + T5-XXL FP16 (9.1GB) = ~15GB total
512×320 / 25 frames @24fps / euler 20 steps / CFG 1.0 → animated WEBP
Cold start: D: 8.1s vs F: 60.9s = 7.5x difference

D: Gen5 NVMe (8.1s cold)

E: SATA SSD (37.4s cold)

F: HDD (60.9s cold)

G: ICY DOCK (11.4s cold)

🎬 LTX-Video 2B 動画生成ベンチマーク（詳細）

モデル: LTX-Video 2B v0.9.5 (5.91 GB) + T5-XXL FP16 (9.12 GB)
設定: SamplerCustom euler 20steps, CFG=1.0, 512×320, 25フレーム @24fps
条件: ドライブごとに ComfyUI を再起動（コールドスタート計測）

• Run 1 のコールドスタートでストレージ差が明確: D: 8.1s vs F: 60.9s → 約7.5倍の差
• Run 2-3 は VRAM/システムキャッシュに残っているため差が出ない
• 結論: 15GB 級のモデルロードでは Gen5 NVMe の優位性が明確

🎬 LTX 2.3 22B FP8 — Large Models (~45GB) コールドスタートベンチ (R4)

LTX 2.3 22B FP8 (~29GB) + Gemma 3 12B IT (~8.8GB) + LoRAs (~7.7GB) + Spatial Upscaler (~950MB) = ~45.5GB total
ドライブごとに ComfyUI を再起動し、t2v (コールドスタート) → ia2v (ウォームスタート) の連続実行。
Cold start: D: 98s vs F: 288s = 2.9x difference

• 45GB 級モデルで HDD は約 3 分のロード遅延 — Gen5 NVMe との差は 184.7 秒
• ウォームスタート時は全ドライブほぼ同一（94〜103s）
• ICY DOCK (G:) は D: とほぼ同等 — リムーバブルでも Gen5 帯域を維持

R4 生成動画サンプル (LTX 2.3 22B)

各ドライブで生成された動画。同一プロンプト・同一シードのため出力内容は同一。

全動画: GitHub

コード生成 (Ollama qwen3) — Small Models (~5GB)

Prompt: "じゃんけんゲームを HTML + JavaScript で作成してください"
R2 結果: 全ドライブで ~189 tok/s (8b) / ~445 tok/s (1.7b) — 98GB VRAM で差なし

音声合成 (Qwen3-TTS) — R2/R3 計測済み

Qwen3-TTS-12Hz-1.7B-CustomVoice / HuggingFace/PyTorch 直接実行。 R2 中央値: D: 9.8s / E: 8.6s / F: 10.1s / G: 7.5s — モデルサイズが小さく（~1.7GB）ストレージ差は限定的。

音声サンプル: results/qwen3tts-bench/audio/

Samsung 9100 PRO (Gen5 NVMe) は AI ワークロードのコールドスタートを最大 7.5 倍高速化する

10 種類の AI ワークロード（LLM ロード・コード生成・画像生成・動画生成・音声合成・音声対話）を 4 つのストレージ（Gen5 NVMe / SATA SSD / HDD / Gen5 リムーバブル）で横断計測した結果、 ストレージ速度が最も効くのは「モデルの初回ロード（コールドスタート）」であることが実証されました。

なぜ「D ドライブに Gen5」なのか

• OS ドライブ (C:) はバックグラウンド I/O と競合する — AI モデルの保存先は専用ドライブに
• モデル切り替えのたびにコールドスタートが発生 — AI 開発では 1 日に何十回もモデルを入れ替える
• モデルは大型化の一途 — 15GB (LTX-Video 2B) → 45GB (LTX 2.3 22B)。R4 実測: HDD で 3 分のロード遅延
• 8TB の大容量 — 全モデルを 1 台に集約、再ダウンロード不要
• 書き込みも高速 — 生成物保存・モデルダウンロード・学習チェックポイントで圧倒的な差

推論速度はストレージに依存しないことも確認済み。 つまり「速いストレージは無駄」ではなく、「待ち時間」を直接削減する最もコスパの高い投資先が D ドライブの Gen5 NVMe です。

Samsung 9100 PRO が AI ワークロードに最適な理由

Gen5 NVMe (D:) vs SATA SSD (E:) vs HDD (F:) の差は コールドスタートで最大 7.5 倍、書き込み速度で最大 10 倍。

Samsung 9100 PRO は PCIe Gen5 の帯域幅をフル活用し、シーケンシャルリード 14,800 MB/s、 8TB の大容量で複数の AI モデルを 1 台に集約可能。 AI クリエイターにとって「待たない AI 環境」を実現する最適なストレージです。