HuggingFace镜像/LTX-2.5
模型介绍
文件和版本
分析
LTX-2.5 — 视频、音频与世界模拟

LTX-2.5 — 视频、音频与世界模拟

完全掌控、随心定制 — 在您自己的基础设施上自主部署。

官网首页 文档 GitHub 研究论文 API 体验区 Discord
LTX 许可证

LTX-2.5 — 视频、音频与世界模拟

完全掌控、随心定制 — 在您自己的基础设施上自主部署。

官网首页 文档 GitHub 研究论文 API 体验区 Discord
LTX 许可证
年营收低于 1000 万美元

根据 LTX-2.x 社区许可证，可免费用于商业及生产环境。根据 LTX-2.x 社区许可证的规定，转移微调模型可能需要付费许可证。

阅读文档
年营收超过 1000 万美元

付费商业使用协议适用于 LTX-2.x，包含完整权重、工程支持、LoRA 以及灵活的部署选项。如需了解所有许可选项，请咨询专家。

咨询商业许可专家
年营收低于 1000 万美元

根据 LTX-2.x 社区许可证，可免费用于商业及生产环境。根据 LTX-2.x 社区许可证的规定，转移微调模型可能需要付费许可证。

阅读文档
年营收超过 1000 万美元

付费商业使用协议适用于 LTX-2.x，包含完整权重、工程支持、LoRA 以及灵活的部署选项。如需了解所有许可选项，请咨询专家。

咨询商业许可专家

LTX-2.5 是一个开放权重的基础世界模型，专为本地运行和微调而设计。其成熟的应用场景是：根据文本、图像和视频输入，生成同步、高保真的视频与音频；同时，它在机器人技术和物理 AI 等新兴领域的适用性也正在持续开发中。

完全掌控、随心定制 — 在您自己的基础设施上自主部署。没有按次生成的计费，没有按席位绑定的锁定，也没有强制性的 API 依赖。营收统计覆盖整个实体，包括受共同控制的子公司和关联公司。完整且具有约束力的条款请参阅 LICENSE。

LTX-2.5 新增功能

  • 原生多镜头生成 — 单次生成即可产出连贯场景：多个镜头之间保持角色身份、环境、光照、声音和视觉风格一致（此前版本只能生成单一连续镜头）。
  • 扩散保真渲染 — 我们的模型不再将每个场景锁定为单一压缩率，而是根据场景复杂度和预算动态分配计算资源，在关键处呈现无瑕细节，在其他区域保持高效渲染。
  • 全新扩散视频解码器 — 取代 VAE 重建阶段；面部、纹理和屏幕文字更锐利，运动表现更佳，复杂场景中的伪影更少。
  • 定制 Gemma 4 12B 文本编码器 — 能够完整承载复杂提示词（多角色、运镜、光照、动作），而不会在较长序列中丢失细节。
  • 提示词增强器 — 以极低的额外计算成本将简短提示扩展为更丰富的电影级指令。
  • 时长预测器（可选） — 一个可选节点可根据提示词预测片段长度并自动设置帧数，无需依赖固定时长参数。
  • 大幅改进的蒸馏模型 — 在更小、更快的检查点中保留了完整模型绝大部分的视觉质量、提示遵循度和运动一致性。

模型系列与检查点

LTX-2.5 以拆分式、Comfy 对齐套件的形式发布（每个组件对应一个 .safetensors 文件），而非单一整体文件。请将各 CLI 参数 / 加载器指向下方对应文件。

变换器（DiT）

文件说明
diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors蒸馏 DiT（bf16）。固定 8 步调度，CFG=1。
diffusion_models/ltx-2.5-22b-dev-transformer-bf16.safetensors完整 / 可训练 DiT（bf16）。
diffusion_models/ltx-2.5-22b-distilled-transformer-comfy-int8-convrot.safetensors蒸馏 DiT（Comfy int8 + convrot）。仅限 ComfyUI — 不适用于 ltx-pipelines / PyTorch。
diffusion_models/ltx-2.5-22b-dev-transformer-comfy-int8-convrot.safetensors完整 DiT（Comfy int8 + convrot）。仅限 ComfyUI — 不适用于 ltx-pipelines / PyTorch。
diffusion_models/ltx-2.5-22b-distilled-transformer-nvfp4.safetensors蒸馏 DiT（NVFP4）。适用于 ComfyUI，或搭配 --quantization nvfp4-prequant 参数用于 ltx-pipelines（Blackwell / ltx-kernels）。

其他组件

文件说明
text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensorsGemma4 文本编码器 + 投影层（bf16）
text_encoders/gemma4-12b-with-proj-ltx-2.5-comfy-int8-convrot.safetensors相同的文本编码器，Comfy int8 版本 — 仅限 ComfyUI
vae/ltx-2.5-video-vae-bf16.safetensorsDiffVAE — 画质更优，但计算量更大
vae/ltx-2.5-video-vae-conv-bf16.safetensors卷积 VAE — 速度更快，内存占用更低
vae/ltx-2.5-audio-vae-bf16.safetensors音频 VAE + 声码器
loras/ltx-2.5-22b-distilled-lora-450-bf16.safetensors蒸馏 LoRA（用于 dev-transformer 工作流）
model_patches/ltx-2.5-duration-head-bf16.safetensors省略 --num-frames 参数时自动推断时长
latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors2 倍空间超分模型，多阶段流水线必需
latent_upscale_models/ltx-2.5-latent-temporal-upscaler-x2-bf16-1.0.safetensors2 倍时间超分模型

使用方法

在线演示

无需本地安装，直接在 API Playground 中体验 LTX-2.5。

方案 A — Python（ltx-pipelines）

本仓库中的权重为拆分格式（与 Comfy 对齐）：每个组件对应一个 safetensors 文件。LTX-2 的 ltx-pipelines 包通过 --transformer-path、--text-encoder-path 等参数加载这些文件。

安装

git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2
uv sync
source .venv/bin/activate

Python >= 3.12，CUDA >= 12.7，建议使用 PyTorch ~= 2.7。有关注意力后端和可选扩展，请参阅 仓库 README。

下载权重

hf auth login

# LTX-2.5 distilled split pack
hf download Lightricks/LTX-2.5 \
  diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \
  text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  vae/ltx-2.5-video-vae-bf16.safetensors \
  vae/ltx-2.5-audio-vae-bf16.safetensors \
  model_patches/ltx-2.5-duration-head-bf16.safetensors \
  latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --local-dir models/ltx-2.5

蒸馏式文生视频

uv run python -m ltx_pipelines.distilled \
  --transformer-path     models/ltx-2.5/diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \
  --text-encoder-path    models/ltx-2.5/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  --video-vae-path       models/ltx-2.5/vae/ltx-2.5-video-vae-bf16.safetensors \
  --audio-vae-path       models/ltx-2.5/vae/ltx-2.5-audio-vae-bf16.safetensors \
  --duration-head-path   models/ltx-2.5/model_patches/ltx-2.5-duration-head-bf16.safetensors \
  --spatial-upsampler-path models/ltx-2.5/latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --prompt "A golden retriever running through a sunny meadow, cinematic lighting" \
  --seed 42 \
  --output-path output_distilled.mp4

省略 --num-frames 参数，让时长预测头根据提示词自动选择合适的视频长度（LTX-2.5 及以上版本）。也可以手动设置，例如 --num-frames 121（需满足 frames % 8 == 1）。宽度和高度必须能被 32 整除。

图生视频

添加一个或多个 --image PATH FRAME_IDX STRENGTH 参数（帧索引 0 表示首帧条件约束）：

uv run python -m ltx_pipelines.distilled \
  --transformer-path     models/ltx-2.5/diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors \
  --text-encoder-path    models/ltx-2.5/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors \
  --video-vae-path       models/ltx-2.5/vae/ltx-2.5-video-vae-bf16.safetensors \
  --audio-vae-path       models/ltx-2.5/vae/ltx-2.5-audio-vae-bf16.safetensors \
  --duration-head-path   models/ltx-2.5/model_patches/ltx-2.5-duration-head-bf16.safetensors \
  --spatial-upsampler-path models/ltx-2.5/latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --image path/to/first_frame.jpg 0 1.0 \
  --prompt "The camera slowly dollies out as wind moves through the grass" \
  --seed 42 \
  --output-path output_i2v.mp4

低显存使用提示

# Downcast bf16 transformer on the fly + CPU offload
  ...existing flags... \
  --quantization fp8-cast \
  --offload cpu

使用 ltx-pipelines 加载 bf16 检查点。*-comfy-int8-convrot.safetensors 文件仅适用于 ComfyUI，不会被此 PyTorch 路径加载。

Python API（相同的拆分路径）

from ltx_pipelines.distilled import DistilledPipeline
from ltx_pipelines.utils.model_paths import ModelPaths

model_paths = ModelPaths.from_split(
    transformer_path="models/ltx-2.5/diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors",
    text_encoder_path="models/ltx-2.5/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors",
    video_vae_path="models/ltx-2.5/vae/ltx-2.5-video-vae-bf16.safetensors",
    audio_vae_path="models/ltx-2.5/vae/ltx-2.5-audio-vae-bf16.safetensors",
    duration_head_path="models/ltx-2.5/model_patches/ltx-2.5-duration-head-bf16.safetensors",
)

pipe = DistilledPipeline(
    model_paths=model_paths,
    spatial_upsampler_path="models/ltx-2.5/latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors",
)
# See packages/ltx-pipelines for __call__ args (prompt, seed, num_frames, images, ...).
uv run python -m ltx_pipelines.distilled --help

完整文档：ltx-pipelines 安装指南。

方案 B — ComfyUI

官方 LTX-2.5 工作流模板已随 ComfyUI 一同提供。完整说明请参阅：ComfyUI 集成。

方案 C — Diffusers

兼容 Diffusers 的模型包位于 Lightricks/LTX-2.5-Diffusers —— 模型本身完全相同，仅采用了更贴合 Diffusers 生态的封装形式。

安装

目前 diffusers 正式版尚未包含对 LTX-2.5 的支持，请从 main 分支安装：

pip install git+https://github.com/huggingface/diffusers

图像转视频，两阶段流程

import torch
from diffusers import LTX2ImageToVideoPipeline, LTX2LatentUpsamplePipeline
from diffusers.pipelines.ltx2.latent_upsampler import LTX2LatentUpsamplerModel
from diffusers.pipelines.ltx2.utils import (
    DEFAULT_NEGATIVE_PROMPT,
    DISTILLED_SIGMA_VALUES,
    STAGE_2_DISTILLED_SIGMA_VALUES,
)
from diffusers.utils import encode_video, load_image

MODEL_ID = "Lightricks/LTX-2.5-Diffusers"
# Stage 1 resolution; stage 2 runs at 2x this.
HEIGHT, WIDTH, NUM_FRAMES, FRAME_RATE = 544, 960, 121, 24.0

pipe = LTX2ImageToVideoPipeline.from_pretrained(MODEL_ID, dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()
pipe.vae.enable_tiling()  # stage 2 decodes at 2x

latent_upsampler = LTX2LatentUpsamplerModel.from_pretrained(
    MODEL_ID, subfolder="latent_upsampler", dtype=torch.bfloat16
).to("cuda")
upsample_pipe = LTX2LatentUpsamplePipeline(vae=pipe.vae, latent_upsampler=latent_upsampler)

generator = torch.Generator("cuda").manual_seed(42)
shared = dict(
    image=load_image("path/to/first_frame.jpg"),
    prompt="The camera slowly dollies out as wind moves through the grass",
    negative_prompt=DEFAULT_NEGATIVE_PROMPT,
    frame_rate=FRAME_RATE,
    guidance_scale=1.0,
    audio_guidance_scale=1.0,
    stg_scale=0.0,
    audio_stg_scale=0.0,
    modality_scale=1.0,
    audio_modality_scale=1.0,
    generator=generator,
    return_dict=False,
)

stage_1_latents, audio_latents = pipe(
    height=HEIGHT, width=WIDTH, num_frames=NUM_FRAMES,
    sigmas=DISTILLED_SIGMA_VALUES, output_type="latent", **shared,
)

upsampled_latents = upsample_pipe(
    latents=stage_1_latents, output_type="latent", return_dict=False
)[0]

# Stage 2 takes its size from the upsampled latents, so pass no height/width.
video, audio = pipe(
    num_frames=NUM_FRAMES,
    sigmas=STAGE_2_DISTILLED_SIGMA_VALUES,
    latents=upsampled_latents,
    audio_latents=audio_latents,
    noise_scale=STAGE_2_DISTILLED_SIGMA_VALUES[0],
    output_type="np",
    **shared,
)

encode_video(
    video[0],
    fps=int(FRAME_RATE),
    output_path="output_i2v_two_stage.mp4",
    audio=audio[0].float().cpu(),
    audio_sample_rate=pipe.vocoder.config.output_sampling_rate,
)

约束条件

  • 帧数：num_frames % 8 == 1（1、9、17、…、121、…）
  • 宽和高必须能被 32 整除

提示词指南

结构清晰、细节丰富的提示词能显著提升生成效果。如需了解多镜头提示词及完整指南，请参阅 如何为 LTX-2 编写提示词。

训练与微调

dev 版 transformer 支持完全训练。您可以使用 LTX-2 Trainer 复现已发布的 LoRA 和 IC-LoRA。

根据我们的测试，绝大多数在 LTX-2.3 上训练的 LoRA 和 IC-LoRA 均可在 LTX-2.5 上直接使用，无需任何修改。但也有少量例外情况——请在生产环境使用前务必验证您的适配器。

局限性

  • 本模型并非用于提供事实信息，也不具备此能力。
  • 作为统计模型，该检查点可能会放大现有的社会偏见。
  • 提示词的遵循程度受提示词风格影响较大。
  • 模型可能无法生成与提示词完全匹配的视频。
  • 模型可能生成不适当或具有冒犯性的内容。

引用

@article{hacohen2025ltx2,
  title={LTX-2: Efficient Joint Audio-Visual Foundation Model},
  author={HaCohen, Yoav and Brazowski, Benny and Chiprut, Nisan and Bitterman, Yaki and Kvochko, Andrew and Berkowitz, Avishai and Shalem, Daniel and Lifschitz, Daphna and Moshe, Dudu and Porat, Eitan and Richardson, Eitan and Guy Shiran and Itay Chachy and Jonathan Chetboun and Michael Finkelson and Michael Kupchick and Nir Zabari and Nitzan Guetta and Noa Kotler and Ofir Bibi and Ori Gordon and Poriya Panet and Roi Benita and Shahar Armon and Victor Kulikov and Yaron Inger and Yonatan Shiftan and Zeev Melumian and Zeev Farbman},
  journal={arXiv preprint arXiv:2601.03233},
  year={2026}
}