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

完全可控、高度可定制——自托管于您的基础设施。

主页 文档 GitHub 研究 API 试验场 Discord
LTX 许可协议

LTX-2.5 — 视频、音频与世界模拟

完全可控、高度可定制——自托管于您的基础设施。

主页 文档 GitHub 研究 API 试验场 Discord
LTX 许可协议
年营收低于 1000 万美元

在 LTX-2.x 社区许可协议下，可免费用于商业和生产用途。根据 LTX-2.x 社区许可协议，转让微调模型可能需要付费许可。

阅读文档
年营收超过 1000 万美元

LTX-2.x 付费商业使用协议，提供完整权重、工程支持、LoRA 以及灵活的部署选项。如需了解全部许可方案，请咨询专家。

咨询商业许可专家
年营收低于 1000 万美元

在 LTX-2.x 社区许可协议下，可免费用于商业和生产用途。根据 LTX-2.x 社区许可协议，转让微调模型可能需要付费许可。

阅读文档
年营收超过 1000 万美元

LTX-2.x 付费商业使用协议，提供完整权重、工程支持、LoRA 以及灵活的部署选项。如需了解全部许可方案，请咨询专家。

咨询商业许可专家

LTX-2.5 是一个开放世界模型，具备开放权重，面向本地运行与微调而构建。其成熟用途是：基于文本、图像和视频输入，生成同步且高保真的视频与音频；在机器人和物理 AI 等新兴领域的应用仍在发展中。

完全可控、高度可定制 —— 自托管于您自己的基础设施。无按次生成计费，无按席位锁定，无强制 API 依赖。收入按整个实体合并计算，包括共同控制下的子公司和关联方。完整且具有约束力的条款见 LICENSE。

LTX-2.5 新增内容

  • 原生多镜头生成 — 单次生成连贯场景：多个镜头可在镜头切换中保持角色身份、环境、光照、声音和视觉风格一致（此前版本只能生成单个连续镜头）。
  • 扩散保真度渲染 — 不再将每个场景锁定到同一压缩率，模型会根据场景复杂度和预算动态分配算力，在关键区域呈现极致细节，在其他区域保持高效。
  • 新的扩散视频解码器 — 替代 VAE 重建阶段；面部、纹理和画面文字更清晰，动态表现更好，在高难度场景中减少伪影。
  • 定制 Gemma 4 12B 文本编码器 — 能够保持复杂提示词的整体性（多个角色、运镜、光照、动作），而不是在较长序列中丢失细节。
  • 提示增强器 — 以极少的额外算力，将简短提示词扩展为更丰富的电影化指令。
  • 时长预测器（可选） — 一个可选节点可根据提示词预测片段时长，并自动设置帧数，而不依赖固定时长参数。
  • 大幅改进的蒸馏模型 — 在更小、更快的检查点中，保留了完整模型更多的视觉质量、提示词遵循度和运动一致性。

模型家族与检查点

LTX-2.5 以拆分式、遵循 Comfy 约定的包形式发布（每个组件一个 .safetensors 文件），而非单一整体文件。请将每个 CLI 参数 / 加载器指向以下文件。

Transformer（DiT）

文件说明
diffusion_models/ltx-2.5-22b-distilled-transformer-bf16.safetensors蒸馏 DiT（bf16）。固定 8 步采样调度，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 使用的 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相同文本编码器，Comfy int8 —— 仅限 ComfyUI
vae/ltx-2.5-video-vae-bf16.safetensorsDiffVAE —— 质量更高，开销更大
vae/ltx-2.5-video-vae-conv-bf16.safetensorsConv VAE —— 速度更快，更轻量
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（dev-transformer 工作流）
model_patches/ltx-2.5-duration-head-bf16.safetensors当省略 --num-frames 时自动推断时长
latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors多阶段流水线所需的 x2 空间上采样器
latent_upscale_models/ltx-2.5-latent-temporal-upscaler-x2-bf16-1.0.safetensorsx2 时间上采样器

使用方法

在线演示

无需在本地安装任何内容，即可在 API Playground 中试用 LTX-2.5。

方案 A — Python (ltx-pipelines)

本仓库中的权重为拆分格式（与 Comfy 保持一致）：每个组件对应一个 safetensors 文件。LTX-2 的 ltx-pipelines 软件包可通过 --transformer-path、--text-encoder-path 等参数加载这些权重。

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，推荐 PyTorch ~= 2.7。注意力后端和可选附加项请参见仓库 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，让 duration head 根据提示词选择时长（LTX-2.5+）。或设置例如 --num-frames 121（须满足 frames % 8 == 1）。宽度/高度必须可被 32 整除。

图生视频

添加一个或多个 --image PATH FRAME_IDX STRENGTH 参数（第 0 帧 = 首帧条件）：

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

低显存技巧

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

请配合 ltx-pipelines 使用 bf16 检查点。*-comfy-int8-convrot.safetensors 文件仅适用于 ComfyUI，不会通过本 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

选项 B — ComfyUI

官方 LTX-2.5 工作流模板已内置于 ComfyUI。完整说明：ComfyUI 集成

选项 C — Diffusers

兼容 Diffusers 的包位于 Lightricks/LTX-2.5-Diffusers — 同一模型，更适配 Diffusers 的打包方式。

安装

LTX-2.5 的支持尚未包含在 diffusers 的发布版本中，请从 main 分支安装：

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

图生视频，两阶段

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

  • 帧数：num_frames % 8 == 1（1, 9, 17, …, 121, …）
  • 宽度与高度需可被 32 整除

提示词

结构清晰、细节充分的提示词可显著提升生成效果。关于多镜头提示以及完整指南，请参考 如何为 LTX-2 编写提示词。

训练与微调

dev transformer 支持全参数训练。借助 LTX-2 Trainer，可复现已发布的 LoRA 与 IC-LoRA。

根据我们的测试，绝大多数在 LTX-2.3 上训练的 LoRA 与 IC-LoRA 均可在 LTX-2.5 上直接使用，无需修改。存在少量例外——在生产使用前，请先验证适配器。

局限性

  • 该模型并非旨在提供事实性信息，也无法提供事实性信息。
  • 作为统计模型，该 checkpoint 可能放大已有社会偏见。
  • 提示词遵循程度受提示词风格影响显著。
  • 模型可能无法生成与提示词完全一致的视频。
  • 模型可能生成不适当或冒犯性内容。

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}
}