生成 10 秒视频 6.8 秒，但要看清测试条件

速度榜测的是图生视频，生成一段 10 秒片段要多久：

有三件事得跟数字一起读：

第一，6.8 秒那条跑在他们自己的两块 GB200 上。GB200 是英伟达最新的数据中心显卡，一块的价格够买一辆车。这个成绩说明模型本身效率高，但它和「你自己那块显卡能多快」是两个问题，官方没给后者的数字。

第二，两条 LTX 的分辨率不一样。本地那条是 720p，走 API 那条是 1080p，而 API 的 23.7 秒是在第三方平台 fal.run 上端到端测的，把排队时间也算了进去。

第三，对手的条件也各不相同。多数是 720p，MiniMax H3 是 768p，Kling 3.0 Pro 约 1080p，而 Veo 3.1 那条测的是 8 秒片段而不是 10 秒。

官方原图：左边速度榜，右边画质榜。每一行下面的小字就是各家的测试条件。图 / LTX

画面和声音是一起生成出来的

多数视频模型只管画面，声音要么没有，要么另找一个模型配。LTX 这条线从上一代起走的就是另一条路：音和画在同一个模型里同时长出来。它给自己的定位是「视频、音频与世界模拟」。

这套架构分三层：

所以它出来的不只是台词配音，还有跟着角色、环境、风格和情绪走的完整音轨，包括环境底噪和拟音。别的模型是先拍默片再找人配音，它是拍的时候话筒就开着。

2.5 的权重能对上这套设计：除了视频的 VAE，还挂着一个独立的音频 VAE，能力标签里也列着「文本转音频」「视频转音频」「音频转视频」这些组合。权重文件名带 22b，说明这一代总参数到了 220 亿；上一代是 140 亿加 50 亿，多出来的部分加在哪一侧未见披露。

新渲染法：先搭结构，再补细节

这一代画质提升的主要来源叫 Diffusion Fidelity Rendering。它要治的是视频生成的一个老毛病：为了跑得快，模型不在原始像素上干活，而是先把视频压小很多倍再生成，压得越狠算得越快，但解压回来细节就糊了，最常糊的就是人脸。

LTX-2.5 的解法是把「结构」和「细节」拆成两个阶段：

画质榜第一，比的是谁的画面毛病少

另一张榜测的是文生视频里每段片子的可见瑕疵数，越低越好：LTX 2.5 Pro 0.28、LTX 2.5 Fast 0.39、Flux 3 0.45、MiniMax 0.46、Wan 2.6 0.65、Seedance 2.5 0.69、LTX 2.3 Pro 0.74、Kling 3 Pro 0.76、Veo 3.1 1.20。

十个模型里 LTX 2.5 Pro 排第一。这个「第一」的含义要看清楚它到底量了什么：

另外三条口径也得说清：98 个相同的提示词跑 10 个模型；打分的是机器不是人；榜单标注为初步结果、会随着评测扩展变化，而且 Seedance 2.0 的 0.60 没画进图里。

「开源」的三道门：营收线、微调转让、下载要交邮箱

它的定位是开放权重（open weights），发布推文里那句更直接：「这不是一个你租来的工具。这是一个你可以在上面建东西的地基，开放的，属于你的。」

实际条款分三层：

这三条都不算苛刻，很多开源模型都这么做。「开源」两个字在中文语境里常被读成「随便用」，而这三道门里任何一道都可能影响你要不要用它。

机器人这条线，官方的定性是「还在发展中」

这次发布把机器人和物理 AI 放在了很显眼的位置：电影、机器人、实时工作流被并列为 LTX 模型已经投入生产使用的三个领域；机器人公司 Markov Robotics 的 CEO 出面背书，说「没找到另一个开源模型能像它这样满足我们」；权重里还单独放了一个为物理 AI 调过的预训练检查点。

而给开发者看的那份说明里，同一件事的定性保守得多：

它的既有用途是从文本、图片、视频输入生成同步的高保真音视频；在机器人、物理 AI 这些新兴领域的适用性还在发展中。

LTX-2.5 模型卡 · Hugging Face

两句出自同一家公司。想拿它做机器人的团队，按后面这句的口径评估更稳妥。

影视这条线上官方点名的是 Asteria，一家艺术家主导的制片公司，混合工作流建在 LTX 上。联合创始人 Paul Trillo 的说法是，他们看重的正是 ACES 这类真能嵌进现有生产流程的功能。图 / LTX

怎么上手：三条路、拆开的组件、16GB 起

想自己跑，有三条路：ltx-pipelines（LTX 自己的 PyTorch 管线）、ComfyUI（发布第一天就有官方工作流模板）、以及 Diffusers。

权重是拆成一个个组件分发的，不是单独一个大文件：扩散主干、Gemma 4 文本编码器、视频 VAE、音频 VAE、控制时长的模块、空间和时间的上采样器，还有 LoRA。装的时候每个组件要各自指定路径。

硬件方面：最低 16GB 显存、任意 GPU 可跑、支持本地/边缘/API 三种部署。显存不够时的办法是把主干动态降精度，再加 CPU 卸载。这个 16GB 对应哪个量化版本、什么分辨率、多长的片子，均未说明。

量化版本有三种：ComfyUI 专用的 int8、给 Blackwell 架构的 NVFP4，以及运行时的 fp8 降精度。ComfyUI 那两个专用文件不能给 PyTorch 管线用，这一条在模型卡里被单独标了出来。

发布一天，Hugging Face 上已经有社区做的 2 个适配器、4 个微调和 7 个量化版本。LTX 系列累计下载量超过 3300 万次（官方数字，指整个系列不是 2.5）。

速度榜测的是生成一段 10 秒片段要多久。根据 LTX 官方自评，LTX-2.5 本地跑在自家两块 GB200（英伟达最新数据中心显卡）上用了 6.8 秒；同一张榜上 Veo 3.1 是 70 秒，Kling 3.0 Pro 是 398 秒。

这条线从上一代起走的是另一条路：一条视频流、一条音频流并排跑，中间不断用交叉注意力（模型让两条流互相参考对方在做什么）对话，两条流按同一个时间节奏一起生成。出来的不只是台词，还有跟着画面走的脚步声、环境底噪和情绪对得上的背景音。

Lightricks 说这是「你可以在上面建东西的地基」。权重确实当天就能下，但商用条件写在许可里，分三层。

新闻稿把机器人放在很显眼的位置，电影、机器人、实时工作流并列为已经投产的三个场景，机器人公司 Markov Robotics 的 CEO 还出面背书。