LTX 2.5 本地部署教程：32GB 显存门槛与优化开关

LTX 2.5 的权重完全公开，本地部署有 ComfyUI、Python 管线和 Diffusers 三条路，官方给出的前置条件是 CUDA 显卡、32GB 以上显存与 100GB 以上磁盘空间。

先确认你的机器扛不扛得住

视频模型和文本模型的显存门槛不是一回事。文本模型可以用量化把 7B 塞进 8GB 显存，LTX 2.5 光是 22B 参数的 bf16 权重就接近 44GB，再叠加视频 VAE 解码和空间上采样，所以官方在 ComfyUI-LTXVideo 插件页 直接把门槛写成 32GB 显存加 100GB 磁盘，命令行路线的蒸馏权重一套下载约 66GiB。

如果你的卡达不到这条线，有三个现实的选择：

1. 先用官方在线 Playground 验证效果，确认值得投入再买卡。
2. 走命令行管线并打开 fp8 量化与卸载开关，把权重放到系统内存甚至硬盘上流式读取。
3. 放弃本地，直接用官方 API。

顺便说一句，本地部署的显存门槛一直在涨，文本模型这一支还有 GLM-6.0 能本地部署吗 这类低门槛方案可选，通用规律可以先看 本地部署大模型需要什么配置？一张表看显存门槛。

三条路线怎么选

三条路线的取舍逻辑和 openPangu 2.0 本地部署教程：三条路线与硬件门槛 讲的一样：图形化上手快，命令行可控性强，生态路线迁移成本低。

路线一：ComfyUI 装 LTXV 节点

这是新手最省事的一条路，全程在界面里点。

1. 先装好 ComfyUI，官网有 Windows 与 macOS 的安装包。
2. 打开 ComfyUI，点 Manager 按钮，或者按 Ctrl+M。
3. 进入 Install Custom Nodes，搜索 LTXV 相关关键字。
4. 点安装，等进度条走完，重启 ComfyUI。
5. 节点会出现在 LTXVVideo 分类下，打开官方示例工作流即可开跑。

有个细节能省不少事：LTX-2 已经内置进 ComfyUI 核心代码，所以不装额外节点也能用基础能力，装 LTXV 插件主要是为了拿到 HDR、IC-LoRA 这类进阶工作流。模型文件会在首次运行时按工作流提示下载。

路线二：官方 Python 管线

这条路的软件前置是 Python 3.12 以上、CUDA 12.7 以上、PyTorch 约 2.7 版本，官方推荐用 uv 管理环境，完整说明见 ltx-pipelines 安装文档。

第一步，从 Lightricks/LTX-2 仓库 拉代码建环境：

git clone https://github.com/Lightricks/LTX-2.git
cd LTX-2
uv sync --extra natten

natten 这个附加项只在 Linux 加 CUDA 上生效，Windows 和 macOS 会自动跳过，视频解码退回 Triton 或 eager 实现，所以同一套命令在哪都能装。

第二步，登录并下载蒸馏权重，这一套约 66GiB：

hf auth login
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 \
  latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --local-dir models/ltx-2.5

如果卡在 401 或 403，通常是没在 Hugging Face 上同意模型条款，或者 token 权限不够，用带读取权限的 token 重新登录即可。

第三步，跑第一条视频：

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 \
  --spatial-upsampler-path models/ltx-2.5/latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors \
  --num-frames 121 \
  --seed 42 \
  --prompt "A golden retriever running through a sunny meadow, cinematic lighting" \
  --output-path output.mp4

蒸馏管线参数最少、步数固定，适合当验证。追求成片质量就换 DFR 管线，它用同一个蒸馏权重，额外加一个细节 IC-LoRA 和一次空间细化，代价是更慢也更吃显存，两条管线的参数细节查 pipelines 文档 即可。

路线三：Diffusers

LTX 2.5 的 Diffusers 版本单独放在一个仓库里，目前还没进正式版，需要从主分支安装 diffusers。

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

官方示例的思路是两阶段：先出低分辨率 latents，再上采样后解码，并用 enable_model_cpu_offload() 与 vae.enable_tiling() 压显存。如果你本来就在 Diffusers 生态里，这条路改动最小；如果你是第一次接触，建议还是先走 ComfyUI。

怎么确认真的跑通了

• 命令行路线：输出目录里出现能正常播放的 mp4，实际帧数与设置的 --num-frames 一致。
• ComfyUI 路线：工作流从加载模型到保存视频全绿，预览窗口能播放，没有节点标红。
• 音频检查：LTX 2.5 是音视频联合生成，成片里应该有独立音轨，这是它和多数只出画面的视频模型最直观的差别。

显存不够时，这些开关按顺序加

官方 优化文档 明确不公布绝对显存数字，只给降级杠杆，按下面顺序加效果最划算：

另外两个提速点：一是蒸馏管线本身只跑 8 步，是官方给的最快路径；二是用梯度估计可以把推理步数从 40 降到 20 到 30，画质基本守得住。如果你的目标只是先跑起来一个视频模型，门槛更低的方案可以看 MiniMax H3 是什么？8GB 显存本地部署与 API 价格全解。

常见报错速查