如何选对版本?ltx-2.5-mlx / ltx-2.5-mlx-q8 / ltx-2.5-mlx-ditq8 终极对比指南

原创2026-10-17 11:27:342,254 阅读
文章标签:人工智能大模型基础模型模型量化本地部署媒体生成音频视频

如何选对版本?ltx-2.5-mlx / ltx-2.5-mlx-q8 / ltx-2.5-mlx-ditq8 终极对比指南

LTX-2.5 是 Lightricks 推出的音视频生成大模型,ltx-2.5-mlx-q8 等三个 MLX 版本把它搬上了 Apple Silicon Mac——名字只差几个字母,精度策略和内存需求却完全不同。选错版本,轻则"跑不动",重则白白浪费一半内存。本文用一张对比表 + 一份内存账本,帮你 3 分钟选对版本。

🤔 先搞懂:三个版本到底差在哪?

很多人以为 q8 和 ditq8 是"同一个模型的不同档位",其实它们量化的根本不是同一个部件,而是两条完全独立的轴:

对比项 ltx-2.5-mlx(基准版) ltx-2.5-mlx-q8(本仓库) ltx-2.5-mlx-ditq8
文本编码器(Gemma-4) bf16 全精度,约 23.8 GB int8 量化,约 13.6 GB ⬇️ bf16 全精度
DiT 主干(Transformer) bf16 bf16 int8 量化 ⬇️
VAE / 音频 / 上采样器等其余组件 相同 与基准版字节级一致 与基准版字节级一致
典型适用机型 48 GB+ 大内存 Mac 24 GB / 32 GB Mac 需要进一步压缩 DiT 内存的场景

一句话总结:-q8 省的是"文本编码器",-ditq8 省的是"DiT 主干"。两者互相独立,int8 编码器可以自由搭配 bf16 或 int8 的 DiT。

本仓库的完整说明见 README.md,模型主配置为 config.json(48 层、AudioVideo 双路架构、模型版本 2.5.0)。

⚡ ltx-2.5-mlx-q8:小内存机型的"救命版"

这是本仓库的重点,也是三个版本里对低内存 Mac 最实用的一个。官方文档里有一组很关键的实测数据:

  • 开启 DiT 流式加载后,LTX-2.5 的峰值内存被一个与画面分辨率无关的 ~24.8 GB 地板锁死——而这个地板正是 bf16 文本编码器;
  • 换成 int8 编码器后,同场景峰值降到 14.6 GB / 15.4 GB;
  • 换句话说:24 GB 和 32 GB 的 Mac 跑全精度版是"结构性超载",换 q8 后立刻回落到预算之内。

量化细节也很讲究(来自 README.md 的 Recipe 章节):

  • int8、group 64;
  • embed_tokens 刻意排除在外,保持 bf16——它是 49 个 hidden state 中连接器直接消费的输入,量化它会破坏整条链路;
  • 保真度:连接器输出在有效 token 位置上读到 0.999820,与 bf16 的理论下限 0.999879 几乎贴脸。

⚠️ 一个要提前知道的点:int8 版本的输出与 bf16 版本不是逐比特一致的——编码器变了,条件信号就变了,生成轨迹自然不同。官方通过盲测 4 组 A/B 对比(含面部特写、704×512 与 512×288 两种规格)判定感知上可接受。所以它是"另一条同样合格的视频",而不是"全精度的近似复制"。

🔥 ltx-2.5-mlx-ditq8:量化另一头

ditq8 仓库量化的是 DiT(Transformer 主干)本身,与文本编码器精度正交:

  • 你可以"bf16 编码器 + int8 DiT",也可以"int8 编码器 + int8 DiT";
  • 如果你的瓶颈在 DiT 的常驻内存,而不是编码器,那才轮到它出场;
  • 具体体积与内存数据以 ditq8 仓库自己的说明为准。

🧮 内存账本:为什么"两个都要"

这是全文最关键的一张表。README 明确指出:"Neither lever works alone"——单独开流式或单独换编码器都不够。

组合方式 峰值内存表现 24 GB Mac 32 GB Mac
全精度,DiT 常驻 最高:完整 DiT + bf16 编码器同时驻留 ❌ ❌
全精度 + DiT 流式 ≈24.8 GB(bf16 编码器"地板") ❌ ❌
q8 编码器 + DiT 常驻 瓶颈仍在 DiT,编码器收益不明显 ❌ 紧张
q8 编码器 + DiT 流式 14.6 / 15.4 GB ✅ ✅

规律很简单:

  • 常驻模式下 DiT 占大头,换编码器"看不见效果";
  • 流式模式下 DiT 被流走,地板变成了编码器,这时 int8 才真正发力。

📦 仓库里还有哪些组件?

除了量化的 Gemma-4 文本编码器(位于 gemma4-12b-ltx-v1/),本仓库是一棵可独立解析的完整组件树:

文件 作用
embedded_config.json Transformer + RectifiedFlow 调度器的完整配置
vae_encoder.safetensors / vae_decoder.safetensors 视频 VAE 编码器 / 解码器
vae_diffusion_decoder.safetensors 另一套视频解码器(diffusion decoder)
vae_decoder_pruna.safetensors 可选:PrunaAI 剪枝蒸馏解码器,解码约快 2×
audio_vae.safetensors + vocoder.safetensors 音频 VAE + 声码器,支撑音画同步输出
connector.safetensors 文本嵌入 → Transformer 的连接器
duration_head.safetensors 视频时长控制头
spatial_upscaler_x2_v1_1.safetensors 空间 2× 上采样器(配置见 spatial_upscaler_x2_v1_1_config.json)
temporal_upscaler_x2_v1_0.safetensors 时间 2× 上采样器

💡 彩蛋:vae_decoder_pruna 是可选加速项——官方实测解码环节约提速 2 倍,在 704×512×121 的解码瓶颈场景下,峰值内存从 21.1 GB 降到 14.5 GB,把"超预算需要换页"的运行拉回预算内。小内存机型建议一并关注。

✅ 30 秒选型决策表

你的 Mac 内存 推荐版本 备注
48 GB / 64 GB+ ltx-2.5-mlx 全精度 追求极致保真,内存无压力
32 GB ltx-2.5-mlx-q8 + DiT 流式 峰值约 15.4 GB,宽裕
24 GB ltx-2.5-mlx-q8 + DiT 流式(可加 pruna 解码器) 峰值约 14.6 GB,低配救星
瓶颈在 DiT 常驻内存 搭配 ltx-2.5-mlx-ditq8 与编码器精度自由组合

⚠️ 许可与使用边界

  • 三个版本均遵循 LTX-2 Community License,全文见 LICENSE.md;
  • 个人学习、实验、非商业用途:免费使用;
  • 年营收 ≥ 1000 万美元的机构用于商业目的,需另行购买商业授权;
  • 使用限制(如不得用于深度伪造、恶意内容等)见附件 ltx-acceptable-use-policy-snapshot-2026-08-12.pdf。

🚀 一键获取模型

git clone https://gitcode.com/hf_mirrors/mlx-community/ltx-2.5-mlx-q8

克隆完成后,仓库根目录即为完整组件树,文本编码器在 gemma4-12b-ltx-v1/ 子目录中。


小结:ltx-2.5-mlx 是基准,ltx-2.5-mlx-q8 用 int8 文本编码器把 24.8 GB 的内存地板打到 14.6 GB,是 24/32 GB Mac 的最优解;ltx-2.5-mlx-ditq8 则负责压缩 DiT 主干,与前两者自由搭配。记住那条铁律——"int8 编码器 + DiT 流式,两个都要",剩下的交给决策表就行。

登录后查看全文
ltx-2.5-mlx-q8