‏LTX 2.5: مدل ویدیویی اوپن‌ویت که روی GPU خودت اجرا می‌شه

LTX 2.5 یه مدل diffusion (یعنی مدلی که از نویز شروع می‌کنه و قدم‌به‌قدم تصویر رو تمیز می‌کنه) با ۲۲ میلیارد پارامتر از Lightricks هست که روی Hugging Face با اسم Lightricks/LTX-2.5 منتشر شده. به گفته این مقاله، نکته اصلی اینه که همون مدلی که Lightricks از طریق API خودش ارائه می‌ده رو می‌شه دانلود کرد و روی GPU خودت اجرا کرد. ریپازیتوریش هم تا الان بیشتر از دو میلیون دانلود داشته.

به گفته نویسنده، مدل‌های معروفی مثل محصولات OpenAI، Google و Runway همه بسته‌ان: پرامپت می‌فرستی و ویدیو تحویل می‌گیری، ولی به وزن‌ها دسترسی نداری. اگه اون شرکت قیمت، محدودیت درخواست یا دسترسی تو کشورت رو عوض کنه، کار تو هم عوض می‌شه. با وزن‌های باز می‌تونی مدل رو تو محصولت بذاری، fine-tune کنی (یعنی برای یه سبک یا کاربرد خاص دوباره آموزشش بدی) و ابزار اختصاصی دورش بسازی.

دانلود فقط یه فایل نیست، یه پایپ‌لاین کامله: وزن‌های ترنسفورمر در دو نسخه dev و distilled با فرمت‌های bf16 و int8 (و برای distilled فرمت فشرده‌تر nvfp4)، یه text encoder دوازده میلیاردی مبتنی بر Gemma، دو VAE جدا برای صدا و تصویر (VAE یعنی بخشی که داده رو فشرده می‌کنه و بعد دوباره بازسازیش می‌کنه)، upscalerهایی که رزولوشن و تعداد فریم رو دو برابر می‌کنن، یه LoRA و یه پچ برای کنترل طول ویدیو. هر تیکه جدا قابل تعویض یا فشرده‌سازیه، که روال معمول ابزارهایی مثل ComfyUI هست.

نسخه distilled با distillation ساخته شده، یعنی یه مدل یاد می‌گیره خروجی مدل بزرگ‌تر رو با قدم‌های خیلی کمتر تقلید کنه. نویسنده می‌گه برای کسی که می‌خواد روی GPU خودش اجرا کنه، فرق بین «قابل استفاده» و «غیرقابل استفاده» همینه. نسخه dev بالاترین کیفیت رو داره، ولی distilled با وزن‌های nvfp4 روی VRAM کمتر جا می‌شه.

از نظر قابلیت، صدا و تصویر تو یه سیستم و با VAEهای هماهنگ ساخته می‌شن، پس دیالوگ، لب‌خوانی و صدای محیط با هم جورن. قابلیت multi-shot هم اجازه می‌ده تو یه تولید، نمای باز، متوسط و نزدیک از یه شخصیت داشته باشی و صورت، لباس، نور و صدا ثابت بمونه. یه decoder جدید مبتنی بر diffusion هم مخصوص بهتر کردن صورت، بافت، متن روی تصویر و حرکت سریع اومده.

نویسنده معتقده برای ساخت نمونه یا چند کلیپ گاه‌به‌گاه، API میزبانی‌شده ساده‌تره. ولی اگه محصول می‌سازی، می‌خوای هزینه رو تو مقیاس کنترل کنی یا نمی‌خوای یه شرکت قیمت رو زیر پات عوض کنه، اجرای مستقل مزیت اصلیه. هزینه‌ش هم زیرساخته: حتی نسخه فشرده هم GPU قوی می‌خواد و روی لپ‌تاپ اجرا نمی‌شه.

نکات کلیدی:

• مدل با ۲۲ میلیارد پارامتر روی Hugging Face با اسم Lightricks/LTX-2.5 منتشر شده
• دو نسخه dev (کیفیت بیشتر) و distilled (قدم‌های کمتر و سریع‌تر) داره
• فرمت‌های bf16، int8 و برای distilled فرمت nvfp4 ارائه شده
• text encoder مبتنی بر Gemma با ۱۲ میلیارد پارامتر همراه پکیجه
• صدا و تصویر با دو VAE جدا ولی هماهنگ تو یه پاس ساخته می‌شن
• ریپازیتوری بیشتر از دو میلیون دانلود داشته
• حتی نسخه‌های فشرده هم برای اجرا GPU قوی لازم دارن، نه لپ‌تاپ