LTX-2.5: Lightricks wyprowadza wagi generatywnego wideo poza API, ale licencja pozostaje „warunkowa”

Lightricks (LTX) udostępnił 11 sierpnia 2026 roku LTX‑2.5, generatywny model wideo‑audio z otwartymi wagami; komunikat z wypowiedziami partnerów rozszedł się 13 sierpnia. Oficjalna karta modelu na Hugging Face opisuje diffusion transformer o 22 miliardach parametrów, nazwany w nocie wydawniczej ComfyUI „asymmetric dual‑stream”. Opublikowano kilka wariantów wag: destylowany DiT (bf16, int8, NVFP4) oraz pełny, trenowalny DiT (bf16, int8), a wraz z nimi VAE wideo i audio, upscaler, LoRA i łatkę „duration head”. Enkoderem tekstu jest Gemma 4 o 12 miliardach parametrów dostrojona pod LTX; oficjalne repozytorium na GitHubie zaznacza, że standardowa Gemma 4 nie jest zgodna.

Wśród zapowiedzianych funkcji są natywne generowanie multishot w jednym przebiegu (spójność postaci, otoczenia i głosu między cięciami), dźwięk generowany synchronicznie z obrazem, automatyczne przewidywanie długości, wyjście 4K HDR oraz „Diffusion Fidelity Rendering”, które rozdziela moc obliczeniową według złożoności sceny zamiast stosować stały współczynnik kompresji. Oficjalne repozytorium wymienia tryby generowania: tekst→wideo, obraz→wideo, wideo→wideo, audio→wideo, interpolacja klatek kluczowych i regeneracja fragmentów kadru. Wymagania programowe z karty modelu: Python ≥ 3.12, CUDA ≥ 12.7, PyTorch ~2.7; dla modeli destylowanych przewidziano stały harmonogram 8 kroków. ComfyUI obsługuje model od pierwszego dnia, z oficjalnymi szablonami dla tekst→wideo, obraz→wideo i pierwsza/ostatnia klatka→wideo.

Od strony praktycznej Lightricks podaje, że dziesięciosekundowy klip wygenerowany z obrazu zajmuje 6,8 sekundy na dwóch superchipach NVIDIA GB200 i 23,7 sekundy przez API LTX; jako minimum wskazano 16 GB VRAM. Opublikowany cennik API to 0,09 $/s w 720p, 0,15 $/s w 1080p, 0,19 $/s w 2K i 0,37 $/s w 4K. W danych rozesłanych przez LTX wynik artefaktów (im niżej, tym lepiej) to 0,28 dla LTX‑2.5 Pro i 0,39 dla LTX‑2.5 Fast, wobec 0,69 dla Seedance 2.5 i 1,20 dla Google Veo 3.1; sam LTX nazywa go wstępnym.

Licencja to LTX‑2.x Community License: użytek komercyjny bezpłatny poniżej 10 milionów dolarów rocznych przychodów, powyżej tego progu wymagana jest płatna umowa. Nie jest to licencja open source zatwierdzona przez OSI; nakłada obowiązek zgłaszania modyfikacji i zakazuje usuwania lub obchodzenia mechanizmów oznaczania treści syntetycznych. W wydaniu znalazł się też wstępnie wytrenowany checkpoint dla fizycznej SI i robotyki, pomyślany pod dostrajanie na danych dziedzinowych. O pozycjonowaniu jako „world model” współzałożyciel i dyrektor generalny LTX/Lightricks Zeev Farbman mówi w materiałach rozesłanych 13 sierpnia: „World models face challenges that LLMs never had to solve, like holding motion, space, and sound consistent across time” (world modele mierzą się z zadaniami, których LLM‑y nigdy nie musiały rozwiązywać: utrzymaniem spójności ruchu, przestrzeni i dźwięku w czasie). O uruchamianiu lokalnym senior director ds. Local AI w NVIDII, Gerardo Delgado Cabrera, mówi w tych samych materiałach z 13 sierpnia: „Local models enable creators and developers to freely explore their ideas thanks to their local GPUs” (modele lokalne pozwalają twórcom i deweloperom swobodnie badać własne pomysły dzięki lokalnym GPU).

Żadnej z tych liczb nie powtórzyła dotąd strona trzecia: to wszystko deklaracje dostawcy. Porównanie opublikowane przez LTX jest metodologicznie niejednorodne: konkurenci mierzeni w większości w 720p wobec wewnętrznego pomiaru LTX w 1080p; w cudzych czasach mieszczą się kolejka i hosting u osób trzecich (fal.run); porównanie z Veo 3.1 używa klipu ośmiosekundowego wobec dziesięciu sekund u LTX. Owe 6,8 sekundy dotyczy dwóch GB200, sprzętu bynajmniej niepowszechnego; nie ma niezależnych pomiarów przy minimum 16 GB VRAM ani weryfikacji spadku jakości przy kwantyzacji int8/NVFP4, rzutowaniu fp8 i offloadzie na CPU. Niezweryfikowane pozostają też spójność multishot, przewaga dekodera dyfuzyjnego nad VAE i działanie predyktora długości. Wynik artefaktów to pomiar automatyczny na 98 promptach przepuszczonych przez 10 modeli, a LTX nie opublikował pełnego ich zestawu. Sama karta modelu wylicza wyraźne ograniczenia: model nie jest przeznaczony do podawania informacji faktograficznych, może wzmacniać uprzedzenia społeczne, a wierność promptowi zmienia się wraz ze stylem pisania, aż po generacje niezgodne z żądaniem. Drobna uwaga: w jednym polu strony na Hugging Face widnieje data 6 stycznia 2026, niespójna z ogłoszeniem z 11 sierpnia (prawdopodobnie pozostałość po LTX‑2). Liczba ponad 33 milionów pobrań dotyczy całej rodziny LTX, nie tego modelu.

LTX otwiera pożyteczną drogę: wagi do pobrania, gotowe pipeline'y w ComfyUI, konkretny ukłon w stronę robotyki. Ale warunek licencyjny powiązany z przychodem przypomina, że „otwarte” znaczy tu przede wszystkim sprawdzalne, a nie wolne od warunków. Następną ciekawą wiadomością nie będą dema, tylko niezależne powtórzenia i pierwsze sensowne benchmarki na zwykłych kartach graficznych. — Olya