★ FEATURED ARTICLE 【免费下载链接】LTX-2.3-FP8项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.3-FP8点击查看免费下载LTX-2.3-FP8 是 LTX-2.3 音视频生成大模型的 FP8/INT8 量化版本可大幅降低显存占用。本文给出完整参数速查表视频分辨率必须被 32 整除、帧数遵循 81 规则如 81、161 帧以及不满足条件时的 Pad 填充裁剪技巧帮助你一次配置成功。 一、LTX-2.3-FP8 量化模型有哪些文件本仓库由 Unsloth 团队构建基于 diffusers 格式的 LTX-2.3 密集权重通过 torchao 动态激活量化生成提供两种量化方案、两种文件格式文件量化方案说明LTX-2.3-FP8.safetensorsFP8e4m3PerRow 粒度精度略高于 INT8LTX-2.3-INT8.safetensorsINT8per-token 激活 per-channel 权重显存占用最低LTX-2.3-FP8.pt同上的 PyTorch 格式约 19.1 GB供torch.load场景LTX-2.3-INT8.pt同上的 PyTorch 格式约 19.3 GB供torch.load场景 每个检查点都经过位级一致性验证与加载时即时量化密集权重结果完全相同4186 个张量比对0 处不一致因此直接加载量化文件不会引入额外误差。仓库中还附带官方模型卡 README.md其中保留了 LTX-2.3 完整模型的说明与全部参数规则是官方唯一权威出处。 二、分辨率设置必须被 32 整除LTX-2.3 采用 DiT 架构视频在潜空间latent中被大幅压缩因此宽度与高度必须同时被 32 整除否则推理流水线无法对齐潜空间网格。✅ 常见合规分辨率速查分辨率宽高比适用场景512 × 5121:1社媒头像、方形视频768 × 448≈16:9短视频注意 448 32×141024 × 57616:9主流横屏视频1024 × 10241:1高清方形输出1280 × 736≈16:9电影感画幅⚠️ 常见踩坑值72032×22.5不整除、544×960 中的 54432×17 ✅ 可用、640×360中的 360不整除。判断方法很简单宽 % 32 0 且 高 % 32 0。️ 三、帧数设置81 规则详解视频扩散模型的时序压缩器会保留第 1 帧作为锚点其后每 8 帧折叠为 1 个时序潜变量因此帧数必须等于 8 的倍数再加 1即满足帧数 8 × N 1 N ≥ 1✅ 合法帧数速查帧数对应时长25 FPS说明9 帧≈0.36 秒最快速度测试17 帧≈0.68 秒仓库验证脚本即用 17 帧33 帧≈1.3 秒短视频片段81 帧≈3.2 秒推荐起步值129 帧≈5.2 秒常规短视频161 帧≈6.4 秒长一点的镜头❌ 错误示例25 帧、100 帧、60 帧都不满足 8N1需就近取 33、97、57。✂️ 四、Pad 填充 裁剪不满足规则怎么办当你想生成768×432或100 帧这类不合规输出时官方给出的标准做法是向上取整到合规尺寸把输入 pad 到最近的 32 的倍数和 8N1 帧数如 768×432 → 768×448100 帧 → 105 帧按合规参数生成完整视频裁剪回目标尺寸与帧数裁掉多余的行、列和尾部帧即得到精确的 768×432 × 100 帧。在 ComfyUI 中对应流程是LTX 采样节点 Image Crop/ 视频裁剪节点在 PyTorch 侧则是对输出张量做切片即可。注意 README 原文提示 pad 值为-1即先用 -1 填充再裁剪这是官方代码路径中的约定行为按官方流水线执行即可自动处理。 经验法则优先直接选合规参数比生成后再裁剪更省显存和算力Pad 裁剪只用于必须匹配特定画幅如 16:9 精确比例的场合。⚙️ 五、配套检查点怎么选量化 DiT 需要与官方检查点搭配使用仓库内提供了完整的配套权重ltx-2.3-22b-dev.safetensors完整版 22B 模型bf16灵活且可训练步数与 CFG 可调ltx-2.3-22b-distilled.safetensors蒸馏版8 步、CFG1速度极快ltx-2.3-22b-distilled-1.1.safetensors蒸馏 v1.1美学与音质进一步提升。⚠️ 注意22B 蒸馏 DiT 比基础 LTX-2 对量化更敏感同种子首帧 LPIPS0.42 INT8 / 0.50 FP8基础模型为 0.24/0.26。帧面保持清晰、构图完整但构图漂移略多追求画质可优先 FP8追求显存优先 INT8。 六、一键上手ComfyUI 与 PyTorch 两条路径路径 AComfyUI推荐新手使用 ComfyUI Manager 中内置的 LTXVideo 节点导入上述量化权重文件后在 LTX 视频条件节点中填入合规的宽高与帧数即可无需写代码。路径 BPyTorch 官方代码库LTX-2 代码库要求 Python ≥3.12、CUDA 12.7、PyTorch ≈2.7安装完成后参考其ltx-pipelines包的说明进行推理。加载 FP8 检查点时注意底层使用torch._scaled_mm需将动态激活 scale 下限设为activation_value_lb1e-12torchao 0.13避免全零激活 token 行产生零 scale。❓ 七、常见问题FAQQ1为什么我设置的 720p 分辨率报错720 不能被 32 整除720 32×22.5。换成 704、736、768 这类 32 的倍数即可。Q28 步、CFG1 是必须的吗这是蒸馏版模型distilled的设定dev 完整模型可以自行调整步数与 CFG。Q3量化文件能用于训练吗不能。训练请使用 bf16 完整模型 ltx-2.3-22b-dev.safetensors量化文件仅用于推理。Q4INT8 和 FP8 画质差多少仓库给出同种子首帧 LPIPS越低越好INT8 0.42、FP8 0.50。两者都明显优于零额外误差的位级一致性FP8 综合更稳INT8 显存更省。Q5帧数 8N1 与 FPS 是什么关系规则只约束总帧数FPS 可自由选择。想要 5 秒 25FPS 的 125 帧视频不合规——请改为 121 帧≈4.8 秒或 129 帧≈5.2 秒或采用第四节的 Pad 裁剪方案。 总结参数规则合规示例宽度被 32 整除512、768、1024、1280高度被 32 整除448、576、736、1024帧数8×N19、17、33、81、129、161不合规输入Pad 到合规值 → 生成 → 裁剪768×432 → 768×448 → 裁回记住这三条核心规则——32 整除、81、Pad 裁剪——再配合本仓库的量化检查点你就能在低显存显卡上流畅跑起 LTX-2.3 音视频生成。更多细节请查阅官方模型卡 README.md。赞分享【免费下载链接】LTX-2.3-FP8项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.3-FP8点击查看免费下载相关推荐LTX-2.3-GGUF高分辨率高帧率生成技巧空间与时间上采样器多阶段管线完整指南LTX 2.3 GGUF高分辨率高帧率生成技巧空间与时间上采样器多阶段管线完整指南 想在本地显卡上让 LTX 2.3 GGUF 生成高分辨率、高帧率的视频答AnimeGen-T2V-A14B-Lightning-int4推理参数速查表步数、shift、分辨率与帧数一次配齐AnimeGen T2V A14B Lightning int4推理参数速查表步数、shift、分辨率与帧数一次配齐 AnimeGen T2V A14B LiEnzyme ShallowWrapper.slice() 方法详解按数组规则裁剪节点子集Enzyme ShallowWrapper.slice 方法详解按数组规则裁剪节点子集 导读 .slice 是 Enzyme 中用于在测试断言链上按数组规则截测试前端上一篇如何用免费苹方字体解决跨平台设计难题终极指南下一篇如何永久保存微信聊天记录WeChatMsg本地免费工具完整指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
