【免费下载链接】LTX-2.5-GGUF项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.5-GGUF点击查看免费下载LTX-2.5-GGUF 是 Lightricks 22B 音视频生成模型 LTX-2.5 的 GGUF 量化版。其中UD-前缀文件采用 Unsloth Dynamic 2.0 混合精度量化方法——本文讲清它的逐层敏感度扫描原理与实测数据帮你在相同体积下选到画质最好的那个文件。1️⃣ LTX-2.5-GGUF 是什么一个开箱即用的量化全家桶LTX-2.5 是一个 22B 参数的音视频 DiT 模型能从文本或图像生成带同步音频的视频。原始 bf16 权重体积超过 42 GB普通消费级显卡根本跑不动量化之后12~16 GB 显存的显卡就能流畅出片。unsloth/LTX-2.5-GGUF 把所有组件打成了一个包组件位置说明dev 版 DiTGGUF仓库根目录完整版30 步 / CFG 3distilled 版 DiTGGUFdistilled/快速版两阶段 83 步 / CFG 1文本编码器text_encoders/Gemma 4 12Bbf16未量化视频 / 音频 VAEvae/Conv VAE 音频 VAE潜空间上采样器latent_upscale_models/distilled 两阶段流程必需每个 DiT 都有两个家族的文件统一量化Q2_K、Q3_K_M、Q4_K_M、Q8_0等所有层用同一精度UD 混合精度UD-Q2_K_XL~UD-Q5_K_XLUnsloth Dynamic 2.0 的产物本文的主角。2️⃣ 原理拆解为什么同样大小UD 却更好先理解统一量化uniform的朴素思路把整个网络按同一精度压缩比如每层都用Q4_K_M。它的问题在于——不同层对精度丢失的敏感度天差地别。敏感层被压到 4 bit误差会一路放大到最终画面而不敏感层用 4 bit 其实是浪费预算。Unsloth Dynamic 2.0UD的做法分两步逐层敏感度扫描对每一层单独做量化实验测量这层被压缩后输出漂移多少得到一张敏感度清单按敏感度分配精度敏感层用 Q5/Q8 等更高精度保住细节不敏感层大胆压到 Q2/Q3最终拼出一个总体积可控的混合精度组合。打个比方 统一量化是全屋刷同一款漆UD 是客厅用最好的漆、车库用最便宜的——总预算一样但住得最频繁的地方体验最好。文件命名里的XL表示体积会向上取整到更整的大小用来吸收各层精度差异带来的体积浮动例如UD-Q4_K_XL约 14.0 GB略大于同档Q4_K_M13.58 GB。3️⃣ 实测数据说话LPIPS 与 PSNR对比基准以 bf16 原版权重为参照同一提示词、同一随机种子、同一文本编码器与生成参数对全部 121 帧求平均。指标含义LPIPS越低越好感知相似度衡量画面看起来差多少PSNR越高越好信噪比衡量逐像素偏差。由于采样器每一步都会重新注入噪声微小的权重误差会被放大为运动漂移所以必须整段视频对比而不是看单帧。distilled 版distilled/文件大小每权重位数LPIPS vs bf16PSNRQ2_K8.46 GB3.220.56714.8 dBUD-Q2_K_XL9.50 GB3.620.41617.1 dBQ3_K_M11.30 GB4.300.39017.3 dBUD-Q3_K_XL12.00 GB4.570.31019.1 dBQ4_K_M13.58 GB5.170.35218.1 dBUD-Q4_K_XL14.00 GB5.330.32019.4 dBQ5_K_M15.63 GB5.950.31618.9 dBUD-Q5_K_XL16.00 GB6.090.29620.3 dBQ6_K17.81 GB6.780.27420.4 dBQ8_022.78 GB8.680.24221.6 dBdev 版仓库根目录文件大小每权重位数LPIPS vs bf16PSNRQ2_K8.46 GB3.220.59214.3 dBUD-Q2_K_XL9.50 GB3.620.35416.6 dBQ3_K_M11.30 GB4.300.42715.4 dBUD-Q3_K_XL12.00 GB4.570.24620.0 dBQ4_K_M13.58 GB5.170.33016.8 dBUD-Q4_K_XL14.00 GB5.330.18321.4 dBQ5_K_M15.63 GB5.950.20820.1 dBUD-Q5_K_XL16.00 GB6.090.16222.1 dBQ6_K17.81 GB6.780.18021.2 dBQ8_022.78 GB8.680.16923.4 dB 数据里的三个关键结论UD 同档全面压制统一量化distilled 版中UD-Q4_K_XL0.320明显好于Q4_K_M0.352dev 版差距更夸张——UD-Q4_K_XL0.183 vsQ4_K_M0.330几乎砍半。小文件逼近大文件UD-Q4_K_XL14.0 GB的画质已与Q5_K_M15.63 GB0.316相当等于白赚 1.6 GBUD-Q2_K_XL9.5 GB远好于Q2_K接近比它大 1.8 GB 的Q3_K_M。接近无损的性价比拐点dev 版中UD-Q5_K_XL0.162甚至超过了 22.78 GB 的Q8_00.169是画质/体积比最优的一档。作为参照系官方 INT8 与 FP8 版本在同批片段上的 LPIPS 分别为 0.265 和 0.366可见 UD 档量化已能站在 FP 系量化的肩膀附近。4️⃣ 文件速查表三种场景一步选对你的显卡 / 需求推荐文件体积16 GB 级显卡最通用distilled/ltx-2.5-22b-distilled-UD-Q4_K_XL.gguf约 14 GB12 GB 小显存distilled/ltx-2.5-22b-distilled-UD-Q2_K_XL.gguf约 9.5 GB追求最接近 bf16distilled/ltx-2.5-22b-distilled-Q8_0.gguf约 22.8 GB选型时先定版本再定精度distilled快速版两阶段 83 步、CFG 1出片快适合批量创作dev完整版30 步、CFG 3画质与提示词遵循上限更高适合精修单条。5️⃣ 加载运行Unsloth Studio 与 ComfyUI 双通道所有文件均已逐一实测可用两条加载路径Unsloth Studio在 Video 页面选择 LTX-2.5直接指定本仓库的 GGUF 文件即可。DiT 从 GGUF 加载文本编码器、VAE、上采样器自动补齐。ComfyUI安装 ComfyUI-GGUF 自定义节点打开内置的Text to Video (LTX-2.5)模板把Load Diffusion Model节点替换为Unet Loader (GGUF)并指向 GGUF 文件其余节点保持不变。文本编码器、VAE 与上采样器可用本仓库内的 text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors、vae/ltx-2.5-video-vae-conv-bf16.safetensors、latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors。想先看效果仓库自带用UD-Q4_K_XLdistilled 跑出的样例1280×704、121 帧、24 fps、带音频samples/ltx25_distilled_UD-Q4_K_XL_t2v.mp4文生视频与 samples/ltx25_distilled_UD-Q4_K_XL_i2v.mp4图生视频同第 60 帧的各量化档对比图也在 samples/ 目录中。6️⃣ 许可证与来源这些文件是基于原始权重的量化衍生版本遵循 LTX-2.x Community License全文见 LICENSE并非 Lightricks 官方发布。年营收超过 1000 万美元的机构用于非商业目的以外的用途需要付费许可使用前请阅读 NOTICE 中的说明。一句话总结UD 混合精度量化 逐层敏感度扫描 按敏感度分配精度。在 LTX-2.5-GGUF 里UD-Q4_K_XL用 14 GB 打到了 15.6 GB 统一量化的水平这就是把预算花在敏感层的价值——显存有限时优先选 UD 档不会错。赞分享【免费下载链接】LTX-2.5-GGUF项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.5-GGUF点击查看免费下载相关推荐为什么 UD 量化比同尺寸 Q4_K_M 更准深入解析 FLUX 3 Image Klein Base GGUF 的 Unsloth Dynamic 2.0 敏感度扫描原理为什么 UD 量化比同尺寸 Q4_K_M 更准深入解析 FLUX 3 Image Klein Base GGUF 的 Unsloth Dynamic 2.0人工智能大模型基础模型本地部署模型量化媒体生成为什么Unsloth Dynamic 2.0更准Olmo-3-7B-Think-unsloth-bnb-4bit量化优势深度解读为什么Unsloth Dynamic 2.0更准Olmo 3 7B Think unsloth bnb 4bit量化优势深度解读 本文带你快速看懂 Olmo揭秘 Unsloth Dynamic 2.0 动态混合精度FLUX 3 Image Klein GGUF 量化技术深度解析揭秘 Unsloth Dynamic 2.0 动态混合精度FLUX 3 Image Klein GGUF 量化技术深度解析 flux 3 image klei大模型基础模型媒体生成模型量化本地部署上一篇Pig 开源仓库工程指南模块组织、构建测试与协作规范全解析下一篇Woodpecker Secret Extension 完全指南用外部 HTTP 服务集中管理 CI/CD 密钥创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/18 1:12:36 · 阅读 1.2k 为什么LTX-2.5-GGUF的UD混合精度量化更优？Unsloth Dynamic 2.0逐层敏感度原理详解
【免费下载链接】LTX-2.5-GGUF项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.5-GGUF点击查看免费下载LTX-2.5-GGUF 是 Lightricks 22B 音视频生成模型 LTX-2.5 的 GGUF 量化版。其中UD-前缀文件采用 Unsloth Dynamic 2.0 混合精度量化方法——本文讲清它的逐层敏感度扫描原理与实测数据帮你在相同体积下选到画质最好的那个文件。1️⃣ LTX-2.5-GGUF 是什么一个开箱即用的量化全家桶LTX-2.5 是一个 22B 参数的音视频 DiT 模型能从文本或图像生成带同步音频的视频。原始 bf16 权重体积超过 42 GB普通消费级显卡根本跑不动量化之后12~16 GB 显存的显卡就能流畅出片。unsloth/LTX-2.5-GGUF 把所有组件打成了一个包组件位置说明dev 版 DiTGGUF仓库根目录完整版30 步 / CFG 3distilled 版 DiTGGUFdistilled/快速版两阶段 83 步 / CFG 1文本编码器text_encoders/Gemma 4 12Bbf16未量化视频 / 音频 VAEvae/Conv VAE 音频 VAE潜空间上采样器latent_upscale_models/distilled 两阶段流程必需每个 DiT 都有两个家族的文件统一量化Q2_K、Q3_K_M、Q4_K_M、Q8_0等所有层用同一精度UD 混合精度UD-Q2_K_XL~UD-Q5_K_XLUnsloth Dynamic 2.0 的产物本文的主角。2️⃣ 原理拆解为什么同样大小UD 却更好先理解统一量化uniform的朴素思路把整个网络按同一精度压缩比如每层都用Q4_K_M。它的问题在于——不同层对精度丢失的敏感度天差地别。敏感层被压到 4 bit误差会一路放大到最终画面而不敏感层用 4 bit 其实是浪费预算。Unsloth Dynamic 2.0UD的做法分两步逐层敏感度扫描对每一层单独做量化实验测量这层被压缩后输出漂移多少得到一张敏感度清单按敏感度分配精度敏感层用 Q5/Q8 等更高精度保住细节不敏感层大胆压到 Q2/Q3最终拼出一个总体积可控的混合精度组合。打个比方 统一量化是全屋刷同一款漆UD 是客厅用最好的漆、车库用最便宜的——总预算一样但住得最频繁的地方体验最好。文件命名里的XL表示体积会向上取整到更整的大小用来吸收各层精度差异带来的体积浮动例如UD-Q4_K_XL约 14.0 GB略大于同档Q4_K_M13.58 GB。3️⃣ 实测数据说话LPIPS 与 PSNR对比基准以 bf16 原版权重为参照同一提示词、同一随机种子、同一文本编码器与生成参数对全部 121 帧求平均。指标含义LPIPS越低越好感知相似度衡量画面看起来差多少PSNR越高越好信噪比衡量逐像素偏差。由于采样器每一步都会重新注入噪声微小的权重误差会被放大为运动漂移所以必须整段视频对比而不是看单帧。distilled 版distilled/文件大小每权重位数LPIPS vs bf16PSNRQ2_K8.46 GB3.220.56714.8 dBUD-Q2_K_XL9.50 GB3.620.41617.1 dBQ3_K_M11.30 GB4.300.39017.3 dBUD-Q3_K_XL12.00 GB4.570.31019.1 dBQ4_K_M13.58 GB5.170.35218.1 dBUD-Q4_K_XL14.00 GB5.330.32019.4 dBQ5_K_M15.63 GB5.950.31618.9 dBUD-Q5_K_XL16.00 GB6.090.29620.3 dBQ6_K17.81 GB6.780.27420.4 dBQ8_022.78 GB8.680.24221.6 dBdev 版仓库根目录文件大小每权重位数LPIPS vs bf16PSNRQ2_K8.46 GB3.220.59214.3 dBUD-Q2_K_XL9.50 GB3.620.35416.6 dBQ3_K_M11.30 GB4.300.42715.4 dBUD-Q3_K_XL12.00 GB4.570.24620.0 dBQ4_K_M13.58 GB5.170.33016.8 dBUD-Q4_K_XL14.00 GB5.330.18321.4 dBQ5_K_M15.63 GB5.950.20820.1 dBUD-Q5_K_XL16.00 GB6.090.16222.1 dBQ6_K17.81 GB6.780.18021.2 dBQ8_022.78 GB8.680.16923.4 dB 数据里的三个关键结论UD 同档全面压制统一量化distilled 版中UD-Q4_K_XL0.320明显好于Q4_K_M0.352dev 版差距更夸张——UD-Q4_K_XL0.183 vsQ4_K_M0.330几乎砍半。小文件逼近大文件UD-Q4_K_XL14.0 GB的画质已与Q5_K_M15.63 GB0.316相当等于白赚 1.6 GBUD-Q2_K_XL9.5 GB远好于Q2_K接近比它大 1.8 GB 的Q3_K_M。接近无损的性价比拐点dev 版中UD-Q5_K_XL0.162甚至超过了 22.78 GB 的Q8_00.169是画质/体积比最优的一档。作为参照系官方 INT8 与 FP8 版本在同批片段上的 LPIPS 分别为 0.265 和 0.366可见 UD 档量化已能站在 FP 系量化的肩膀附近。4️⃣ 文件速查表三种场景一步选对你的显卡 / 需求推荐文件体积16 GB 级显卡最通用distilled/ltx-2.5-22b-distilled-UD-Q4_K_XL.gguf约 14 GB12 GB 小显存distilled/ltx-2.5-22b-distilled-UD-Q2_K_XL.gguf约 9.5 GB追求最接近 bf16distilled/ltx-2.5-22b-distilled-Q8_0.gguf约 22.8 GB选型时先定版本再定精度distilled快速版两阶段 83 步、CFG 1出片快适合批量创作dev完整版30 步、CFG 3画质与提示词遵循上限更高适合精修单条。5️⃣ 加载运行Unsloth Studio 与 ComfyUI 双通道所有文件均已逐一实测可用两条加载路径Unsloth Studio在 Video 页面选择 LTX-2.5直接指定本仓库的 GGUF 文件即可。DiT 从 GGUF 加载文本编码器、VAE、上采样器自动补齐。ComfyUI安装 ComfyUI-GGUF 自定义节点打开内置的Text to Video (LTX-2.5)模板把Load Diffusion Model节点替换为Unet Loader (GGUF)并指向 GGUF 文件其余节点保持不变。文本编码器、VAE 与上采样器可用本仓库内的 text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors、vae/ltx-2.5-video-vae-conv-bf16.safetensors、latent_upscale_models/ltx-2.5-latent-spatial-upscaler-x2-bf16-1.0.safetensors。想先看效果仓库自带用UD-Q4_K_XLdistilled 跑出的样例1280×704、121 帧、24 fps、带音频samples/ltx25_distilled_UD-Q4_K_XL_t2v.mp4文生视频与 samples/ltx25_distilled_UD-Q4_K_XL_i2v.mp4图生视频同第 60 帧的各量化档对比图也在 samples/ 目录中。6️⃣ 许可证与来源这些文件是基于原始权重的量化衍生版本遵循 LTX-2.x Community License全文见 LICENSE并非 Lightricks 官方发布。年营收超过 1000 万美元的机构用于非商业目的以外的用途需要付费许可使用前请阅读 NOTICE 中的说明。一句话总结UD 混合精度量化 逐层敏感度扫描 按敏感度分配精度。在 LTX-2.5-GGUF 里UD-Q4_K_XL用 14 GB 打到了 15.6 GB 统一量化的水平这就是把预算花在敏感层的价值——显存有限时优先选 UD 档不会错。赞分享【免费下载链接】LTX-2.5-GGUF项目地址https://ai.gitcode.com/hf_mirrors/unsloth/LTX-2.5-GGUF点击查看免费下载相关推荐为什么 UD 量化比同尺寸 Q4_K_M 更准深入解析 FLUX 3 Image Klein Base GGUF 的 Unsloth Dynamic 2.0 敏感度扫描原理为什么 UD 量化比同尺寸 Q4_K_M 更准深入解析 FLUX 3 Image Klein Base GGUF 的 Unsloth Dynamic 2.0人工智能大模型基础模型本地部署模型量化媒体生成为什么Unsloth Dynamic 2.0更准Olmo-3-7B-Think-unsloth-bnb-4bit量化优势深度解读为什么Unsloth Dynamic 2.0更准Olmo 3 7B Think unsloth bnb 4bit量化优势深度解读 本文带你快速看懂 Olmo揭秘 Unsloth Dynamic 2.0 动态混合精度FLUX 3 Image Klein GGUF 量化技术深度解析揭秘 Unsloth Dynamic 2.0 动态混合精度FLUX 3 Image Klein GGUF 量化技术深度解析 flux 3 image klei大模型基础模型媒体生成模型量化本地部署上一篇Pig 开源仓库工程指南模块组织、构建测试与协作规范全解析下一篇Woodpecker Secret Extension 完全指南用外部 HTTP 服务集中管理 CI/CD 密钥创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考