Python与Swift双支持：ltx-2-mlx和ltx-2-mlx-swift集成ltx-2.5-mlx-ditq8实战教程

ltx-2.5-mlx-ditq8是面向 Apple Silicon（MLX 框架）的 LTX-2.5 视频生成模型 DiT 权重，采用int8 group-64 量化，体积从约 38 GB 压缩到约 20.6 GB，可直接被 Python 端ltx-2-mlx与 Swift 端ltx-2-mlx-swift两个推理框架消费。本文带你快速完成下载、校验与集成。

一、它是什么：为什么需要 int8 量化权重

LTX-2.5 是一款文本生成视频（text-to-video）、图生视频、带音频的多模态生成模型。其核心部件 DiT（Diffusion Transformer）以 bf16 精度加载时约占38 GB 常驻内存：

• 在 64 GB 机型上，仅这一个模型就吃掉96% 的内存预算，几乎没有余量；
• 换成 int8 后，同一配置只占57%，留出大量空间给视频编码、VAE 等组件。

这个仓库的定位非常克制：整个仓库只携带一个权重文件transformer-distilled.safetensors（量化后的 transformer），其余组件（Gemma 文本编码器、connector、VAE、vocoder 等）都来自基础仓库mlx-community/ltx-2.5-mlx，无需两边同步维护。

💡 一句话理解：ltx-2.5-mlx是完整模型全家桶，ltx-2.5-mlx-ditq8是其中 DiT 的"轻量替代件"，可互换使用。

二、量化配方一览：int8 group-64 是怎么来的

量化细节被机器可读地记录在 QUANT-RECIPE.json 中，核心参数如下：

该配方与 LTX-2.3 的 q8 配方完全一致，并非凭空设计，可靠性有保障。

精度如何：与 bf16 的保真度对比

官方在相同输入、相同几何配置（N=5632）下测量：

• int8 与 bf16 输出的余弦相似度达 0.99824；
• 作为参照，LTX-2.3 的 q8 用同样方法测得 0.99238——也就是说 2.5 的 int8 比 2.3 的 int8更接近原始 bf16 约 4.3 倍。

⚠️ 注意：int4 版本被刻意拒绝发布。int4 曾被构建并测试，但其误差达到基线的 27 倍，未通过质量门槛。因此你只会看到 int8，这是有意为之，不是遗漏。

三、两条消费路径：Python 与 Swift 双框架支持

这套权重的"下游消费者"有两个官方框架，分别对应不同开发场景：

两者读取的都是同一份 int8 权重文件，生成结果一致。你只需按自己熟悉的语言选一条路径接入即可。

内存吃紧？可用 weight streaming 替代

如果不想让整个 DiT 常驻内存，官方还提供了按块重排版的流式权重方案ltx-2.5-granules：

• 从 SSD流式读取DiT，而非一次性载入内存；
• 输出与常驻加载逐位一致（bit-identical，经过 memcmp 门控与阴性对照验证）；
• ⚠️ 流式方案是替代而非叠加：二选一获取，不要同时使用两份。

四、下载与集成：最快上手步骤

1. 获取权重文件

git clone https://gitcode.com/hf_mirrors/mlx-community/ltx-2.5-mlx-ditq8

clone 完成后，核心交付物只有一个：transformer-distilled.safetensors。

2. 校验量化配方（推荐）

将文件放入模型目录后，建议打开同目录的 QUANT-RECIPE.json 核对bits: 8、group_size: 64，确认文件与你预期的量化规格一致。

3. 配合基础仓库使用

该文件不能单独运行，需要基础仓库mlx-community/ltx-2.5-mlx提供的文本编码器、VAE 等其余组件。典型工作流：

1. 准备mlx-community/ltx-2.5-mlx全套组件；
2. 用本仓库的 int8 权重替换其中的 bf16 DiT；
3. 通过ltx-2-mlx（Python）或ltx-2-mlx-swift（Swift）加载并生成视频。

五、许可条款要点（商用前必读）

权重遵循LTX-2 Community License，完整条款见 LICENSE.md 及仓库内附带的可接受使用政策快照 ltx-acceptable-use-policy-snapshot-2026-08-12.pdf。新手最需要关注的三点：

• 个人/非商业用途：自由使用，无需付费授权；
• 年收入 ≥ 1000 万美元的实体：任何商业用途（含训练、微调、商业化部署）需购买商业授权；
• 再分发：允许，但必须原样传递许可证条款与使用限制。

六、常见问题速查

Q1：64 GB 内存还能跑吗？可以。int8 把同一配置下的内存占比从 96% 降到 57%，这正是该仓库存在的首要意义。

Q2：为什么没有 int4？会不会以后出？int4 已构建但误差超标 27 倍，被质量门控拒绝，官方明确"不应使用故不发布"。

Q3：Python 和 Swift 两个框架生成的结果一样吗？两者消费同一份 int8 权重，生成结果一致，可按语言习惯任选。

Q4：cosine 0.99824 能和其他模型的数字直接比吗？不能。余弦相似度只有在同一测量框架下才可比，跨 harness 的数字没有意义。

📌小结：ltx-2.5-mlx-ditq8用约 20.6 GB 的 int8 权重换来近乎无损的视频生成精度，并通过ltx-2-mlx与ltx-2-mlx-swift实现 Python、Swift 双语言覆盖。内存够就常驻加载，内存紧就切换流式方案——两条路都通向同一份高质量输出。