LTX-2.5: 10-секундне AI-відео з фото за 6.8 секунди, вже з відкритими вагами

Компанія LTX, що займається розробкою відкритих моделей для створення відео та “світу”, анонсувала випуск LTX-2.5 – новітньої версії своєї моделі. Ця версія інтегрована безпосередньо в ComfyUI, популярний інструмент для роботи з робочими процесами, що використовує вузловий підхід. Це стало можливим завдяки стратегічному партнерству між LTX та ComfyUI, яке було оголошено одночасно з випуском моделі.

Модель вже доступна з відкритими ваговими коефіцієнтами на Hugging Face, у ComfyUI, а також через API LTX для команд, яким потрібні керовані рішення для генерації контенту. Використання моделі безкоштовне для організацій з річним доходом менше 10 мільйонів доларів; компанії з вищим доходом потребують ліцензійної угоди. LTX заявляє, що їхні моделі завантажили понад 33 мільйони разів, що робить сімейство LTX найпопулярнішою лінійкою відкритих “світових” моделей на ринку.

Перед запуском видання VentureBeat ексклюзивно поспілкувалося зі співзасновником і генеральним директором LTX Зівом Фарбманом та співзасновником і генеральним директором ComfyUI Йоландом Яном. Вони обговорили випуск, партнерство та причини, чому обидві компанії роблять ставку на відкриті вагові коефіцієнти, а не на закриті API, як майбутнє ринку відео- та “світових” моделей.

“Ми намагаємося зберегти ту саму ефективність та швидкість виведення, якими ми відомі, але постійно підвищуємо якість”, – сказав Фарбман. “Ми представляємо багато цікавих речей у цьому випуску: підтримку мульти-кадр (multi-shot), декодер дифузії для кращої якості, нові режими керування, кращу підтримку авторегресивних моделей, які критично важливі для сценаріїв використання в реальному часі та робототехніки”.

Що нового в LTX-2.5

Згідно з анонсом компанії, LTX-2.5 майже повністю перебудовує кожен етап конвеєра генерації, а не просто додає нові можливості до старої основи. Основні зміни:

• Новий декодер відео дифузії, який зменшує візуальні артефакти у відео з високою частотою руху та відновлює дрібні деталі, такі як текст і обличчя, зберігаючи при цьому високий коефіцієнт стиснення LTX.

• Нативна генерація мульти-кадр (native multishot generation), яка відтворює повну послідовність як єдиний вивід, зберігаючи персонажа, сцену та голос послідовними між кадрами, замість склеювання окремо згенерованих кадрів.

• Користувацький мовний backbone Gemma 4 та спеціальний підсилювач запитів для більш точної обробки складних запитів з кількома об’єктами.

• Попередньо навчений чекпоінт, налаштований для фізичного ШІ та робототехніки, що надає командам основу для доналаштування на даних специфічних доменів, які не схожі на кінематографічне відео.

• Суттєво покращена дистильована модель, яка забезпечує майже повну якість моделі за нижчої вартості та швидшої роботи. Завдяки оптимізації з NVIDIA, вона працює локально на NVIDIA RTX GPU зі зменшеними вимогами до пам’яті.

Компанія стверджує, що вартість генерації приблизно в 8 разів нижча, а час рендерингу – в 7 разів менший, ніж у порівнянних моделей. Результати роботи моделі можуть бути отримані на обладнанні від потужних GPU дата-центрів до Mac.

Наскільки LTX швидкий та якісний, за їхніми словами

Найбільш вражаюча цифра у матеріалах LTX – швидкість: компанія стверджує, що LTX-2.5 генерує 10-секундний відеокліп з роздільною здатністю 720p за 6,8 секунди, що швидше за реальний час.

Однак, слід враховувати й обладнання. Цей показник був виміряний на власному обладнанні компанії, що складається з двох топових чіпів NVIDIA GB200 у стабільному режимі – конфігурація, значно потужніша за ту, що є у більшості команд. Таке ж завдання через керований API LTX зайняло 23,7 секунди, хоча й було відрендерено з вищою роздільною здатністю 1080p (API не має тарифу 720p).

За підрахунками компанії, порівнюючи з конкуруючими API для того самого завдання, Gemini Omni Flash від Google впорався за 52 секунди, Grok 1.5 від xAI – за 63 секунди, Veo 3.1 від Google – за 70 секунд (для 8-секундного кліпу), H3 від MiniMax – за 180 секунд, Seedance 2.5 від ByteDance – за 317 секунд, а Kling 3.0 Pro від Kuaishou – за 398 секунд.

Щодо якості, LTX поділилася результатами сліпих, порівняльних тестів людських переваг, де оцінювачі голосували за відео, згенеровані за однаковим запитом, не знаючи, яка модель їх створила. LTX-2.5 показала 67% перемог, ледь випередивши Seedance 2.5 (65%). Gemini Omni Flash отримала 55%, MiniMax H3 – 50%, Seedance 2.0 – 44%, Wan 2.6 – 42%, а FLUX 3 – 28%.

Усі ці цифри є заявленими постачальником, виміряними або замовленими самою LTX, а не незалежно перевіреними. Компанія називає результати тестів на переваги попередніми, зазначаючи, що очікує їх “розвитку в міру розширення оцінки”. Це спрямовані заяви, які покупець повинен перевірити на власних робочих навантаженнях, а не остаточні рейтинги.

Матеріали для запуску також наголошують на умовах розгортання, а не на сирій продуктивності: LTX-2.5 працює на будь-якому GPU з мінімум 16 ГБ VRAM, може розгортатися локально, на периферії або через API, не вимагає обов’язкового брендування вихідного контенту та може бути доналаштована на власних даних і інтелектуальній власності клієнта. Це гнучкість, яку компанія протиставляє закритим API-рішенням і відкритим конкурентам, чиї вагові коефіцієнти недоступні в США та Європі, або чиї ліцензії обмежують доналаштування.

Ставка проти бізнес-моделі API

Для Фарбмана цей випуск є черговим етапом стратегії, що розпочалася як реакція на консолідацію індустрії навколо закритих моделей.

“Ми почали з власних моделей через необхідність, тому що приблизно в той час, коли вийшов Sora, ми зрозуміли, що всі великі гравці намагаються закрити свої моделі, а робота через API просто не підходить для багатьох бізнесів, включаючи те, що ми хотіли будувати”, – сказав він.

Технічний аргумент, пояснив він, полягає в тому, що відео- та “світові” моделі мають фундаментально ширшу “поверхню” варіантів використання, ніж мовні моделі.

“З LLM поверхня API досить вузька, ми зазвичай ставимо якесь запитання, передаємо слова і отримуємо слова назад”, – сказав Фарбман. “З відео- та ‘світовими’ моделями існує так багато різних варіантів використання, які вимагають доступу до вагових коефіцієнтів і створення робочих процесів, що дійсно працюють для них”.

Він прямо заявив, що відкритість – це не благодійність. “Ми точно не робимо це з філантропічних міркувань”, – сказав він. “Наша відповідь – це відкриті вагові коефіцієнти з ліцензіями, які дозволяють індивідам та компаніям з доходом нижче певного рівня безкоштовно використовувати модель. А коли вони досягнуть успіху, вони зможуть укласти з нами певну ліцензійну угоду”.

“Ми намагаємося створити модель, на основі якої розробники зможуть впевнено будувати”, – додав він. “Ми приходимо і кажемо: хлопці, відкриті вагові коефіцієнти – це не одноразова філантропічна випадковість для нас. Це стратегія. Ми віримо, що це правильний спосіб надавати ці моделі, і ми будемо продовжувати це робити”.

Від Facetune до “світових” моделей та вузлового графа, що став стандартом

LTX виросла з Lightricks, компанії зі штаб-квартирою в Єрусалимі, найбільш відомої споживчими додатками для творчості, такими як Facetune та Videoleap. Lightricks, яка фінансується власними прибутками, переорієнтувалася на фундаментальні моделі в 2022 році, запустила платформу для кіновиробництва LTX Studio на початку 2024 року та випустила свою першу відкриту модель LTX Video (LTXV) в листопаді 2024 року, за якою в травні 2025 року послідувала версія з 13 мільярдами параметрів. Фарбман став співзасновником компанії разом із технічним директором Яроном Інгером та директором з маркетингу Ніром Почтером. Бренд LTX тепер представляє їхній бізнес “світових” моделей, з офісами в Нью-Йорку, Лондоні та Чикаго.

ComfyUI розпочався в січні 2023 року як сторонній open-source проєкт від розробника під псевдонімом “comfyanonymous”. Він створив вузловий графічний інтерфейс для Stable Diffusion, який дозволяв користувачам об’єднувати моделі та етапи обробки у повторювані візуальні робочі процеси. З того часу він став одним із найшвидше зростаючих open-source проєктів у сфері генеративного медіа, ставши стандартним середовищем для тестування, комбінування та впровадження нових моделей зображень та відео. Зараз проєкт підтримується компанією Comfy Org, яка залучила 17 мільйонів доларів для подальшого розвитку інструменту. Ян, один із співзасновників, обіймає посаду генерального директора.

Чому ComfyUI є “фронт-дверем” для корпоративного впровадження

Для читачів, які дивуються, чому компанія-розробник моделей та компанія-розробник інструментів запускаються разом, Фарбман дав несподівано відверту відповідь: ComfyUI – це місце, звідки надходять платні клієнти LTX.

“Багато наших клієнтів починають свій шлях з Comfy”, – сказав він. “Це вже система прототипування, яка надзвичайно популярна в індустрії, і багато потенційних клієнтів звертаються до нас після того, як вони вже розібралися з робочим процесом всередині Comfy. Це вже працює, тому для нас очевидно, що ми повинні забезпечити підтримку інтеграції з Comfy з першого дня, тому що це, по суті, наш канал залучення клієнтів”.

Ян описав роль ComfyUI як сполучної ланки екосистеми. “Comfy, по суті, знаходиться на верхньому рівні, надаючи людям доступ до відкритих моделей, які вони можуть використовувати на своїх локальних машинах, а також отримувати доступ до закритих моделей через нашу систему вузлів-партнерів”, – сказав він. “Зрештою, [користувачі] об’єднують усе в робочий процес, який дозволяє реалізувати різноманітні речі, від творчої сторони до конвеєрів даних та сценаріїв, пов’язаних з робототехнікою”.

Ян стверджує, що саме цей “маховик” підтримує комерційну привабливість відкритих моделей: “Ми допомагаємо просувати ці моделі у світ… люди створюють різноманітні робочі процеси та інновації на їх основі, і це далі поширює ці моделі в студіях чи робототехнічних лабораторіях. Ці компанії врешті-решт купують ліцензії, а потім повертають частину отриманої вартості LTX та решті екосистеми”.

Що слід знати підприємствам

Обидва керівники спростували припущення, що відео-модель призначена лише для створення відео. Фарбман перерахував список корпоративних застосувань, які мало пов’язані з кінематографічними кліпами.

“У нас є клієнти, які працюють з обладнанням і намагаються розібратися, як використовувати дифузійні моделі в комп’ютерній фотографії, наприклад, беручи потік сирих пікселів з сенсорів, який зазвичай дуже шумний, і намагаючись зменшити шум”, – сказав він. “Або уявіть виробничі студії, які намагаються розібратися, як робити VFX, як симулювати воду, як перетворювати день на ніч. Або уявіть анімаційні студії: вони намагаються зрозуміти, як оптимізувати свій робочий процес, де аніматори створюють ключові кадри, а потім система використовує їх як інтерполяцію”.

Для підприємств, які вагаються, з чого почати, рекомендований шлях – це той, який, ймовірно, вже пройшли їхні власні співробітники. “Багато підприємств вже прийняли Comfy, і я думаю, що багато інших послідують”, – сказав Фарбман. “Він надає правильний рівень структури, де ви можете багато чого налаштовувати, але при цьому абстрагує багато речей… Підприємства зазвичай звертаються після того, як люди всередині вже попрацювали з моделлю, попрацювали з Comfy”.

Ян описав послідовну двотрекову модель серед студій і компаній, які вже використовують LTX та інші відкриті моделі у виробництві. “У них є свої дослідження, або R&D, творчий конвеєр, все, що завгодно”, – сказав він. “Час від часу деякі з цих конвеєрів стають достатньо хорошими, щоб перейти в якесь виробниче середовище. І десь на цьому шляху починається корпоративна розмова. З нашого боку, це більше стосується інструментів, а з боку LTX – ліцензування”.

Оскільки вагові коефіцієнти відкриті, весь етап експериментування може відбуватися на власному обладнанні компанії, без оплати за генерацію та без витоку даних чи інтелектуальної власності з її систем. Це значна перевага для підприємств з конфіденційними кадрами, власницькими персонажами чи регульованими даними. Комерційний тригер з’являється лише при масштабуванні: організації з річним доходом понад 10 мільйонів доларів потребують ліцензії.

Ян більш прямолінійно описав ставки для компаній, що повільно реагують: “Це тенденція, яка фундаментально зруйнує всю креативну індустрію”, – сказав він. “Студії активно намагаються розібратися, яка дорожня карта і як ми можемо вийти вперед, іноді навіть не вийти вперед, а просто уникнути відставання від хвилі прийняття ШІ”.

Розробники, додатки реального часу та периферійні пристрої

Для розробників програмного забезпечення випуск наголошує на зростаючій важливості роботи в реальному часі. Поряд з ComfyUI, LTX назвала двох інших партнерів запуску: Asteria, студію, що створює оригінальні фільми та відео за допомогою LTX, та Reactor, платформу розробника, яка запускає LTX-2.5 на інфраструктурі з низькою затримкою для живлення інтерактивних аватарів, живих світів та робототехнічних завдань у реальному часі. Це дозволяє розробникам створювати виробничі додатки реального часу без необхідності самостійно розгортати цю інфраструктуру.

Ян навів вірусний приклад того, що стало можливим завдяки відкритим ваговим коефіцієнтам та низькій затримці: Flipbook, інтерактивна гра, що поширилася на Reddit, де весь клікабельний світ генерується “на льоту”. “Усе, що люди бачать в цьому інтерфейсі, генерується за допомогою моделі LTX в прямому ефірі”, – сказав він. “Це середовище, або світ, де куди б ви не клікнули, генерується абсолютно нова взаємодія… Такий досвід та експерименти не існували б без відкритих вагових коефіцієнтів, без продуктивності LTX”.

Фарбман зазначив, що ефективність на периферійних пристроях є свідомою цільовою установкою, а не побічним ефектом. “Для нас дуже важливо створити надзвичайно ефективну модель, яку люди можуть запускати на периферійних пристроях, як на споживчому обладнанні, так і поблизу краю за допомогою фізичного ШІ”, – сказав він, визнаючи нещадний темп галузі: “Сьогодні майже важко взяти відпустку. Речі прогресують так швидко, що поки ви випускаєте одну модель, ви вже глибоко занурені в тренування іншої, а нові папери з’являються щодня”.

Кінематографісти: віртуальне виробництво зараз, легші шляхи пізніше

Для професійних кінематографістів та студій Ян бачить, як світові моделі в реальному часі змінюють форму виробництва, скорочуючи розрив між зйомками та постобробкою. “Сьогодні ви бачите, як моделі реального часу, або ‘світові’ моделі, впроваджуються у студіях як частина так званого віртуального виробництва, тобто ви можете знімати, а потім негайно отримати результат, близький до результату постобробки”, – сказав він. “Це дає набагато кращий досвід продюсеру або режисеру, щоб сказати: ‘гаразд, ось що я хочу’, або ‘це не те, що я хочу, дозвольте мені переробити’. Тоді як раніше весь голлівудський конвеєр, на мою думку, є величезним безладом, де постійно потрібно переходити між кількома відділами”.

Він також застеріг від буквального сприйняття порівнянь моделей “віч-на-віч”, враховуючи, наскільки по-різному моделі спеціалізуються в анімації, фотореалізмі, іграх, 3D та робототехніці. “Різні моделі просто мають різні характеристики”, – сказав він. “Це як порівнювати Майкла Фелпса з, я не знаю, Майклом Джорданом. Це не зовсім порівняння того, хто кращий спортсмен, просто є різні спеціалізації”.

Щодо аматорів та незалежних творців, які бояться відомої складної кривої навчання ComfyUI, Ян прямо заявив, що інструмент зустріне їх частково, але лише частково.

“Це як катання на лижах”, – сказав він. “Є легкі схили, по яких можна спускатися за допомогою Comfy, і, сподіваюся, ми зможемо створювати все більше таких легких схилів загалом. Але ми ніколи не пожертвуємо існуванням ‘подвійних чорних діамантів’, тому що справжні технічні, професійні креативщики насправді потребують і не могли б жити без такого типу основної потужності. Це насправді наша основна відмінність порівняно з креативним інструментом типу мобільного додатку”.

LTX-2.5 доступна сьогодні на Hugging Face, безпосередньо в ComfyUI та через API LTX.

За матеріалами: venturebeat.com