LTX 相关资源收集（2026）

Kevin 吴嘉文大约 3 分钟

LTX 相关资源收集

来源	场景 / 配置	权重格式 / 优化	显存结论	时间结论
LTX 官方博客	本地运行 LTX-2.3 22B	bf16 full local inference；低显存用 GGUF / FP8	bf16 full local 至少 32GB VRAM ；Pro mode 更适合 A100/H100	未给明确单次耗时
HF 官方模型文件	`ltx-2.3-22b-dev.safetensors`	bf16 / 原始权重	文件约 46.1GB ；理论加载主模型权重约 44–46GB	不涉及推理时间
WaveSpeed ComfyUI 博客	ComfyUI 两阶段 pipeline	FP8 或 GGUF Q4；半分辨率 Stage 1；VAE offload	12GB 可尝试低配单图/短视频； 16GB 更顺； 24GB 更适合 PyTorch 路线	未给稳定统一时间
Digital Applied 技术博客	RTX 4090，1080p，10 秒，50 steps	未完全等同官方 benchmark	RTX 4090 级别，通常需要优化/量化/offload	约 3–4 分钟
Digital Applied 技术博客	RTX 5090，4K，10 秒	高分辨率推理	4K 推理通常需要大显存和优化 pipeline	约 8–12 分钟
Zen Van Riel 工程博客	RTX 3080 10GB，960×544，带音频短片段	GGUF Q4_K_S	10GB VRAM 可跑低分辨率	约 2–3 分钟
Zen Van Riel 工程博客	1080p 本地生成	建议 GGUF / 量化	建议 16GB+ 更适合舒适 1080p	未给统一时间
Unsloth HF 讨论区	RTX 5080 16GB	GGUF Q4_K_M	用户反馈 16GB VRAM 可顺畅运行	未给标准耗时
理论估算	bf16 原始 22B 主模型	22B × 2 bytes	仅主模型权重约 44GB ；完整 pipeline 峰值通常更高	不涉及
理论估算	FP8 / INT8 22B	约 1 byte/param + scale/metadata	主模型约 22–30GB	比 bf16 省显存，速度取决于 kernel
理论估算	GGUF Q4	4-bit 量化	主模型约 13–17GB	速度可能受实现影响

简化版结论表

你的 GPU 显存	推荐方式	能否跑 LTX-2.3 22B	预期体验
80GB	bf16 原始权重 / 官方 pipeline	可以	最稳，适合研究和高质量实验
48GB	bf16 或 FP8，配合 offload	基本可以	比较稳，但高分辨率仍需优化
32GB	官方推荐 bf16 full local 门槛 / FP8 更稳	可以	合理本地推理门槛
24GB	FP8 / GGUF Q4-Q5 + offload	可以	RTX 4090/3090 级别可用，但需要优化
16GB	GGUF Q4 + VAE/text encoder offload	勉强可用	可跑，适合低/中分辨率实验
10–12GB	GGUF Q4/Q3 + 低分辨率 + 强 offload	可尝试	能跑案例存在，但不适合高质量稳定推理
<10GB	极低量化 + CPU offload	不推荐	很慢，容易 OOM，质量下降明显

关键判断

问题	答案
加载 bf16 22B 原始权重需要多少显存？	主模型约 44–46GB ，完整 pipeline 更高
官方本地推理最低建议是多少？	官方博客给出 32GB VRAM 作为 bf16 full local inference 门槛
24GB 显卡能不能跑？	能，但通常要 FP8/GGUF + offload
16GB 显卡能不能跑？	可以尝试 GGUF Q4 ，但更像工程折中
4090 跑 1080p 10 秒大概多久？	第三方博客参考约 3–4 分钟
10GB 显卡有没有可能跑？	有第三方案例，但通常是 960×544 + GGUF Q4 + 强优化
最稳的研究配置？	A100/H100 80GB
最现实的消费级配置？	RTX 4090 24GB + GGUF/FP8 + ComfyUI/offload