LTX-2.5是 Lightricks 开源的开放权重视频与音频生成模型，可在本地从文本、图片、视频输入生成高保真、带同步音频的内容，并官方支持微调。本教程面向新手，手把手教你用官方的LTX-2 Trainer在 LTX-2.5 上训练专属的LoRA与IC-LoRA，让模型学会你想要的风格、角色或特定画面。

一、微调能做什么：LoRA 与 IC-LoRA 的区别 🎯

微调（fine-tuning）不改变模型本体，而是训练一个轻量的小文件，加载后可随时开关：

• 官方确认：dev 版 transformer 完全可训练，可直接用 LTX-2 Trainer 复现官方发布的 LoRA 与 IC-LoRA。
• 仓库里还附带了一个官方蒸馏 LoRA 示例：ltx-2.5-22b-distilled-lora-450-bf16.safetensors，可作为效果参照。

💡 好消息：官方测试表明，在 LTX-2.3 上训练的大多数 LoRA / IC-LoRA 可原样用于 LTX-2.5，少数例外，上线前请自行验证（见 README.md）。

二、训练前准备：确认权重文件清单 ✅

LTX-2.5 采用"按组件拆分"的 Comfy 对齐打包方式，训练时各组件需要分别指向对应文件。本仓库包含全部所需权重：

注意：*-comfy-int8-convrot.safetensors与*-nvfp4.safetensors是推理优化版本，训练请使用 bf16 的 dev 权重。

如果本地还没有这些文件，可从镜像仓库克隆：

git clone https://gitcode.com/hf_mirrors/comfyicu/LTX-2.5 ltx-2.5-weights

三、环境准备：安装 LTX-2 Trainer 🛠️

训练工具是 LTX-2 开源项目中的ltx-trainer子目录（Trainer 与权重分属两个项目，本文只引用其名称，不贴外部链接，请在 LTX-2 项目主页自行获取）。官方推荐环境：

• Python ≥ 3.12、CUDA ≥ 12.7、PyTorch ≈ 2.7
• 使用uv管理依赖，克隆 LTX-2 项目后执行uv sync创建虚拟环境即可

硬件建议：LTX-2.5 基座为 22B 参数，训练 LoRA 也建议单卡 24GB 显存起步，显存不足时可用低精度权重 + CPU offload 缓解，多卡会更从容。

四、准备训练数据：视频 + 文字描述 📂

LoRA 训练的数据准备非常简单，只需要两样东西：

1. 短视频：每个几秒即可，数量建议几十到几百段，画面聚焦于你要学的概念（同一角色/风格）
2. 字幕文件（caption）：与每段视频一一对应的文字描述，存放在captions目录，命名与视频文件对应

📌 小技巧：caption 中为专属概念加入触发词（如a robot courier named "Blue-9"），推理时用该词即可精准唤起你训练的概念。

五、训练你的第一个 LoRA：配置与运行 🚀

在 Trainer 目录下编写一份 YAML 训练配置（示例，参数以 LTX-2 Trainer 官方 README 为准）：

model: training_mode: lora # 训练 LoRA；IC-LoRA 按官方说明启用图像条件 model_path: ../ltx-2.5-weights/diffusion_models/ltx-2.5-22b-dev-transformer-bf16.safetensors text_encoder_path: ../ltx-2.5-weights/text_encoders/gemma4-12b-with-proj-ltx-2.5-bf16.safetensors vae_path: ../ltx-2.5-weights/vae/ltx-2.5-video-vae-bf16.safetensors data: video_dir: data/videos caption_dir: data/captions lora: rank: 32 alpha: 16 training: num_epochs: 10 learning_rate: 1.0e-4 batch_size: 1

配置要点：

• training_mode: lora：只训练低秩适配器，参数量小、速度快
• rank/alpha：决定 LoRA 容量，新手可从 32/16 起步，风格类概念可用更小 rank
• num_epochs：小数据集建议 5~15 轮，过多容易过拟合（画面出现"重复纹样"、细节固化）

然后启动训练：

uv run python -m ltx_trainer --config lora_config.yaml

训练过程中会周期性输出 loss，结束时在输出目录生成.safetensors格式的 LoRA 文件——这就是你的专属适配器。

六、验证与使用训练成果 🔍

训练完成不等于成功，建议按下面三步验证：

1. ComfyUI 加载：官方 LTX-2.5 工作流自带模板，把生成的 LoRA 拖入 LoRA 加载节点即可
2. 对比测试：同一 prompt，分别加载/不加载你的 LoRA 各生成一条，确认新概念是否被准确唤起、未训练部分是否未受污染
3. 多 seed 抽检：换 2~3 个不同随机种子再跑一遍，排除偶然命中

⚠️ 官方提醒：LTX-2.3 训练的 LoRA 在 LTX-2.5 上大多可直接运行，但正式使用（production）前务必验证适配器（README.md）。

七、常见问题 FAQ ❓

Q1：可以直接微调 distilled（蒸馏版）吗？官方明确dev 版 transformer 为完全可训练版本。蒸馏版主要追求 8 步快速推理，仓库中的 ltx-2.5-22b-distilled-lora-450-bf16.safetensors 展示了蒸馏 LoRA 在 dev 工作流中的用法，训练请从 dev 权重入手。

Q2：显存不够怎么办？优先使用 bf16 权重配合低精度策略，并开启 CPU offload；同时降低分辨率、缩短视频帧数、减小 batch size。帧数需满足num_frames % 8 == 1，宽高需被 32 整除（见 README.md）。

Q3：微调成果能分发吗？LTX-2.x 社区许可证下，年营收 1000 万美元以下的主体可免费商用；但微调成果（fine-tunes）的转移/分发可能需要付费许可，商用前请阅读许可证原文（README.md）。

Q4：训练完想继续提升效果？先检查数据质量（一致性、画质、caption 准确性），再考虑增大rank或延长训练；同时注意官方提示：该模型可能放大既有偏见，不适合提供事实性信息，请自行审核生成内容（README.md）。

小结 📝

跟着这份教程，你只需要准备一小批视频素材，就能让 LTX-2.5 长出"只属于你"的风格与角色。🎬