LTX 2.5 Gereksinimleri ve Hızı: Kaç GB VRAM Lazım?

LTX 2.5 için resmî minimum 32 GB VRAM'li bir NVIDIA ekran kartı. Topluluk daha küçük kartlarda da çalıştırıyor, ama bu resmî olarak desteklenen bir yol değil ve yavaş. "En hızlı yerel yapay zekâ video üreticisi" diye anılan bu model gerçekte ne kadar hızlı, hangi kartta ne kadar bekleyeceksiniz? Bu yazıda onu rakamlarla ve kaynaklarıyla topluyorum.

Serinin üçüncü bölümü. Önce LTX 2.5 nedir, sonra nasıl kurulur yazılarına bakabilirsiniz.

Bu yazı bir derlemedir; süreleri kendim ölçmedim. Rakamlar LTX'in dokümantasyonundan, NVIDIA haberinden ve topluluk raporlarından geliyor, her birinin kaynağını yanına yazdım. Kaynaklar sonda.

Resmî gereksinimler

LTX'in ComfyUI sayfasına göre:

Kalem	Değer
Ekran kartı	CUDA uyumlu, 32 GB ve üzeri VRAM
Boş disk	100 GB üzeri (modeller ve önbellek)
Python	3.12 ve üzeri

LTX'in düşük VRAM rehberi ek olarak 32 GB sistem belleği, CUDA 13.2 ve üzeri sürüm, Python 3.10 ve üzeri ve PyTorch 2.7 sayıyor. Model kartı ise CUDA 12.7 ve üzerini öneriyor. Yani CUDA ve Python sürümleri kaynaklar arasında tutarlı değil; kurmadan önce depodaki README'ye bakın.

Önerilen konfigürasyon rehberde A100 (80 GB) ya da H100, 64 GB sistem belleği ve 200 GB SSD. Tam hassasiyetli model bu sınıfta rahat çalışıyor; ev kartlarında ise kuantize ve damıtılmış sürümler kullanılıyor.

Hangi kartta ne olur?

Rehberin kademeleri:

• 80 GB ve üzeri (A100, H100): Tam hassasiyette "dev" kontrol noktası ve iki aşamalı hat.
• 32 GB (RTX 5090 sınıfı): FP8 kuantizasyonlu damıtılmış kontrol noktası.
• 32 GB altı: Belgelenmiş minimumun altında. LTX bunun desteklenmediğini, düşük çözünürlük ve agresif bellek optimizasyonuyla bazı ayarların çalışabileceğini söylüyor.

Bağımsız kaynakların topluluk deneyimleri:

Kart	Bildirilen sonuç	Kaynak
RTX 5090 (32 GB)	4 saniyelik 720p klip yaklaşık 25 saniye	NVIDIA rehberi (RunAIHome üzerinden)
RTX 5090 (32 GB)	8 saniyelik klip, ağırlık akışı (weight streaming) devreye girince yaklaşık 3 dakika	RunAIHome
RTX 5090	8 saniyelik 720p görselden videoyu yaklaşık 80 saniyede üretti (BF16)	TrueNorthAI (Note)
RTX 3090/4090 (24 GB)	5 saniyelik klipler tamamlanıyor; 3090'da damıtılmış modelle klip başına yaklaşık 2,5 dakika; 10 saniyelik klipler son çözme adımında bellek yetmeyebilir	RunAIHome
RTX 5060 Ti (16 GB)	INT8/NVFP4 damıtılmış ağırlıklarla 1344×768, 24 fps yaklaşık 170 saniye; 32 GB sistem belleğinin %92'den fazlası kullanıldı	AI Creative Log (Note)
RTX 3060 (12 GB)	Yaklaşık 0,5 megapiksel, 10 saniyelik video yaklaşık 180 saniye, 96 GB sistem belleğiyle	AI Creative Log (Note)

Bu rakamların hepsi tek kişilik topluluk raporu. Kuantizasyonun hız ya da kalite farkını gösteren resmî bir ölçüm yok; AI Creative Log yazarı da bunu açıkça not ediyor. Süreleri bir aralık olarak değil, "buna yakın bir şey olabilir" diye okuyun.

Kritik ayrıntı: bellek sadece örnekleme değil

Üç tuzak sürekli karşıma çıkan kaynaklarda geçiyor:

1. VAE çözme adımı. Örnekleme bitince görüntüyü çözen adım ek bellek istiyor; 24 GB ve hatta 16 GB kartlarda bellek tam bu noktada tükenebiliyor. Çözüm olarak daha hafif Conv video VAE'ye geçmek ve çözmeyi karolara bölmek öneriliyor.
2. Sistem belleği. Ağırlık akışı ve CPU'ya boşaltma (offload) sistem RAM'i kullanıyor. 16 GB'lık kartlarda pratik minimum 32 GB RAM.
3. Klip uzunluğu. Uzunluk arttıkça bellek katlanıyor; kısa klipten başlayın.

Belleği azaltmanın yolları

LTX'in düşük VRAM rehberindeki yöntemler, etkiye göre:

• Damıtılmış (distilled) kontrol noktası. Sabit 8 adımlı hat, "dev" modele göre çok daha hafif ve hızlı. 32 GB'ın altındaki her kartta başlangıç noktası bu.
• FP8 kuantizasyonu. Bellek kullanımını yaklaşık %40 azaltıyor. İki arka uç var: fp8-cast (FP8 destekli çoğu kartta çalışır) ve fp8-scaled-mm (Hopper kartlarda daha hızlı). Komut satırında --quantization fp8-cast.
• ComfyUI için INT8 ConvRot dosyaları. Dosya adları kurulum yazısında. Kaynaklardan birinde bu dosya ailesi yaklaşık 21,5 GB olarak anılıyor.
• NVFP4. FP4 destekli NVIDIA Blackwell kartlar için daha da küçük sürüm.
• Karolu VAE çözme. Tepe belleği azaltır, çözmeyi biraz yavaşlatır.
• Metin kodlamasını API'ye bırakmak. Gemma 4 kodlayıcısı ve istem geliştirici VRAM tutuyor; API anahtarıyla bunları uzakta çalıştırabilirsiniz.
• Ortam değişkeni: Herhangi bir hattı çalıştırmadan önce PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True ayarlayın.

Adım adım ölçeklendirme

Bellek kıtsa LTX'in önerisi, en küçük ayardan başlayıp tek tek yükseltmek:

1. Damıtılmış kontrol noktası, 512 piksel, 49 kare, fp8-cast.
2. Çözünürlüğü adım adım artırın: 512, 576, 640, 704, 768. İki aşamalı hatlarda genişlik ve yükseklik 64'e, tek aşamalıda 32'ye bölünmeli; 720 ya da 1080 bu kurala uymuyor.
3. Sonra kare sayısını artırın. Kare sayısı için kural (kare - 1) değerinin 8'e bölünmesi: 9, 17, 25, 33, 41, 49, 57, 65 ve yukarısı.
4. IC-LoRA ekliyorsanız bir seferde bir grup ekleyin.

Bellek hatası alıyorsanız sırayla: ortam değişkenini kontrol edin, FP8'i açın, çözünürlüğü ya da kare sayısını düşürün, damıtılmış modele geçin, VAE karo sayısını artırın, tek IC-LoRA grubuna inin ve GPU belleği kullanan diğer uygulamaları kapatın.

"En hızlı" iddiası ne kadar sağlam?

Bu bölüm başlıktaki soruya cevap. Kaynaklarda şunlar geçiyor:

• Pexo'nun derlemesine göre 10 saniyelik 720p klip, iki NVIDIA GB200 ekran kartında yaklaşık 6,8 saniyede üretilmiş (satıcı gösterimi). Aynı yazı VentureBeat'in modeli "en yakın kapalı model rakiplerinden birkaç kat hızlı" bulduğunu aktarıyor, ama bağımsız doğrulama sunmuyor.
• NVIDIA, RTX ekran kartlarında LTX 2.5 için 2 kata kadar performans artışı ve %40 bellek tasarrufu duyurdu (NVFP4 ve FastVideo gibi optimizasyonlarla).
• Resmî hat tarafında, damıtılmış hat sabit 8 adımla (birinci aşamada 8, ikincide 4 adım) çalışıyor; bu LTX'in "en hızlı" dediği hat.

Yani "yerel video modelleri arasında en hızlılardan biri" demek savunulabilir; "kesinlikle en hızlısı" demek için aynı koşullarda yapılmış bağımsız bir karşılaştırma gerekir ve ben kaynaklarda böyle bir karşılaştırma bulamadım.

Hangi donanım alınmalı?

Bu benim yorumum, kaynaklardaki rakamlardan çıkarım:

• Zaten 32 GB'lık bir kartınız varsa (RTX 5090 sınıfı) kısa kliplerde rahat edersiniz.
• 24 GB'lık kartta 5 saniyelik klipler mümkün, ama çözme adımı sınırda.
• 16 GB ve altı kart için özellikle bu iş uğruna satın alma yapmayın; RunAIHome yazarı da 8 ila 12 GB için bulut GPU kiralamayı öneriyor (saati yaklaşık 0,99 dolar olarak anıyor).
• Sistem belleğini ihmal etmeyin: 32 GB RAM düşük VRAM yolunda pratik minimum.

Sık Sorulan Sorular

LTX 2.5 için kaç GB VRAM gerekir?

Resmî minimum 32 GB. Kuantize ve damıtılmış dosyalarla 24 GB ve 16 GB kartlarda da çalıştığı bildiriliyor ama bu desteklenen bir yol değil.

16 GB ekran kartında çalışır mı?

Topluluk raporlarına göre evet, çok yavaş ve 32 GB sistem belleğini neredeyse tamamen kullanarak. Resmî destek yok.

AMD ekran kartıyla çalışır mı?

Kaynaklarım yalnızca NVIDIA CUDA'dan söz ediyor. LTX rehberi "NVIDIA'yı hedefliyor" diyor.

Bir video kaç dakikada üretilir?

Karta ve klip uzunluğuna bağlı. RTX 5090'da 4 saniyelik 720p klip için bildirilen süre yaklaşık 25 saniye; 24 GB kartlarda 5 saniyelik klip için dakikalar.

Mac'te çalışır mı?

Kaynaklarda Mac için bir bilgi yok, bu yüzden bir şey söylemiyorum.

Kaynak

• LTX, Using ComfyUI with LTX: resmî ön koşullar, düşük VRAM dosyaları, NVFP4 notu.
• LTX, How to Run a Video Generation Model Locally: A Low VRAM Guide: kademeler, FP8, adım adım ölçeklendirme, hata giderme.
• Lightricks, LTX-2.5 model kartı (Hugging Face): sürüm önerileri, kısıtlamalar.
• Lightricks, LTX-2 deposu (GitHub): damıtılmış hat, sabit adım sayısı.
• RunAIHome, LTX-2.5 for Local AI Video in 2026: kart bazlı süreler ve bellek notları (üçüncü taraf).
• AI Creative Log, What is LTX 2.5?: 12 GB ve 16 GB raporları (üçüncü taraf).
• TrueNorthAI, RTX 5090 hands-on: 8 saniyelik görselden video süresi (üçüncü taraf).
• Wccftech, NVIDIA Accelerates AI on DGX & RTX Systems: 2 kat performans ve %40 bellek tasarrufu duyurusu.
• Pexo, What Is LTX-2.5?: GB200 hız gösterimi ve VentureBeat aktarımı (üçüncü taraf).