{"id":3442515,"date":"2026-08-13T09:05:41","date_gmt":"2026-08-13T07:05:41","guid":{"rendered":"https:\/\/datanorth.ai\/?post_type=news&#038;p=3442515"},"modified":"2026-08-13T09:05:51","modified_gmt":"2026-08-13T07:05:51","slug":"ltx-brengt-ltx-2-5-uit-open-weights-video-world-model","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/ltx-brengt-ltx-2-5-uit-open-weights-video-world-model","title":{"rendered":"LTX brengt LTX-2.5 uit: Open weights video world model"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>Gepubliceerd: 12 augustus 2026<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LTX bracht op 11 augustus 2026 LTX-2.5 uit, een open weights world model voor videogeneratie, realtime toepassingen en physical AI. LTX-2.5 genereert een image to video clip van 10 seconden op 720p in 6,8 seconden op twee NVIDIA GB200 GPU&#8217;s, voegt native multishot generatie toe die personage, omgeving en stem consistent houdt over montagesneden heen, en komt met een nieuwe diffusion video decoder en een Gemma 4 12B tekstencoder. De weights staan op Hugging Face en zijn gratis te gebruiken voor organisaties met minder dan 10 miljoen dollar jaarlijkse terugkerende omzet.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat kan LTX-2.5?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">LTX-2.5 is een world model en niet zomaar een text to video tool. Waar een groot taalmodel het volgende woord voorspelt, voorspelt een world model het volgende moment: het genereert een omgeving, simuleert hoe die omgeving zich gedraagt en laat een gebruiker of een agent daarbinnen handelen. LTX richt zich met LTX-2.5 op vier groepen: film- en videostudio&#8217;s, makers van korte content en reclameteams, ontwikkelaars van realtime applicaties en roboticateams. Asteria maakt originele film en video op LTX, Reactor draait LTX-2.5 op infrastructuur met lage latency voor interactieve avatars en live werelden, en Markov Robotics gebruikt LTX om te ontwikkelen hoe fysieke systemen waarnemen en bewegen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De belangrijkste nieuwe mogelijkheid is native multishot generatie. LTX-2.5 rendert een hele sequentie als een enkele output in plaats van losse clips aan elkaar te plakken, waardoor het uiterlijk van een personage, de scene, de belichting en de stem gelijk blijven van snede tot snede. Daarnaast voorspelt LTX-2.5 automatisch de juiste clipduur voor de gevraagde actie, ondersteunt het native 4K HDR, kent het een native RAW workflow voor professionele kleur- en finishingpijplijnen, en is er een betamodus voor precieze bewerking van bestaand beeldmateriaal.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Naast het cinematografische model komt er een apart voorgetraind checkpoint dat is afgestemd op physical AI. Dat checkpoint geeft roboticateams een basis om te finetunen op domeindata die er niet uitziet als filmbeeld. LTX noemt een minimum van 16GB VRAM en zegt dat het model op elke GPU draait, on premises, aan de rand van het netwerk of via de API.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Benchmarks van LTX-2.5 en de vergelijking met Seedance 2.5, Veo 3.1 en Kling 3.0 Pro<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Alle gepubliceerde cijfers over LTX-2.5 komen uit evaluaties van LTX zelf, en LTX noemt de kwaliteitsresultaten voorlopig.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>In de eigen image to video snelheidsbenchmark duurt een clip van 10 seconden 6,8 seconden bij self hosting op twee NVIDIA GB200 GPU&#8217;s op 720p en 23,7 seconden via de LTX API.<\/li>\n\n\n\n<li>De snelste gesloten alternatieven in dezelfde tabel, Omni Flash, Grok 1.5 en Veo 3.1, komen uit tussen 52 en 70 seconden. Seedance 2.0 doet er 196 seconden over, FLUX 3 259 seconden, Seedance 2.5 317 seconden en Kling 3.0 Pro 398 seconden.<\/li>\n\n\n\n<li>On premises is LTX-2.5 daarmee ongeveer <strong>7,6 keer sneller<\/strong> dan het dichtstbijzijnde gesloten alternatief en ongeveer 58 keer sneller dan het traagste systeem in de vergelijking.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Voor beeldkwaliteit liet LTX een geautomatiseerde artifactscore lopen over 98 text to video prompts en 10 modellen, waarbij vlekken, kapotte textuur en uitgesmeerde vlakken worden geteld en een lagere score schoner betekent.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">&#8211; LTX 2.5 Pro scoort 0,28 en LTX 2.5 Fast 0,39<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Flux 3 met 0,45,<\/li>\n\n\n\n<li>MiniMax met 0,46, <\/li>\n\n\n\n<li>Wan 2.6 met 0,65,<\/li>\n\n\n\n<li>Seedance 2.5 met 0,69,<\/li>\n\n\n\n<li>het vorige LTX 2.3 Pro met 0,74,<\/li>\n\n\n\n<li>Kling 3 Pro met 0,76,<\/li>\n\n\n\n<li>Google Veo 3.1 met 1,20.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">LTX vermeldt erbij dat deze beoordeling geautomatiseerd is en niet door mensen is gedaan.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LTX rapporteert ook blinde vergelijkingen waarin beoordelaars twee video&#8217;s uit dezelfde prompt zagen, zonder modelnamen en met willekeurige posities. LTX 2.5 wint 67 procent van die vergelijkingen, gevolgd door Seedance 2.5 met 65 procent, Omni Flash met 55 procent, MiniMax H3 met 50 procent, Seedance 2.0 met 44 procent, Wan 2.6 met 42 procent en FLUX 3 met 28 procent. LTX heeft de omvang van de beoordelaarsgroep en de volledige promptset niet gepubliceerd, en geen enkele derde partij heeft de resultaten gereproduceerd. Lees deze cijfers dus als claims van de leverancier tot er onafhankelijke tests zijn.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat er is veranderd in de architectuur van LTX-2.5<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">LTX heeft het grootste deel van de generatiepijplijn opnieuw gebouwd in plaats van functies toe te voegen aan de kern van LTX-2.3. De zichtbaarste verandering is een nieuwe diffusion video decoder die artefacten in scenes met veel beweging vermindert en tegelijk de hoge compressieverhouding behoudt waar de LTX-familie op leunt. De promptverwerking loopt nu via een aangepaste Gemma 4 12B tekstencoder in combinatie met een aparte prompt enhancer, waaraan LTX het beter begrijpen van complexe prompts met meerdere onderwerpen toeschrijft, ook bij kortere instructies.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De nieuwe generatietechniek heet Diffusion Fidelity Rendering. Die bouwt beweging en structuur op in een acht keer temporeel gecomprimeerde latente ruimte en genereert daarna keyframes met hoge detailgetrouwheid die het visuele detail verankeren. Het aantal keyframes past zich aan de complexiteit van de scene en aan het beschikbare rekenbudget aan. Zo verdeelt LTX de rendertijd per scene in plaats van gelijkmatig over een hele clip.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Twee andere wijzigingen raken direct de productiekosten. LTX leverde een verbeterd gedistilleerd model dat is getraind op een grotere dataset met reinforcement learning en dat volgens LTX vrijwel de kwaliteit van het volledige model haalt bij aanzienlijk minder rekenkracht en minder herhaalpogingen. Daarnaast bevat LTX-2.5 een ruw voorgetraind foundation checkpoint dat bedoeld is om te finetunen, zodat teams het model kunnen aanpassen aan hun eigen data en domein in plaats van alleen met de uitgebrachte productieweights te werken.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Beschikbaarheid, prijzen en licentie van LTX-2.5<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">LTX-2.5 kwam op 11 augustus 2026 tegelijk in drie vormen beschikbaar. De open weights staan op Hugging Face onder de organisatie Lightricks, het model wordt vanaf dag een ondersteund in ComfyUI via een lanceringspartnerschap, en de LTX API bedient teams die liever beheerde infrastructuur gebruiken. De broncode staat op GitHub in de repository Lightricks\/LTX-2, met documentatie op docs.ltx.video.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De API wordt afgerekend per seconde gegenereerde video: 0,09 dollar per seconde op 720p, 0,15 dollar per seconde op 1080p, 0,19 dollar per seconde op 2K en 0,37 dollar per seconde op 4K. De open weights vallen onder een permissieve licentie zonder verplichte merkvermelding en zijn gratis te gebruiken voor organisaties met minder dan 10 miljoen dollar jaarlijkse terugkerende omzet. Grotere bedrijven onderhandelen een aparte licentie met LTX.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">LTX noemt de LTX-familie de meest gebruikte open world model lijn en verwijst daarbij naar meer dan 33 miljoen downloads. De release vormt ook het anker van de maandlange local AI serie van NVIDIA en verscheen op dezelfde dag als NVIDIA&#8217;s eigen agentmodel Nemotron 3.5 Lightning. Dat verklaart waarom veel berichtgeving LTX-2.5 vooral bespreekt in termen van lokale inferentie op NVIDIA RTX GPU&#8217;s en DGX Spark in plaats van cloudcapaciteit.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>De modelpagina, de benchmarktabellen en de licentievoorwaarden staan op de <a href=\"https:\/\/ltx.io\/model\/ltx-2-5\" target=\"_blank\" rel=\"noreferrer noopener\">LTX 2.5 pagina van LTX<\/a> en <a href=\"https:\/\/huggingface.co\/Lightricks\/LTX-2.5\" target=\"_blank\" rel=\"noreferrer noopener\">de weights van LTX 2.5 staan op Huggingface<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>LTX-2.5 is een open weights world model voor video, realtime toepassingen en robotica, op 11 augustus 2026 uitgebracht door LTX, dat een clip van 10 seconden op 720p in 6,8 seconden genereert op twee NVIDIA GB200 GPU&#8217;s en gratis te gebruiken is onder 10 miljoen dollar jaarlijkse terugkerende omzet.<\/p>\n","protected":false},"author":12,"featured_media":3442513,"template":"","tags":[],"news-category":[],"class_list":["post-3442515","news","type-news","status-publish","has-post-thumbnail"],"meta_box":[],"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news\/3442515","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/12"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3442513"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3442515"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3442515"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news-category?post=3442515"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}