通义万相 Wan2.1 视频生成模型

是什么

Wan2.1 是阿里巴巴推出的视频生成模型，中文名为通义万相。它可以根据一段文字描述或一张静态图片生成视频。2025 年 2 月 25 日，模型的推理代码和权重以 Apache 2.0 许可证公开，任何人都可以在本地运行。^[1]

由来

首批模型包括：文生视频（text-to-video）的 T2V-14B，分别支持 480P 和 720P；较小的 T2V-1.3B，支持 480P；以及图生视频（image-to-video）的 I2V-14B，支持 720P 和 480P。^[1] 之后追加的模型有：2025 年 4 月加入的 FLF2V-14B，可以用首帧和尾帧生成视频；2025 年 5 月加入的 VACE-1.3B 和 VACE-14B，是用于创作和编辑的一体化模型。^[1][2]

技术报告于 2025 年 3 月 21 日发布。^[1]

主要特点

Wan2.1 采用扩散变换器（diffusion transformer）结构。扩散模型从噪声出发，一步步去除噪声，直到得到清晰的视频。团队采用流匹配（flow matching）进行训练，这种方法让模型学会从噪声到数据的路径。模型由三部分协同工作：名为 Wan-VAE 的 3D 因果视频变分自编码器（VAE），把视频压缩成更小的表示；一个 T5 编码器，负责读取多语言文字；以及每个模块中的交叉注意力（cross-attention），把文字与正在生成的视频联系起来。^[1]

不同规模的模型结构不同。14B 模型有 40 层、40 个注意力头，隐藏维度为 5120；1.3B 模型有 30 层、12 个注意力头，隐藏维度为 1536。^[1] 其中 1.3B 模型只需约 8.19 GB 显存，普通消费级显卡也能运行。^[1]

该模型可以在生成的视频中呈现中文和英文文字。^[1] 团队用 1035 条内部提示词进行评测，覆盖 14 个维度和 26 个子维度，并与开源及闭源模型进行了人工比较。^[1]

在发展中的位置

Wan2.1 于 2025 年 7 月 28 日由 Wan2.2 接替。^[3]