阿里巴巴开源通义万相 Wan2.1 视频生成模型

背景

通义万相（Wan）是阿里巴巴的视频生成模型系列。视频生成模型根据文字提示或一张静态图片生成动态画面，这项任务需要规模很大的神经网络和大量算力。公开代码与权重后，其他人可以在自己的硬件上运行和研究这些模型。

发生了什么

2025 年 2 月 25 日，阿里巴巴在 GitHub 上公开了 Wan2.1 的推理代码和模型权重，许可证为 Apache 2.0。^[1]

首批发布的模型包括：文生视频的 T2V-14B，支持 480P 和 720P；T2V-1.3B，支持 480P；以及图生视频的 I2V-14B，支持 720P 和 480P。^[1]

关键细节

最小的 T2V-1.3B 模型只需约 8.19 GB 显存，普通消费级显卡即可运行，这对想在自己机器上试用的人来说是一个实际的门槛差异。^[1]

模型采用经过流匹配（flow matching）训练的扩散变换器。它依赖名为 Wan-VAE 的 3D 因果视频变分自编码器，以及处理多语言文字的 T5 编码器；每个模块中的交叉注意力（cross-attention）负责把文字与视频联系起来。^[1]

模型可以在生成的视频中呈现中文和英文文字。^[1]

技术报告于 2025 年 3 月 21 日发布，距离代码和权重公开约三周。^[1]

发布内容中的一些技术术语需要解释。扩散模型生成视频的方式，是从噪声开始，一步步去除噪声，直到得到清晰的画面序列。流匹配（flow matching）是一种训练方法，让模型学会从噪声到真实数据的直接路径，Wan2.1 即采用了这一方法。^[1]

变分自编码器（VAE）会在扩散模型工作之前把视频压缩为更小的表示，从而减少所需的计算量。因果 3D VAE（causal 3D VAE）处理视频时，每一帧只依赖于它之前的帧。^[1]

T5 编码器是一个文本模型，把提示词转换为视频模型可以使用的数值形式。交叉注意力（cross-attention）让视频部分的网络在每个模块中都能参考这些文字表示。^[1]

Apache 2.0 是一种宽松的开源许可证。推理代码指运行已训练模型所需的程序，与用于训练的代码不同。^[1]

影响

这次发布为开发者提供了一个可以下载、测试、且采用开放许可的视频生成模型。它是一个系列的开端：之后通义万相继续推出新版本，2025 年 7 月发布了 Wan2.2。