阿里巴巴开源混合专家视频模型通义万相 Wan2.2

背景

通义万相（Wan）是阿里巴巴的视频生成模型系列。Wan2.2 是 Wan2.1 的后续版本，阿里巴巴以开放方式发布，开发者和研究人员可以下载代码与权重，在自己的硬件上运行，而不必只能调用托管服务。^[1][2]

发生了什么

2025年7月28日，阿里巴巴发布了 Wan2.2 的推理代码和模型权重，许可证为 Apache 2.0。Apache 2.0 是一种宽松的开源许可证，允许使用、修改和再分发，包括商业用途，但需保留许可证条款和声明。^[1]

首批发布包含三个模型。T2V-A14B 负责根据文字生成视频，I2V-A14B 负责根据一张静态图片生成视频，两者均提供 480P 与 720P 两种分辨率。TI2V-5B 是一个统一模型，可以同时接收文字和图片输入，输出 720P 视频。^[1]

关键细节

最重要的变化在于 A14B 模型的架构。它们把混合专家（Mixture-of-Experts，MoE）设计引入视频扩散模型。扩散模型生成视频时，先从随机噪声出发，逐步去除噪声，直到画面符合提示词。混合专家模型则包含多个各有分工的子网络，由路由机制决定每次计算交给哪些子网络，因此任一时刻只有模型的一部分在运行。^[1]

在 Wan2.2 中，两个专家在去噪的不同阶段分工。高噪声专家负责前期步骤，此时整体构图逐渐确定；低噪声专家接手后期步骤，负责细节的精修。两个专家合计 270 亿参数，每一步约有 140 亿参数处于激活状态。参数是模型在训练中学到的数值权重，这一数字说明模型并非每次都运行全部参数。^[1]

与 Wan2.1 相比，Wan2.2 的训练图像多出 65.6%，训练视频多出 83.2%。更多的训练数据有助于视频模型在各帧之间保持物体与运动的连贯，不过发布材料并未把效果归因于单一原因。^[1]

TI2V-5B 则从另一条路线提高效率。它采用高压缩率的 VAE（变分自编码器），在生成之前先把视频压缩为小得多的潜在表示，并能输出 720P、每秒 24 帧的视频。由于压缩程度高，该模型被描述为可以在 NVIDIA GeForce RTX 4090 这类消费级显卡上运行，而这块显卡的显存（VRAM）至少需要 24GB。^[1]

影响

视频生成成本高，因为一段视频由大量彼此需要在时间上保持一致的画面组成，显存和算力是主要限制。混合专家层和紧凑的潜在空间，都是在保持质量的同时减少每一步计算量的办法。Wan2.2 把这两种思路用在一个普通用户也能运行的开放模型上，因此这次发布对研究视频生成的人和基于它开发工具的开发者都有意义。^[1]

这次发布也表明，大型公司可以用宽松许可证公开一个视频模型，代码与权重一并提供。对读者而言，实际意义是：这样的模型可以被检查、在本地运行和改造，而不只是作为付费服务存在。