阿里云万相2.1：开源视频生成模型的全面解析

一、模型简介

阿里云万相2.1（Wan 2.1） 是通义万相系列的最新多模态视频生成大模型，于2025年1月发布，同年2月25日全面开源。该模型支持文生视频（T2V）和图生视频（I2V），并首次实现中文与英文文本效果动态融合，适用于广告、教育、影视等多领域。

核心亮点

1. 多模态能力：支持文本/图像输入生成480P及以上分辨率视频，且可生成动态字幕或特效。
2. 创新架构：采用超长上下文训练和参数共享机制，降低训练成本。
3. 开源免费：提供两种参数版本（14B、1.3B）的完整代码与权重。
4. 高性能表现：在Vbench评测中以86.22%总分超越Sora、Luma、Pika等竞品。

二、安装与本地部署

硬件要求

• T2V-1.3B（1.3亿参数）：普通个人电脑可运行，4分钟生成5秒480P视频。
• T2V-14B（140亿参数）：需高性能GPU（如NVIDIA A100），支持复杂场景和720P分辨率。

部署步骤

1. 从开源平台下载模型：

   git clone https://github.com/Wan-Video/Wan2.1.git
   cd Wan2.1

2. 安装依赖：

   # Ensure torch >= 2.4.0
   pip install -r requirements.txt

三、项目地址与在线体验

• 开源代码仓库：
  • 阿里云Wan2.1
  • Hugging
  • 魔搭社区
• 在线体验：目前需通过本地部署或社区提供的托管服务访问WebUI，暂未开放官方在线演示平台。

四、与竞品对比

万相2.1在复杂运动生成（如流体模拟）、物理建模准确性以及文本-视频关联性方面展示出技术优势。

五、未来展望

1. 文本到视频评估 通过人工评估，提示扩展后生成的结果优于闭源和开源模型的结果。

2. 图像到视频评估 我们还进行了广泛的手动评估，以评估 Image-to-Video 模型的性能，结果如下表所示。结果清楚地表明，Wan2.1 的性能优于闭源和开源模型。

3. 不同 GPU 上的计算效率 我们在下表中测试了不同 Wan2.1 模型在不同 GPU 上的计算效率。结果以以下格式显示：总时间 （s） / 峰值 GPU 内存 （GB）。

• 

• 此表中显示的测试的参数设置如下： （1） 对于使用 8 个 GPU 的 1.3B 模型，设置 和 ; （2） 对于 1 个 GPU 上的 14B 型号，请使用 ; （3） 对于单个 4090 GPU 上的 1.3B 型号，设置 ; （4） 对于所有测试，都没有应用提示扩展，这意味着没有启用。--ring_size 8--ulysses_size 1--offload_model True--offload_model True --t5_cpu--use_prompt_extend

####💡注意：T2V-14B 比 I2V-14B 慢，因为前者采样 50 步，而后者使用 40 步。

六、未来展望

阿里云计划于2025年第二季度开放训练数据集、视频编辑与转音频功能，并持续投入AI基础设施以巩固行业领先地位。对于开发者而言，其开源策略将加速AI视频生态的创新，尤其在低成本教育工具、文化遗产数字化等领域潜力显著。

• 源码小站
• 我的博客
• 我的导航站