通义万相（Wan）是阿里云的开源视频生成模型线，权重与推理代码以 Apache-2.0 许可公开。这条线从 2025 年 2 月的 Wan2.1 起步，到 Wan2.2 引入 MoE 架构把总参数推到 27B，再分出音频驱动、角色动画、音乐舞蹈几个专项模型，同时保留了一条能在消费级显卡上跑的轻量分支。

Wan2.2 的关键变化：把 MoE 搬进视频扩散模型

Wan2.2 的技术报告把核心创新写在第一段：它把混合专家架构引入视频生成扩散模型。A14B 系列采用双专家设计——一个高噪声专家负责去噪早期、关注整体布局，一个低噪声专家负责后期、细化视频细节；两个专家各约 14B 参数，合计约 27B，但每一步只激活约 14B，因此推理计算量和显存占用与单专家模型基本持平。两个专家之间的切换点由信噪比决定：去噪刚开始时噪声水平高、信噪比处于低点，此时激活高噪声专家，阈值步长取在信噪比低值的一半处。

除了架构，训练数据也是这一代的变量：官方写明相比 Wan2.1，Wan2.2 增加了 65.6% 的图像和 83.2% 的视频，用来提升模型在运动、语义与美学等维度上的泛化。另外，官方把美学数据单独标注了光照、构图、对比度、色调等维度，让电影感的生成风格变得可指定。

5B 的 TI2V：720P 24fps 与消费级显卡

Wan2.2 里有一条对个人开发者更友好的分支：TI2V-5B。它把文生视频与图生视频合进同一个模型，支持 720P 分辨率下的 24fps 输出，并且可以在 4090 这类消费级显卡上运行。官方给出的效率数据可以直接换算成本：在单张 4090 上，一段 720P 的文生视频耗时约 534.7 秒、峰值显存约 22.9 GB；图生视频约 524.8 秒、峰值显存约 22.8 GB。如果把推理扩到 8 张卡，两项任务的耗时分别降到约 157.2 秒与 160.1 秒。

压缩 VAE：16×16×4 换来的显存空间

5B 模型能塞进消费级显卡，关键之一是视频 VAE 的压缩比。Wan2.2-VAE 做到 16×16×4，也就是在时间与空间维度上给出更高的压缩倍数；官方给出的对比表里，Wan2.1-VAE 与部分同类方案是 4×8×8，Wan2.2-VAE 在信息压缩倍数为 64 的同时把重建指标 PSNR 从 32.222 抬到 33.221，SSIM 与 LPIPS 也同步小幅改善。压缩比更高、重建质量不降，才是同一张显卡能跑更高分辨率的直接原因。

效率表：不同 GPU 上的耗时与显存

官方仓库附了一张跨硬件的效率表，格式是「总耗时（秒）/ 峰值显存（GB）」。除 4090 的数据外，表里还能看到 A14B 档位在 H20 上的表现：单卡跑 720P 文生视频约 4048.7 秒、峰值显存约 59.8 GB，扩到 4 卡后降到约 1067.8 秒、峰值显存约 51.7 GB。仓库同时提示，A14B 的单卡命令需要至少 80GB 显存的 GPU；显存不够时可以打开模型卸载与参数类型转换，用速度换容量。

三条专项模型线：音频驱动、角色动画、音乐舞蹈

Wan2.2 之后，这条开源线分出几个针对性很强的方向。2025 年 8 月 26 日发布的 Wan2.2-S2V-14B 是音频驱动的视频生成模型，官方同步给出推理代码、权重与技术报告，支持 480P 与 720P 两档分辨率；2025 年 9 月 19 日发布的 Wan2.2-Animate-14B 面向角色动画与角色替换，官方提供权重与推理代码，并在 2025 年 11 月 13 日被集成进 Diffusers，此前也已提供 ComfyUI 集成。

2026 年 8 月 7 日发布的 Wan-Animate-2 把这条路走得更远：它采用端到端的角色动画框架，直接把驱动视频送进重新设计的 Diffusion Transformer，省掉了中间的动作提取器，因此在动作保真度与身份保持上更有针对性；另一个新增能力是文本驱动的视角控制，可以把输出的相机视角与驱动视频解耦。官方还给出 Wan-Animate-2-Lite 这一轻量变体，把推理延迟压到实时阈值，面向流式角色动画。

音乐到舞蹈则被单独开源成 Wan-Dancer。官方写明这套框架可以生成时长超过一分钟的 720p 30fps 舞蹈视频，覆盖古典、街舞、拉丁等五种舞种；做法是把生成拆成全局关键帧规划与局部时序细化两步，再用时间映射的位置编码与光流损失维持长时序的稳定性。仓库标注的测试环境是 8 张 A800 80GB 显卡，属于这几个专项模型里门槛较高的一个。

回溯 Wan2.1：8.19GB 显存与中英文字渲染

Wan2.1 是这条线的起点，也是理解轻量分支的参照。官方写明 T2V-1.3B 版本只需要 8.19 GB 显存，几乎可以在全部消费级显卡上运行；在 RTX 4090 上大约 4 分钟能生成一段 5 秒 480P 视频，而且没有使用量化等优化手段。模型档位方面，Wan2.1 提供 T2V-14B（480P 与 720P）、I2V-14B 的 480P 与 720P 两个版本、T2V-1.3B（480P）、FLF2V-14B（720P）以及 VACE 的 1.3B 与 14B 两档。

能力覆盖上，Wan2.1 除文生视频与图生视频外还包含视频编辑、文生图与视频转音频；官方把「能同时生成中英文文字的视频模型」列为它的卖点之一，并说明 Wan-VAE 可以对任意长度的 1080P 视频做编解码、同时保留时间信息。这两点决定了它后续能被大量二次开发项目直接拿来当底座。

许可证、权重与集成路径

组织页写明，Wan 名下 6 个公开仓库全部采用 Apache-2.0 许可证，包括 Wan2.2、Wan2.1、Wan-Dancer、Wan-Animate-2、Wan-skills 与一个 Diffusers 分支；其中 Wan2.2 的星标数约 17.5k，Wan2.1 约 17k。权重同时发布在 Hugging Face 与 ModelScope 两个渠道，可以用对应的命令行工具下载到本地。对团队来说，许可证与权重渠道决定了它能不能进内部流程，这两项在仓库首页都能直接确认。

社区生态：从 ComfyUI 到推理加速

围绕这条线的第三方项目已经形成规模。官方 README 收录的包括 LightX2V（轻量推理框架，可在 RTX 5090 与 8GB 显存的 RTX 4060 上运行）、DiffSynth-Studio（低显存逐层卸载、FP8 量化、序列并行与 LoRA 训练）、FastVideo 与 Cache-dit（稀疏注意力与缓存加速）、Kijai 的 ComfyUI 封装，以及 Prompt Relay、Video-As-Prompt、Wan-Move、EchoShot 等控制类与长视频类工作。此外还有一个 Wan-skills 仓库，把模型能力包装成可被智能体调用的技能，例如用图像模型做生成与编辑，或把文档转成幻灯片。

几点边界

其一，文中耗时与显存数字全部来自官方仓库的效率表，测试条件包含特定的并行策略与注意力实现，自己的机器上会有差异。其二，A14B 单卡需要 80GB 以上显存才能按仓库默认命令运行，5B 分支才是消费级显卡的现实选择。其三，专项模型的硬件门槛差别很大，Wan-Dancer 标注的测试环境是 8 张 A800。其四，许可证与商用条款请以仓库内的许可文件为准，涉及人物形象与肖像素材时还要确认素材本身的授权。

一句话概括：通义万相这条开源线的价值不在单个模型的分数，而在于它把同一套架构铺成了一条梯度清晰的产品线——1.3B 负责让 8GB 显存的机器也能出片，5B 用高压缩比 VAE 把 720P 24fps 做到单张 4090 可跑，A14B 用双专家 MoE 把总参数推到 27B 而单步成本不变，再往上用 S2V、Animate、Dancer 分别解决声音、角色与长时序舞蹈这三类具体问题。