Wan ist die offene Videomodellreihe von Alibaba Cloud, Gewichte und Inferenzcode stehen unter Apache-2.0. Sie beginnt im Februar 2025 mit Wan2.1, erreicht mit Wan2.2 über eine Mixture-of-Experts-Architektur 27B Gesamtparameter und fächert sich dann in Spezialisten für audiogetriebene Generierung, Figurenanimation und Musik-zu-Tanz auf — während ein leichter Pfad erhalten bleibt, der noch auf einer Verbraucherkarte läuft.

Wan2.2: Mixture-of-Experts im Videodiffusionsmodell

Der technische Bericht legt den Kern in den ersten Absatz: MoE wird in das Videodiffusionsmodell geholt. Die A14B-Serie arbeitet mit zwei Experten — ein Hochrausch-Experte für die frühen Entrauschungsschritte, in denen das Layout entsteht, ein Niedrigrausch-Experte für die späteren Schritte, die Details ausarbeiten. Jeder hält rund 14B Parameter, zusammen etwa 27B, aktiv ist pro Schritt aber nur etwa 14B, sodass Rechenaufwand und Speicher nahe an einem Einzelexpertenmodell bleiben. Die Übergabe entscheidet das Signal-Rausch-Verhältnis: Das Entrauschen startet bei niedrigem SNR mit hohem Rauschen, also läuft der Hochrausch-Experte, und die Schwelle liegt bei der Hälfte jenes niedrigen Werts.

Nicht nur die Architektur hat sich geändert. Der Bericht nennt gegenüber Wan2.1 zusätzlich 65.6% mehr Bilder und 83.2% mehr Video, gerichtet auf Generalisierung bei Bewegung, Semantik und Ästhetik. Ästhetikdaten sind zudem entlang eigener Achsen verschlagwortet — Licht, Komposition, Kontrast, Farbton —, womit ein filmischer Look zu einer Angabe wird statt zu einer Hoffnung.

Die 5B-Linie: 720P bei 24fps in einer Verbraucherkarte

TI2V-5B ist der freundlichere Weg für einzelne Entwickler. Es fasst Text-zu-Video und Bild-zu-Video in einem Modell zusammen, unterstützt 720P bei 24fps und läuft auf einer Verbraucherkarte wie einer 4090. Die veröffentlichten Effizienzwerte lassen sich direkt in Kosten übersetzen: Auf einer 4090 braucht ein 720P-Text-zu-Video-Auftrag etwa 534.7 Sekunden bei rund 22.9 GB Spitze, Bild-zu-Video etwa 524.8 Sekunden bei ungefähr 22.8 GB. Über 8 Karten verteilt fallen diese Zeiten auf etwa 157.2 und 160.1 Sekunden.

Das komprimierende VAE, das den Speicher schafft

Dass ein 5B-Modell auf eine Verbraucherkarte passt, liegt vor allem an der Kompressionsrate des Video-VAE. Wan2.2-VAE arbeitet mit 16×16×4, also einem höheren Mehrfachen in Zeit und Raum; die Vergleichstabelle führt Wan2.1-VAE und einige Mitbewerber bei 4×8×8. Bei einem Kompressionsfaktor von 64 hebt Wan2.2-VAE zugleich die Rekonstruktions-PSNR von 32.222 auf 33.221, SSIM und LPIPS verbessern sich leicht mit. Höhere Kompression ohne schlechtere Rekonstruktion ist der direkte Grund, warum eine Karte eine höhere Auflösung schafft.

Die Effizienztabelle über Karten hinweg

Das Repository liefert eine Tabelle mit Sekunden und Spitzen-GB je Konfiguration. Neben den 4090-Zeilen läuft die A14B-Stufe 720P-Text-zu-Video auf einer H20 in etwa 4048.7 Sekunden bei 59.8 GB auf einer Karte und fällt über 4 Karten auf rund 1067.8 Sekunden bei 51.7 GB. Das Repository warnt außerdem, dass der Standardbefehl für eine Karte bei A14B eine GPU mit mindestens 80GB verlangt, und dass Modell-Offload plus Typumwandlung Geschwindigkeit gegen Kapazität tauscht.

Drei Spezialistenlinien: Ton, Figur, Tanz

Nach Wan2.2 teilt sich die offene Linie in klar zugeschnittene Arbeit. Wan2.2-S2V-14B, veröffentlicht am 26. August 2025, ist das audiogetriebene Videomodell, ausgeliefert mit Inferenzcode, Gewichten und Bericht für 480P und 720P. Wan2.2-Animate-14B folgte am 19. September 2025 für Figurenanimation und Figurenersatz, ebenfalls mit Gewichten und Code, und wurde am 13. November 2025 in Diffusers integriert, nachdem es zuvor in ComfyUI angekommen war.

Wan-Animate-2 vom 7. August 2026 treibt das weiter: ein Ende-zu-Ende-Rahmen für Figurenanimation, der das Treibervideo direkt in einen neu gestalteten Diffusion Transformer schickt und den Zwischenschritt der Bewegungsanalyse entfernt, was Treue in Bewegung und Identität bringt. Neu ist außerdem eine textgesteuerte Perspektivkontrolle, die die Ausgabekamera vom Treiberclip entkoppelt. Eine Lite-Variante drückt die Latenz an die Echtzeitschwelle für Streaming-Animation.

Musik zu Tanz ist separat als Wan-Dancer offen. Der Rahmen erzeugt Tanzmaterial über eine Minute bei 720p und 30fps in fünf Stilen, darunter Klassik, Street und Latein. Er teilt die Generierung in globale Keyframe-Planung und lokale zeitliche Verfeinerung und hält die Stabilität über lange Strecken mit zeitgemappter Positionskodierung und einem Flow-Verlust. Die getestete Umgebung sind 8 Karten vom Typ A800 mit 80GB, die höchste Hürde unter diesen Spezialisten.

Rückblick auf Wan2.1: 8.19 GB und zweisprachiger Text

Wan2.1 ist der Anfang der Linie und erklärt, warum der leichte Zweig zählt. Die Ausbaustufe T2V-1.3B braucht nur 8.19 GB Speicher und läuft damit auf fast jeder Verbraucherkarte; auf einer RTX 4090 rendert sie einen 5 Sekunden langen 480P-Clip in etwa 4 Minuten, ohne Quantisierung oder andere Kniffe. Die Stufen umfassen T2V-14B in 480P und 720P, I2V-14B in beiden Auflösungen, T2V-1.3B in 480P, FLF2V-14B in 720P sowie VACE in 1.3B und 14B.

Die Fähigkeiten reichen weiter als Text- und Bildeingabe: Videoschnitt, Text-zu-Bild und Video-zu-Ton sind enthalten. Der Anbieter führt die Textdarstellung in Chinesisch und Englisch im erzeugten Video als Verkaufsargument und merkt an, dass Wan-VAE 1080P-Material beliebiger Länge kodieren und dekodieren kann, ohne Zeitinformation zu verlieren. Diese beiden Eigenschaften sind der Grund, warum so viel nachgelagerte Arbeit es als Basis nutzt.

Lizenz, Gewichte und Integration

Die Organisationseite hält fest, dass alle 6 öffentlichen Repositories unter dem Namen Apache-2.0 nutzen, darunter Wan2.2, Wan2.1, Wan-Dancer, Wan-Animate-2, Wan-skills und ein Diffusers-Zweig. Wan2.2 steht bei rund 17.5k Sternen, Wan2.1 bei etwa 17k. Gewichte erscheinen sowohl auf Hugging Face als auch auf ModelScope und lassen sich mit dem passenden Kommandozeilenwerkzeug lokal ziehen. Für ein Team entscheiden Lizenz und Bezugsweg darüber, ob das Modell in eine interne Kette darf, und beides steht auf der Startseite des Repositories.

Die Community-Ebene

Fremde Arbeit rund um die Linie hat echte Größe erreicht. Die README sammelt unter anderem leichte Inferenzrahmen, einer auf einer aktuellen Flaggschiffkarte, einer auf einer 4060 mit 8GB; ein Optimiererwerkzeug mit schichtweisem Offload, FP8-Quantisierung, Sequenzparallelität und LoRA-Training; Beschleuniger mit sparsamer Attention und Caching; eine ComfyUI-Hülle; und eine Gruppe von Prompt-Relay- und Langvideo-Projekten. Ein eigenes Wan-skills-Repository verpackt Modellfähigkeiten als Skills, die ein Agent aufrufen kann.

Grenzen

Alle Zeiten und Speicherwerte stammen aus der offiziellen Effizienztabelle, gemessen unter bestimmten Parallelitäts- und Attention-Implementierungen, auf dem eigenen Rechner weicht das ab. A14B braucht auf einer Karte über 80GB für den Standardbefehl; die 5B-Linie ist die realistische Wahl für eine Verbraucherkarte. Die Hardwareanforderungen der Spezialisten liegen weit auseinander — Wan-Dancer wurde auf 8 A800 gemessen. Lizenz und kommerzielle Bedingungen gehören aus der Lizenzdatei im Repository gelesen, Rechte an abgebildeten Personen und Ausgangsmaterial sind getrennt zu klären.

Zusammengefasst: Der Wert dieser offenen Linie liegt nicht in einer einzelnen Punktzahl, sondern in einer Staffelung — 1.3B bringt eine 8GB-Maschine zum Produzieren, 5B erreicht über ein stark komprimierendes VAE 720P bei 24fps auf einer 4090, A14B hebt die Gesamtparameter über einen Doppelexperten-MoE auf 27B ohne höhere Kosten pro Schritt, und darüber beantworten Ton-, Animations- und Tanzspezialist drei konkrete Probleme.