Wan est la gamme ouverte de modèles vidéo d'Alibaba Cloud, dont les poids et le code d'inférence sont publiés sous Apache-2.0. Elle démarre avec Wan2.1 en février 2025, atteint avec Wan2.2 une architecture de mélange d'experts qui porte le total à 27B, puis se ramifie en spécialistes de la génération pilotée par l'audio, de l'animation de personnage et de la musique vers la danse — tout en gardant une branche légère qui tourne encore sur une carte grand public.

Wan2.2 : le mélange d'experts entre dans la diffusion vidéo

Le rapport technique place le cœur dès son premier paragraphe : le MoE est introduit dans le modèle de diffusion vidéo. La série A14B emploie deux experts — un expert à fort bruit pour les premières étapes de débruitage, où se fixe la composition d'ensemble, et un expert à faible bruit pour les étapes suivantes, qui affinent le détail. Chacun porte environ 14B paramètres, soit 27B au total, mais seuls 14B environ sont actifs à chaque étape, si bien que calcul et mémoire restent proches d'un modèle à expert unique. Le point de bascule est décidé par le rapport signal sur bruit : le débruitage démarre à faible rapport avec beaucoup de bruit, donc l'expert à fort bruit travaille, et le seuil se place à la moitié de cette valeur basse.

L'architecture n'est pas la seule variable. Le rapport indique que par rapport à Wan2.1, Wan2.2 ajoute 65.6% d'images et 83.2% de vidéo, pour la généralisation en mouvement, sémantique et esthétique. Les données esthétiques sont en outre annotées selon des axes distincts — lumière, composition, contraste, tonalité — ce qui transforme un rendu cinématographique en paramètre plutôt qu'en espoir.

La branche 5B : du 720P à 24fps sur une carte grand public

TI2V-5B est la voie la plus accessible aux développeurs isolés. Elle réunit texte-vers-vidéo et image-vers-vidéo dans un même modèle, prend en charge le 720P à 24fps et tourne sur une carte grand public comme une 4090. Les chiffres d'efficacité publiés se traduisent directement en coût : sur une 4090, une tâche de texte-vers-vidéo en 720P demande environ 534.7 secondes pour une pointe à 22.9 GB, et l'image-vers-vidéo environ 524.8 secondes à 22.8 GB. Répartie sur 8 cartes, l'inférence descend à environ 157.2 et 160.1 secondes.

Le VAE compressif qui fait la place

Si un modèle de 5B tient sur une carte grand public, c'est surtout grâce au taux de compression du VAE vidéo. Wan2.2-VAE travaille en 16×16×4, un multiple plus élevé à la fois dans le temps et dans l'espace ; le tableau de comparaison place Wan2.1-VAE et plusieurs pairs en 4×8×8. Avec un facteur de compression de 64, Wan2.2-VAE relève aussi le PSNR de reconstruction de 32.222 à 33.221, SSIM et LPIPS s'améliorant légèrement. Plus de compression sans moins de reconstruction, voilà la raison directe pour laquelle une carte gère une résolution supérieure.

Le tableau d'efficacité selon les cartes

Le dépôt fournit un tableau des secondes et du pic de GB par configuration. Au-delà des lignes 4090, le palier A14B fait tourner du texte-vers-vidéo 720P sur une H20 en environ 4048.7 secondes à 59.8 GB sur une carte, et descend à environ 1067.8 secondes à 51.7 GB sur 4 cartes. Le dépôt prévient aussi que la commande par défaut pour une seule carte en A14B exige un GPU d'au moins 80GB, et que le déchargement du modèle avec conversion de type échange de la vitesse contre de la capacité.

Trois lignes spécialisées : son, personnage, danse

Après Wan2.2, la gamme ouverte se divise en travaux nettement ciblés. Wan2.2-S2V-14B, publié le 26 août 2025, est le modèle piloté par l'audio, livré avec code d'inférence, poids et rapport pour le 480P et le 720P. Wan2.2-Animate-14B a suivi le 19 septembre 2025 pour l'animation et le remplacement de personnage, avec poids et code, et a été intégré à Diffusers le 13 novembre 2025 après une arrivée plus tôt dans ComfyUI.

Wan-Animate-2, publié le 7 août 2026, pousse plus loin : un cadre d'animation de bout en bout qui envoie la vidéo pilote directement dans un Diffusion Transformer redessiné et supprime l'extracteur de mouvement intermédiaire, ce qui apporte de la fidélité en mouvement et en identité. S'y ajoute un contrôle de point de vue piloté par le texte, qui découple la caméra de sortie du clip pilote. Une variante Lite ramène la latence au seuil du temps réel pour l'animation en flux.

La musique vers la danse est ouverte séparément sous Wan-Dancer. Le cadre produit des séquences de plus d'une minute en 720p à 30fps sur cinq styles, dont classique, street et latino. Il découpe la génération en planification globale des images clés puis affinage temporel local, avant de tenir la stabilité longue avec un encodage positionnel mappé dans le temps et une perte de flux optique. L'environnement testé est de 8 cartes A800 80GB, l'exigence la plus lourde de ces spécialistes.

Retour sur Wan2.1 : 8.19 GB et texte bilingue

Wan2.1 est le point de départ de la gamme et explique l'intérêt de la branche légère. La version T2V-1.3B ne demande que 8.19 GB de mémoire, ce qui la met sur presque toutes les cartes grand public ; sur une RTX 4090, elle rend un clip de 5 secondes en 480P en environ 4 minutes, sans quantification ni autre artifice. Les paliers couvrent T2V-14B en 480P et 720P, I2V-14B dans les deux résolutions, T2V-1.3B en 480P, FLF2V-14B en 720P, et VACE en 1.3B et 14B.

Les capacités dépassent l'entrée texte et image : montage vidéo, texte-vers-image et vidéo-vers-audio sont inclus. L'éditeur cite le rendu de texte chinois et anglais à l'intérieur de la vidéo comme argument, et note que Wan-VAE encode et décode du 1080P de longueur quelconque en conservant l'information temporelle. Ces deux traits expliquent pourquoi tant de travaux dérivés l'utilisent comme base.

Licence, poids et chemins d'intégration

La page de l'organisation indique que les 6 dépôts publics portant ce nom sont sous Apache-2.0 : Wan2.2, Wan2.1, Wan-Dancer, Wan-Animate-2, Wan-skills et une branche Diffusers. Wan2.2 compte environ 17.5k étoiles et Wan2.1 environ 17k. Les poids paraissent à la fois sur Hugging Face et sur ModelScope et se récupèrent avec l'outil en ligne de commande correspondant. Pour une équipe, la licence et le canal de distribution décident de l'entrée dans une chaîne interne, et les deux se lisent sur la page d'accueil du dépôt.

La couche communautaire

Le travail tiers autour de la gamme a pris une vraie ampleur. Ce que le README recense comprend des cadres d'inférence légers, l'un tournant sur une carte phare actuelle, l'autre sur une 4060 de 8GB ; un outil d'optimisation avec déchargement couche par couche, quantification FP8, parallélisme de séquence et entraînement LoRA ; des accélérateurs à attention creuse et cache ; une enveloppe ComfyUI ; et un ensemble de projets de relais de consigne et de vidéo longue. Un dépôt Wan-skills à part empaquette les capacités du modèle en compétences qu'un agent peut appeler.

Limites

Toutes les durées et valeurs de mémoire viennent du tableau d'efficacité officiel, mesurées sous des implémentations précises de parallélisme et d'attention, donc votre machine différera. A14B exige plus de 80GB sur une carte pour la commande par défaut ; la branche 5B est le choix réaliste sur une carte grand public. Les exigences matérielles varient fortement entre spécialistes — Wan-Dancer a été mesuré sur 8 cartes A800. Enfin la licence et les conditions commerciales se lisent dans le fichier de licence du dépôt, les droits sur les personnes représentées et sur les rushes se vérifiant à part.

En résumé, la valeur de cette gamme ouverte n'est pas une note unique, c'est un dégradé : la 1.3B fait produire une machine de 8GB, la 5B atteint le 720P à 24fps sur une seule 4090 grâce à un VAE très compressif, la A14B porte le total à 27B avec un MoE à deux experts sans augmenter le coût par étape, et au-dessus les spécialistes du son, de l'animation et de la danse répondent à trois problèmes concrets.