开源模型，还是得看杭州。
前脚发完QwQ-Max，阿里就在深夜开源了视频生成模型Wan 2.1，14B参数直接屠榜VBench，什么Sora、Gen-3通通不是它的对手。
从官方Demo中看，复杂运动细节非常到位，5个人一起跳hip-hop也能做到动作同步。
而且在静态图像生成中都还是老大难问题的文字，现在也被万相给攻克了。
当然了，14B的参数量说大不大，但在个人消费级显卡上本地部署还是比较吃力的。
不过14B（支持分辨率720P）之外，还有一个1.3B的小号版本（支持分辨率480P），在一块4090上占用显存是8个多GB，消耗时间4分21秒。
如此观之，用12GB的4070，也是能带动的。
同时阿里还上线了两个图生视频模型，都是14B但分为480P和720P两个版本。
四个模型全都是Apache 2.0，也就是免费商用。
而且官方也放出计划表，AI创作者们非常喜欢的ComfyUI，之后也会集成。
视频生成模型会写字了
目前可以玩到Wan 2.1的途径有很多，最简单的方法是通过通义万相自己的平台。
在平台里，1.3B和14B版本分别叫做极速版和专业版，每次消耗5个或3个“灵感值”（新用户默认有50个，还可通过签到等多种方式免费获得）。
不过由于热度实在太高，等待的时间也会比较长，甚至有时会出现“过于火爆”的情况。
动手能力稍强的话，可以根据官方的教程通过HuggingFace、魔搭社区或者本地等方式自行折腾，当然还有一些第三方平台也进行了跟进。
网友们也是玩出了各种花活，有人用它生成了《我的世界》风格的故事场景。
△作者：X/@TheXeophon
再看看官方案例，从效果维度上看，Wan 2.1最大的亮点，可能就是支持在视频中生成文字了。
而且不是生硬地加入，会根据文字所处位置的材质进行合理变化，以及随载体一同运动。
当然相对文字来说更基础的动作细节，技术也同样过关。
让两个人跳一段华尔兹，多次转身前后人物形象依然保持一致，背景的转动也很自然。
并且也更懂物理规律，一支箭射出后，弓弦的抖动刻画得非常到位。
小狗切菜的过程当中，被切的西红柿也没有出现畸变。
还有像人从水面中探出头这种场景，不仅界面处处理得很好，带起的水也是从水流逐渐变化成水滴。
另外关于图像生视频，也有网友进行了体验，没用任何提示词就得到了这样的日漫风动画：
△作者：X/@seiiiiiiiiiiru
除了效果本身，1.3B版本8个多GB的低显存占用，对个人创作者来说也是一个极好的消息。
那么，Wan 2.1是如何实现又好又省的呢？
创新3D变分自动编码器
和主流的视频生成技术路线一样，Wan 2.1的主体采用了DiT（Diffusion Transformer）架构。
Wan利用T5编码器对输入的多语言文本进行编码，并在每个Transformer块内加入交叉注意力机制，将文本嵌入到模型架构中。
此外，Wan采用线性层和SiLU层来处理输入时间嵌入并分别预测六个调制参数。这样的MLP在所有Transformer块之间共享，每个块都学习一组不同的偏差。
编码上，Wan采用了3D变分自动编码器，这是一种专门为视频生成设计的3D因果关系体系结构。
它在卷积模块中实现了特征缓存机制，并结合了多种策略来改善时空压缩，减少记忆使用情况并确保时间因果关系。
具体来说，由于视频序列帧数遵循1+T输入格式，因此Wan将视频分成1+T/4个块，与潜在特征的数量一致。
在处理输入视频序列时，该模型采用逐块策略，其中每个编码和解码操作仅处理与单个潜在表示相对应的视频块。
基于时间压缩比，每个处理块中的帧数最多限制为4，从而有效防止GPU内存溢出。
实验结果表明，在单块A800上，Wan的VAE的重建速度比现有的SOTA方法快2.5倍。
为了使模型扩展并提高训练效率，Wan对编码器采用FSDP模型切分与上下文并行性（CP）相结合的分布式策略；对于DiT模块则采用DP、FSDP、RingAttention、Ulysses混合的并行策略。
在推理阶段，为了使用多卡减少生成单个视频的延迟，还需要通过CP来进行分布式加速。
在14B版本的Wan上，2D上下文并行和FSDP并行策略，让DiT达到了几乎线性的加速。
I2V部分，Wan引入了额外的条件图像作为第一帧来控制视频合成，用CLIP图像编码器从条件图像中提取特征表示。
具体而言，条件图像沿时间轴与零填充帧连接，形成指导帧。然后，这些指导帧由3D VAE压缩为条件潜在表示。
另外由于I2V DiT模型的输入通道比T2V模型多，因此I2V版本中还使用了额外的投影层，并用零值初始化。
