通义万相2.1版本带来了显著的技术突破与创新，通过多阶段递进训练、分布式训练加速、极致效率优化等手段，实现了模型性能的大幅提升。新版本不仅在视频生成质量上超越了Sora等闭源模型，还在推理速度和效率上取得了显著进展。通义万相2.1还构建了大规模高质量的数据集，支持中英文视频内嵌文字生成，并开源了1.3B和14B两种模型尺寸，覆盖了多种生成任务，满足不同用户的需求。通义万相2.1的开源举措，有望推动视频生成技术的进一步发展。
🚀 **多阶段递进训练与分布式加速：** 通义万相2.1采用从192P图像预训练到720P视频的多阶段递进训练范式，结合Flow Matching框架，实现了14B参数模型的高效稳定收敛。通过DP、CP、FSDP等多种分布式策略的结合，实现了百万Tokens模型的快速训练。
💡 **极致效率优化：** 针对视频变分自编码器，通义万相2.1提出了基于Cache的3D因果Wan-VAE架构，能够编解码无限时长1080P视频，且重构速度提升2.5倍。同时，融合CP、扩散缓存与FP8量化，14B模型推理速度提升1.78倍。
🖼️ **规模化数据与双语支持：** 构建了O(1)B级图像和视频数据，通过多步清洗流程筛选高质量数据。首创支持中英文视频内嵌文字生成，通过合成数据与多模态语言模型联合优化，生成与自然场景融合的准确字形。
🌍 **开源生态与多任务支持：** 开源1.3B和14B模型，支持图生视频、指令视频编辑、人像定制等8类生成任务，覆盖多种创作场景。VBench等基准测试中，Wan 14B以86.22总分超越Sora等闭源模型，引领开源视频生成技术革新。
通义万相Wan 2025-03-25 17:32 浙江
通义万相2.1最新的技术进展与作用
可扩展训练范式
多阶段递进训练：从192P图像预训练到720P视频的多阶段递进训练，结合Flow Matching框架，实现14B参数模型的高效稳定收敛。
分布式训练加速：经过详细的负载分析，结合DP、CP、FSDP多种分布式策略，并在不同模块间采用分布式策略切换，能够高效训练长达百万Tokens的模型。
极致效率优化
视频变分自编码器：提出新型的基于Cache的3D因果Wan-VAE架构，能够编解码无限时长1080P视频，并且重构速度提升2.5倍，重构质量也取得头部的效果。
轻量1.3B模型：仅需8.19GB显存，消费级GPU（如RTX 4090）可在4分钟左右生成5s视频，且性能超越更大规模开源模型。
推理加速技术：融合CP、扩散缓存（Diffusion Cache）与FP8量化，14B模型推理速度提升1.78倍。
规模化数据构建
数据策略：构建O(1)B级图像和视频数据，通过OCR检测、美学评分、运动质量分级等多步清洗流程，筛选高质量数据。
双语视觉文字生成：首创支持中英文视频内嵌文字生成，通过合成数据与多模态语言模型联合优化，生成与自然场景融合的准确字形。
开源生态构建
下游任务全覆盖：支持图生视频、指令视频编辑、人像定制、实时生成等多达8类生成任务，能够满足多种创造场景的需求。
多模型尺寸和多分辨率：同时开源1.3B和14B模型，可以支持480P和720P的视频生成，能够满足不同计算资源条件下推理需求。
开源生态：完整公开模型和代码，支持社区二次开发。在VBench等基准测试中，Wan 14B以86.22总分超越Sora等闭源模型，引领开源视频生成技术革新。
🎉 福利环节 🎉
留言区点赞前3名可获得通义定制渔夫帽
活动截止时间：2025年3月28日 17:00
推荐阅读
通义万相，开源！
万相AI整活，幅度这么大吗？
阅读原文
跳转微信打开
