萬相2.1雙版本模型均開源，生成能力全方位開掛。

智東西2月26日報導，昨夜，阿里雲視覺生成基座模型萬相2.1（Wan）宣佈開源！

萬相2.1共有兩個參數規模，140億參數模型適用於對生成效果要求更高的專業人士，13億參數模型生成速度較快且能相容所有消費級GPU，兩個模型的全部推理程式碼和權重已全部開源。

綜合來看，萬相2.1的主要優勢集中於以下五點：

SOTA性能：萬相2.1在多個基準測試中優於現有的開源模型和商業解決方案，140億參數專業版萬相模型在權威評測集VBench中，以總分86.22%大幅超越Sora、Luma、Pika等國內外模型，居於榜首。

支援消費級GPU：13億參數模型僅需8.2GB視訊記憶體就能生成480P視訊，可相容幾乎所有消費級GPU，約4分鐘內（未使用量化等最佳化技術）在RTX 4090上生成5秒的480P視訊。

多項任務：萬相2.1同時支援文生視訊、圖生視訊、視訊編輯、文生圖和視訊生音訊。

視覺文字生成：萬相2.1是首個能夠生成中英文文字的視訊模型，無需外部外掛就能生成文字。

強大的視訊VAE：Wan-VAE提供卓越的效率和性能，可對任意長度的1080P視訊進行編碼和解碼，同時保留時間資訊。

萬相系列模型的研發團隊基於運動質量、視覺質量、風格和多目標等14個主要維度和26個子維度進行了模型性能評估，該模型實現5項第一，萬相系列模型能夠穩定展現各種複雜的人物肢體運動，如旋轉、跳躍、轉身、翻滾等；還能還原碰撞、反彈、切割等複雜真實物理場景。

官方Demo中“貓熊用滑板炫技”的視訊，展示了一隻貓熊連續完成多個高難度動作：

阿里雲通義實驗室的研究人員昨夜23點直播介紹了萬相2.1的模型及技術細節。

此外，阿里通義官方文章還提到，萬相2.1的開源，標誌著阿里雲實現了全模態、全尺寸的開源。

目前，萬相2.1支援訪問通義官網線上體驗或者在Github、HuggingFace、魔搭社區下載進行本地部署體驗。

通義官網體驗地址：https://tongyi.aliyun.com/wanxiang/

Github: https://github.com/Wan-Video/Wan2.1

HuggingFace：https://huggingface.co/spaces/Wan-AI/Wan2.1

魔搭社區：https://modelscope.cn/studios/Wan-AI/Wan-2.1

在生成能力方面，萬相2.1可以還原複雜運動表現、遵循物理規律、影院等級畫質、具備文字生成和視覺特效製作能力。

萬相2.1不僅支援生成走路、吃飯等基本的日常運動，還能還原複雜的旋轉、跳躍、轉身跳舞以及擊劍、體操等體育運動類的動作。

此外，其能在遵循物理世界規律的前提下，還原重力、碰撞、反彈、切割等物理場景，並生成萬物生長等有創意的視訊。

在畫質方面，萬相2.1生成的視訊達到影院等級畫質，同時理解多語言、長文字指令，呈現角色的互動。

同時，萬相2.1是首次在開源模型中支援中英文文字渲染，中英文藝術字生成。

阿里雲還公開了多個萬相2.1生成視訊的Demo。

以紅色新年宣紙為背景，出現一滴水墨，暈染墨汁緩緩暈染開來。文字的筆畫邊緣模糊且自然，隨著暈染的進行，水墨在紙上呈現“福”字，墨色從深到淺過渡，呈現出獨特的東方韻味。背景高級簡潔，雜誌攝影感。

不過，紙上福字左上角的一點並沒有書寫過程，而是突然在視訊後期出現。

紀實攝影風格，低空追蹤視角，一輛寶馬M3在蜿蜒的山路上疾馳，車輪揚起滾滾塵土雲。高速攝影機定格每個驚險過彎瞬間，展現車輛極致的操控性能。背景是連綿起伏的山脈和藍天。畫面充滿動感，輪胎與地面摩擦產生的煙霧四散。中景，運動模糊效果，強調速度感。

可以看到，視訊鏡頭隨著汽車的漂移加速，捕捉到了每一個畫面，並且在漂移時路邊還有與地面摩擦飛揚的塵土。

微觀攝影，珊瑚管蟲和霓虹刺鰭魚在五彩斑斕的海底世界中游弋。珊瑚管蟲色彩鮮豔，觸手輕輕搖曳，彷彿在水中舞蹈；霓虹刺鰭魚身體閃耀著螢光，快速穿梭於珊瑚之間。畫面充滿奇幻視覺效果，真實自然，4k高畫質畫質，展現海底世界的奇妙與美麗。近景特寫，水下環境細節豐富。

整個畫面色彩鮮豔，對提示詞中的細節基本都表現到了。

中國古典風格的動畫角色，一個身穿淡紫色漢服的女孩站在櫻花樹下。她有著大大的眼睛和精緻的五官，頭髮上裝飾著粉色的花朵。女孩表情溫柔，眼神中帶著一絲憂鬱，彷彿在思考什麼。背景是朦朧的古建築輪廓，花瓣在空中輕輕飄落，營造出一種寧靜而夢幻的氛圍。近景特寫鏡頭，強調女孩的面部表情和細膩的光影效果。

視訊對“眼神中帶著一絲憂鬱，彷彿在思考什麼”這類複雜的指令，也在女孩的眼神中得到了呈現。

為了評估萬相2.1的性能，研發人員基於1035個內部提示集，在14個主要維度和26個子維度上進行了測試，然後通過對每個維度的得分進行加權計算來計算總分，其中利用了匹配過程中人類偏好得出的權重。詳細結果如下表所示：

研發人員還對文生視訊、圖生視訊以及模型在不同GPU上的計算效率進行了評估。

其結果顯示，萬相2.1均優於其他開源、閉源模型。

可以看到，13億參數模型可相容消費級顯示卡，並實現較快的生成速度。

3D VAE、可擴展預訓練策略、大規模資料鏈路建構……

基於主流的DiT和線性噪聲軌跡Flow Matching範式，萬相2.1基於自研因果3D VAE、可擴展的預訓練策略、大規模資料鏈路建構以及自動化評估指標提升了模型最終性能表現。

VAE是視訊生成領域廣泛使用的模組，可以使得視訊模型在接近無損情況下有效降低資源佔用。

在演算法設計上，萬相基於主流DiT架構和線性噪聲軌跡Flow Matching範式，研發了高效的因果3D VAE、可擴展的預訓練策略等。以3D VAE為例，為了高效支援任意長度視訊的編碼和解碼，萬相在3D VAE的因果摺積模組中實現了特徵快取機制，從而代替直接對長視訊端到端的編解碼過程，實現了無限長1080P視訊的高效編解碼。

此外，通過將空間降採樣壓縮提前，在不損失性能的情況下進一步減少了29%的推理時記憶體佔用。

#8G顯示卡 你可以在這裡找到鉅亨號中所有使用「8G顯示卡」為關鍵字所發布的內容