阿里云视频生成大模型万相 2.1（Wan）重磅开源，此次开源采用 Apache2.0 协议，14B 和 1.3B 两个参数规格的全部推理代码和权重全部开源，同时支持文生视频和图生视频任务，全球开发者可在 Github、HuggingFace、魔搭社区下载体验。
此次开源的两个参数版本模型：
14B 版本万相模型在指令遵循、复杂运动生成、物理建模、文字视频生成等方面表现突出，在权威评测集 Vbench 中，万相 2.1 以总分 86.22% 大幅超越 Sora、Luma、Pika 等国内外模型，稳居榜首位置。
1. 3B 版本万相模型不仅超过了更大尺寸的开源模型，甚至还和一些闭源的模型结果接近，同时能在消费级显卡运行，仅需 8.2GB 显存就可以生成 480P 视频，适用于二次模型开发和学术研究。
从 2023 年开始，阿里云就坚定大模型开源路线，千问（Qwen）衍生模型数量已超过 10 万个，是全球最大的 AI 模型家族。随着万相的开源，阿里云两大基模全部开源，实现了全模态、全尺寸大模型的开源。
万相 2.1（Wan）模型技术解读
#模型性能
万相大模型在多个内部和外部基准测试中，均大幅超越现有的开源模型以及顶尖商业闭源模型。万相能够稳定展现各种复杂的人物肢体运动，如旋转、跳跃、转身、翻滚等；能够精准还原碰撞、反弹、切割等复杂真实物理场景。
在指令遵循能力方面，能够准确理解中英文长文本指令，还原各种场景切换、角色互动。
#关键技术
基于主流的 DiT 和线性噪声轨迹 Flow Matching 范式，万相大模型通过一系列技术创新实现了生成能力的重大进步。包括自研高效的因果 3D VAE、可扩展的预训练策略、大规模数据链路构建以及自动化评估指标，这些创新共同提升了模型的最终性能表现。
高效的因果 3D VAE：万相自研了一种专为视频生成设计的新型因果 3D VAE 架构，并结合多种策略来改进时空压缩、降低内存使用以及确保时间因果性。
万相大模型视频 VAE
视频 Diffusion Transformer：万相模型架构基于主流的视频 DiT 结构，通过 Full Attention 机制确保长时程时空依赖的有效建模，实现时空一致的视频生成。
万相视频模型架构图
模型训练和推理效率优化：训练阶段，对于文本、视频编码模块，我们使用 DP 和 FSDP 组合的分布式策略；对于 DiT 模块，我们采用 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，我们需要选择 CP 来进行分布式加速。此外，当模型较大时，还需要进行模型切分。
DiT 并行策略
#开源社区友好
万相已经在Github、HuggingFace、魔搭社区平台开源，全面支持了多种主流框架，已支持 Gradio 体验、xDiT 并行加速推理，Diffusers 和 ComfyUI 也在快速接入中，以方便开发者一键推理部署。这不仅降低了开发门槛，还为不同需求的用户提供了灵活的选择，无论是快速原型开发还是高效生产部署都能轻松实现。
-
开源社区链接：
Github: https://github.com/Wan-Video
HuggingFace: https://huggingface.co/Wan-AI
魔搭社区：https://modelscope.cn/organization/Wan-AI
- 相关新闻：
