開(kāi)源模型，還是得看杭州。

前腳發(fā)完QwQ-Max，阿里就在深夜開(kāi)源了視頻生成模型Wan 2.1，14B參數(shù)直接屠榜VBench，什么Sora、Gen-3通通不是它的對(duì)手。

從官方Demo中看，復(fù)雜運(yùn)動(dòng)細(xì)節(jié)非常到位，5個(gè)人一起跳hip-hop也能做到動(dòng)作同步。

而且在靜態(tài)圖像生成中都還是老大難問(wèn)題的文字，現(xiàn)在也被萬(wàn)相給攻克了。

當(dāng)然了，14B的參數(shù)量說(shuō)大不大，但在個(gè)人消費(fèi)級(jí)顯卡上本地部署還是比較吃力的。

不過(guò)14B（支持分辨率720P）之外，還有一個(gè)1.3B的小號(hào)版本（支持分辨率480P），在一塊4090上占用顯存是8個(gè)多GB，消耗時(shí)間4分21秒。

如此觀之，用12GB的4070，也是能帶動(dòng)的。

同時(shí)阿里還上線了兩個(gè)圖生視頻模型，都是14B但分為480P和720P兩個(gè)版本。

四個(gè)模型全都是Apache 2.0，也就是免費(fèi)商用。

而且官方也放出計(jì)劃表，AI創(chuàng)作者們非常喜歡的ComfyUI，之后也會(huì)集成。

視頻生成模型會(huì)寫(xiě)字了

目前可以玩到Wan 2.1的途徑有很多，最簡(jiǎn)單的方法是通過(guò)通義萬(wàn)相自己的平臺(tái)。

在平臺(tái)里，1.3B和14B版本分別叫做極速版和專業(yè)版，每次消耗5個(gè)或3個(gè)“靈感值”（新用戶默認(rèn)有50個(gè)，還可通過(guò)簽到等多種方式免費(fèi)獲得）。

不過(guò)由于熱度實(shí)在太高，等待的時(shí)間也會(huì)比較長(zhǎng)，甚至有時(shí)會(huì)出現(xiàn)“過(guò)于火爆”的情況。

動(dòng)手能力稍強(qiáng)的話，可以根據(jù)官方的教程通過(guò)HuggingFace、魔搭社區(qū)或者本地等方式自行折騰，當(dāng)然還有一些第三方平臺(tái)也進(jìn)行了跟進(jìn)。

網(wǎng)友們也是玩出了各種花活，有人用它生成了《我的世界》風(fēng)格的故事場(chǎng)景。

△作者：X/@TheXeophon

再看看官方案例，從效果維度上看，Wan 2.1最大的亮點(diǎn)，可能就是支持在視頻中生成文字了。

而且不是生硬地加入，會(huì)根據(jù)文字所處位置的材質(zhì)進(jìn)行合理變化，以及隨載體一同運(yùn)動(dòng)。

當(dāng)然相對(duì)文字來(lái)說(shuō)更基礎(chǔ)的動(dòng)作細(xì)節(jié)，技術(shù)也同樣過(guò)關(guān)。

讓兩個(gè)人跳一段華爾茲，多次轉(zhuǎn)身前后人物形象依然保持一致，背景的轉(zhuǎn)動(dòng)也很自然。

并且也更懂物理規(guī)律，一支箭射出后，弓弦的抖動(dòng)刻畫(huà)得非常到位。

小狗切菜的過(guò)程當(dāng)中，被切的西紅柿也沒(méi)有出現(xiàn)畸變。

還有像人從水面中探出頭這種場(chǎng)景，不僅界面處處理得很好，帶起的水也是從水流逐漸變化成水滴。

唯一的瑕疵之處是，頭出來(lái)的時(shí)候人物的嘴是張著的。

另外關(guān)于圖像生視頻，也有網(wǎng)友進(jìn)行了體驗(yàn)，沒(méi)用任何提示詞就得到了這樣的日漫風(fēng)動(dòng)畫(huà)：

△作者：X/@seiiiiiiiiiiru

除了效果本身，1.3B版本8個(gè)多GB的低顯存占用，對(duì)個(gè)人創(chuàng)作者來(lái)說(shuō)也是一個(gè)極好的消息。

那么，Wan 2.1是如何實(shí)現(xiàn)又好又省的呢？

創(chuàng)新3D變異自動(dòng)編碼器

和主流的視頻生成技術(shù)路線一樣，Wan 2.1的主體采用了DiT（Diffusion Transformer）架構(gòu)。

Wan利用T5編碼器對(duì)輸入的多語(yǔ)言文本進(jìn)行編碼，并在每個(gè)Transformer塊內(nèi)加入交叉注意力機(jī)制，將文本嵌入到模型架構(gòu)中。

此外，Wan采用線性層和SiLU層來(lái)處理輸入時(shí)間嵌入并分別預(yù)測(cè)六個(gè)調(diào)制參數(shù)。這樣的MLP在所有Transformer塊之間共享，每個(gè)塊都學(xué)習(xí)一組不同的偏差。

編碼上，Wan采用了3D變異自動(dòng)編碼器，這是一種專門(mén)為視頻生成設(shè)計(jì)的3D因果關(guān)系體系結(jié)構(gòu)。

它在卷積模塊中實(shí)現(xiàn)了特征緩存機(jī)制，并結(jié)合了多種策略來(lái)改善時(shí)空壓縮，減少記憶使用情況并確保時(shí)間因果關(guān)系。

具體來(lái)說(shuō)，由于視頻序列幀數(shù)遵循1+T輸入格式，因此Wan將視頻分成1+T/4個(gè)塊，與潛在特征的數(shù)量一致。

在處理輸入視頻序列時(shí)，該模型采用逐塊策略，其中每個(gè)編碼和解碼操作僅處理與單個(gè)潛在表示相對(duì)應(yīng)的視頻塊。

基于時(shí)間壓縮比，每個(gè)處理塊中的幀數(shù)最多限制為4，從而有效防止GPU內(nèi)存溢出。

實(shí)驗(yàn)結(jié)果表明，在單塊A800上，Wan的VAE的重建速度比現(xiàn)有的SOTA方法快2.5倍。

為了使模型擴(kuò)展并提高訓(xùn)練效率，Wan對(duì)編碼器采用FSDP模型切分與上下文并行性（CP）相結(jié)合的分布式策略；對(duì)于DiT模塊則采用DP、FSDP、RingAttention、Ulysses混合的并行策略。

在推理階段，為了使用多卡減少生成單個(gè)視頻的延遲，還需要通過(guò)CP來(lái)進(jìn)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，讓DiT達(dá)到了幾乎線性的加速。

I2V部分，Wan引入了額外的條件圖像作為第一幀來(lái)控制視頻合成，用CLIP圖像編碼器從條件圖像中提取特征表示。

具體而言，條件圖像沿時(shí)間軸與零填充幀連接，形成指導(dǎo)幀。然后，這些指導(dǎo)幀由3D VAE壓縮為條件潛在表示。

另外由于I2V DiT模型的輸入通道比T2V模型多，因此I2V版本中還使用了額外的投影層，并用零值初始化。

之后阿里還會(huì)放出更詳細(xì)的報(bào)告，對(duì)技術(shù)細(xì)節(jié)感興趣的讀者可以持續(xù)關(guān)注~