阿里开源电影级AI视频模型！MoE架构，5B版本消费级显卡可跑

鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI

电影级视频生成模型来了。

来自阿里，来自通义——通义万相Wan2.2。并且率先将MoE架构实现到了视频生成扩散模型中，能够实现电影级效果。

嗯，依然发布即开源。

就在刚刚，阿里开源了新一代视频生成模型王者通义万相Wan2.2，包括文生视频、图生视频和混合视频生成。

其中Wan2.2-T2V-A14B和Wan2.2-I2V-A14B是业界首个使用MoE架构的视频生成模型，可一键生成电影级质感视频；5B版本则同时支持文生视频和图生视频，可在消费级显卡部署，也是目前最快的24fps、720P的基础模型。

无论是对比自家上一代模型Wan2.1，还是视频生成模型标杆Sora，Wan2.2都明显有更强劲的表现。

那么话不多说，先看几个官方demo尝尝鲜。

Wan2.2首先致敬了多部经典电影，从科幻片到爱情片，Wan2.2都能1:1还原。

当然也可以创作自己的原创电影，想象自己是帅气的西部牛仔、沙漠中嗜血的孤狼。

仔细看，人物坐下时还能有极为真实的沙发回弹。

幻想题材也不在话下：

另外官方还做了部概念电影，点击下方立马大饱眼福～

难怪网友都直呼难以置信：

这么强还开源，一定需要用户很强的电影技术功底吧？

No No No！Wan2.2只需要用户自由选择美学关键词，就能轻松拍出王家卫、诺兰等名导的相同质感画面。

更流畅的复杂运动过程、更强的物理世界还原，电影工业要被重塑了…

操作简单但效果不简单

现在，用户可直接通过通义万相平台（官网和APP），就能立即上手体验，也可在GitHub、HuggingFace以及魔搭社区下载模型和代码，具体链接指路本文末，都为大家准备好了。

具体上手体验下来，就是操作简单，但效果非常不简单。

在Prompt前加入自己的喜欢的美学关键词，就可以非常轻松地还原真实世界，多人互动也不会出现明显的动作扭曲，镜头变化也相当流畅。

从现实到虚拟的过渡也很自然，不会出现明显的突兀感。

在视频内还可以编辑文字，提升画面层次。

尤其是Wan2.2在光影上下足了功夫，影子的变换都足够平滑。

另外，Wan2.2本次还支持ComfyUI，借助其自动卸载功能，50亿参数版本的显存要求直接降低至8GB。

那么，具体是如何实现的呢？

首个MoE架构的视频生成模型

本次Wan2.2在模型架构上，首次创新地将MoE架构引入视频生成。

要知道视频生成模型目前面临的最大瓶颈，就是在扩展参数规模时，所涉及的token长度远超文本和图像。

而MoE架构通过将复杂输入拆分给多个专家模型分别处理，可实现在模型参数扩充的前提下，不额外增加多余的计算负载。

传统语言模型中MoE架构是在Transformer的FFN层进行多专家的切分，Wan2.2则根据扩散模型的阶段性降噪过程，利用信噪比将其分为高噪声阶段和低噪声阶段。

然后通过选择900的去噪时间步，将模型分为高噪模型和低噪模型，输入首先交由高噪专家模型负责前期去噪并构建主体结构，再经过低噪专家模型进行后期去噪生成细节。

引入MoE架构后，Wan2.2拥有了最低的验证损失（Validation loss），即生成视频与真实视频之间的差异最小，质量也最高。

相比于Wan2.1，本次模型在训练数据上也实现了显著提升，其中图像数据增加了65.6%，视频数据增加83.2%。

其中更多的是集中在后期的美学数据上，引入专门的美学精调阶段，通过颗粒度训练，让模型能够生成与用户给定Prompt相对应的美学属性。

另外，模型在训练过程中还融合了电影工业标准的光影塑造、镜头构图法则和色彩心理学体系，将专业导演的美学属性进行分类并整理成美学提示词。

因此用户可自由选择合适的提示词组合，生成目标视频。

在训练后期，模型还通过RL微调，进一步对齐人类审美偏好。

为了更方便地在消费级显卡上部署模型，5B版本采用自研的高压缩比3D VAE结构，在视频生成隐空间中，分别在高度（H）、宽度（W）和时间（T）三个维度上进行16x16x4的压缩比，以减少显存占用。

通过引入残差采样结构和非对称编解码框架，可以在更高的信息压缩率下依旧保持重建质量领先。

电影级美学控制系统

Wan2.2还首次推出了电影级美学控制系统，将光影、色彩、镜头语言三大电影美学元素全部打包装进模型，用户可直接通过选择美学关键词，就能获取电影质感的视频画面。

具体来说，首先是将复杂的电影摄影技术转化为12个美学维度，共计60多个专业级参数，包括：

• 光影氛围塑造

可自由选择不同时段的光线（如黄昏、黎明、夜晚），或者特定光源（如日光、人造光），也可以精准控制光线的强度（柔光或硬光）和光线方向（顶光、侧光等）。

也可以修改环境对比度高低，营造出明暗对比氛围。

• 镜头语言表达

可以调用多种构图法（如中心构图、对称构图等），灵活选择近远景或不同拍摄角度，精准控制画面焦点。

• 色彩情绪渲染

轻松切换色调温度（暖色调或冷色调），传递不同情绪范围，或者选择不同程度的饱和度。

另外，模型还提供不同的镜头焦距（如广角或长焦等），以及不同类型的镜头（如单人镜头、双人镜头等）。

因此用户只需要在指令前添加以上美学关键词前缀，模型就会自动理解不同美学元素间的内在联系，并精确响应用户需求。

除美学控制外，本次Wan2.2也在复杂运动能力上有了大幅度提升，重点针对四类动态表现能力进行了优化：

• 面部表情的细腻表达

Wan2.2构建了人类面部原子动作和情绪表情系统，不仅能生成常见的喜怒哀乐，还可以还原复杂微表情，如“强忍泪水时的嘴唇颤抖”、“羞涩微笑中的脸颊微红”等。

• 提升手部运动的灵巧性

构建了丰富的手部动作系统，从基础物理操作到专业领域的精密动作范式都能够轻松生成。

• 增加单人与多人交互

无论是单人表演还是多人复杂互动，模型可理解角色间的位置关系、力量传递等，生成符合物理规律的动作序列，避免人物穿模。

• 提升高强度复杂体育运动的稳定性

对高速运动（如体操、竞技滑雪、花样游泳等）中存在失真的情况，Wan2.2可以减少动作扭曲，让画面保持动感的同时兼具美感。

Wan2.2还拥有更为强大的复杂指令遵循能力，可以生成物理规律严谨且细节丰富的现实世界动态表现，显著提升视频的真实感和可控性。

OMT

加上Wan2.2，本周阿里通义实验室已经连续发布四项开源模型，包括之前的Qwen3-Coder、Qwen3-235B-A22B-Instruct-2507（非思考版）模型、Qwen3-235B-A22B-Thinking-2507推理模型。

截止到目前，Qwen系列模型的累计下载量已超4亿次，衍生模型超14万，位居全球排名第一，构建了强大的模型生态。

其中通义万相作为通义大模型旗下的AI绘画创作模型，目前开源产品主要涵盖生图和生视频两大类，生视频又可细分为文生视频和图生视频，以及混合视频生成。

从2月底发布的Wan2.1开始，通义万相陆续开源多款模型，例如首尾帧生视频、Wan2.1-VACE，而Wan2.2则主要是在Wan2.1的技术模型上进行迭代升级，预计后续通义万相还将继续冲击国产开源视频生成宝座。

本次除了正式宣布Wan2.2的开源，官方还公布了万相妙思+的全球创作活动，鼓励创作者积极探索Wan2.2的生动表现力，包括电影级镜头语言和极致运动表现等。

比赛要求使用通义万相作为主要创作工具，视频时长分兴趣组和专业组，兴趣组要求5-15秒，专业组要求30秒以上，视频大小不超过500MB，格式为MOV或MP4。

怎么说呢，中国的AI电影时代，可能要从杭州开始了。

现在距离你的电影大作，不需要导演、不需要剪辑、不需要摄影……只需要一个会提示词的编剧。

官网指路：https://wan.video/welcome
GitHub：https://github.com/Wan-Video/Wan2.2
Hugging Face：https://huggingface.co/Wan-AI
ModelScope：https://modelscope.cn/organization/Wan-AI

参考链接：
[1]https://blog.comfy.org/p/wan22-day-0-support-in-comfyui
[2]https://x.com/Alibaba_Wan/status/1949827662416937443