阿里巴巴近日宣布全面开源其视频生成模型——万相2.1，推出了14B和1.3B两个版本。14B版本作为专业版，具备高性能，能够提供业界顶尖的视频表现力，适用于对视频质量要求极高的场景；而1.3B版本则作为极速版，适合消费级显卡，仅需8.2GB显存即可生成480P的高质量视频，非常适合二次模型开发和学术研究。
据官方介绍，万相2.1在处理复杂运动、还原真实物理规律、提升影视质感及优化指令遵循方面表现出色，能够满足创作者、开发者和企业用户的多样化需求。通过通义万相，用户可以轻松实现高质量的视频生成，尤其在广告和短视频领域，满足了对创意的高要求。
在权威评测集VBench中，通义万相以总分86.22%的成绩高居榜首，远超Sora、Minimax、Luma等国内外其他视频生成模型。该评测基于主流的DiT和线性噪声轨迹Flow Matching范式，通过一系列技术创新提升了模型的生成能力。特别是自研的高效3D因果VAE模块，成功实现了256倍无损视频隐空间压缩，支持任意长度视频的高效编码与解码。
通义万相在生成视频的过程中，采用了基于主流DiT结构的Full Attention机制，有效建模时空依赖性，确保生成视频的高质量与一致性。模型的训练策略采用6阶段分步训练法，从初步的低分辨率数据训练逐步引入高分辨率数据，以保证模型在不同条件下的优异表现。此外，通义万相在数据处理方面也采取了严格的清洗流程，以确保训练数据的高质量。
在训练与推理效率优化方面，通义万相采用了多种先进技术，如分布式训练策略、激活值优化和显存管理，确保模型训练的稳定性与推理效率。通过与阿里云训练集群的智能调度结合，模型在训练过程中能够自动识别故障并快速重启，确保训练过程的顺利进行。
通义万相2.1已在GitHub、Hugging Face等平台开源，支持多种主流框架，为开发者和研究者提供了便利的使用体验。无论是快速原型开发还是高效生产部署，通义万相都能满足不同用户的需求，为视频生成技术的发展注入了新的活力。
魔塔社区入口:https://modelscope.cn/organization/Wan-AI
划重点:
通义万相2.1开源，支持多样化视频生成需求。
在VBench评测中以86.22%高分获胜，领先其他模型。
采用分步训练及多项技术优化，提升了生成效率和质量。