阿里巴巴近日宣布全面開源其視頻生成模型——萬相2.1，推出了14B和1.3B兩個版本。 14B版本作為專業版，具備高性能，能夠提供業界頂尖的視頻表現力，適用於對視頻質量要求極高的場景；而1.3B版本則作為極速版，適合消費級顯卡，僅需8.2GB顯存即可生成480P的高質量視頻，非常適合二次模型開發和學術研究。
據官方介紹，萬相2.1在處理複雜運動、還原真實物理規律、提升影視質感及優化指令遵循方面表現出色，能夠滿足創作者、開發者和企業用戶的多樣化需求。通過通義萬相，用戶可以輕鬆實現高質量的視頻生成，尤其在廣告和短視頻領域，滿足了對創意的高要求。
在權威評測集VBench中，通義萬相以總分86.22%的成績高居榜首，遠超Sora、Minimax、Luma等國內外其他視頻生成模型。該評測基於主流的DiT和線性噪聲軌跡Flow Matching範式，通過一系列技術創新提升了模型的生成能力。特別是自研的高效3D因果VAE模塊，成功實現了256倍無損視頻隱空間壓縮，支持任意長度視頻的高效編碼與解碼。
通義萬相在生成視頻的過程中，採用了基於主流DiT結構的Full Attention機制，有效建模時空依賴性，確保生成視頻的高質量與一致性。模型的訓練策略採用6階段分步訓練法，從初步的低分辨率數據訓練逐步引入高分辨率數據，以保證模型在不同條件下的優異表現。此外，通義萬相在數據處理方面也採取了嚴格的清洗流程，以確保訓練數據的高質量。
在訓練與推理效率優化方面，通義萬相採用了多種先進技術，如分佈式訓練策略、激活值優化和顯存管理，確保模型訓練的穩定性與推理效率。通過與阿里雲訓練集群的智能調度結合，模型在訓練過程中能夠自動識別故障并快速重啟，確保訓練過程的順利進行。
通義萬相2.1已在GitHub、Hugging Face等平台開源，支持多種主流框架，為開發者和研究者提供了便利的使用體驗。無論是快速原型開發還是高效生產部署，通義萬相都能滿足不同用戶的需求，為視頻生成技術的發展注入了新的活力。
魔塔社區入口:https://modelscope.cn/organization/Wan-AI
劃重點:
通義萬相2.1開源，支持多樣化視頻生成需求。
在VBench評測中以86.22%高分獲勝，領先其他模型。
採用分步訓練及多項技術優化，提升了生成效率和質量。