近日，通義公司宣布開源其最新的通義萬相大模型Wan2.1，這一消息在人工智能領域引起了廣泛關注。 Wan2.1是一款專注於高質量視頻生成的AI 模型，憑藉其在處理複雜運動、還原真實物理規律、提升影視質感以及優化指令遵循方面的卓越表現，成為了創作者、開發者和企業用戶擁抱AI 時代的首選工具。
在權威評測集Vbench 中，通義萬相Wan2.1以總分86.22% 的成績登頂榜首，大幅領先國內外其他知名視頻生成模型，如Sora、Minimax、Luma、Gen3和Pika 等。這一成就得益於Wan2.1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實現了生成能力的重大進步。其中，自研高效的3D 因果VAE 模塊實現了256倍無損視頻隱空間壓縮，並通過特徵緩存機制支持任意長度視頻的高效編解碼，同時減少了29% 的推理時內存佔用。此外，該模型在單個A800GPU 環境下，視頻重建速度比現有最先進方法快2.5倍，展現出顯著的性能優勢。
Wan2.1的視頻Diffusion Transformer 架構通過Full Attention 機制有效建模長時程時空依賴，生成高質量且時空一致的視頻。其訓練策略採用6階段分步訓練法，從低分辨率圖像數據的預訓練逐步過渡到高分辨率視頻數據的訓練，並在最後通過高質量標註數據進行微調，確保模型在不同分辨率和復雜場景下的出色表現。在數據處理方面，Wan2.1設計了四步數據清洗流程，重點關注基礎維度、視覺質量和運動質量，以從嘈雜的初始數據集中篩選出高質量且多樣化的數據，促進有效訓練。
在模型訓練和推理效率優化方面，Wan2.1採用了多種策略。訓練階段，針對文本、視頻編碼模塊和DiT 模塊，分別採用不同的分佈式策略，並通過高效的策略切換避免計算冗餘。顯存優化方面，採用分層的顯存優化策略，結合PyTorch 顯存管理機制解決顯存碎片問題。推理階段，使用FSDP 和2D CP 的組合方法進行多卡分佈式加速，並通過量化方法進一步提升性能。
目前，通義萬相Wan2.1已在GitHub、Hugging Face 和魔搭社區等平台開源，支持多種主流框架。開發者和研究者可以通過Gradio 快速體驗，或利用xDiT 並行加速推理提升效率。同時，該模型正在加速接入Diffusers 和ComfyUI，以簡化一鍵推理與部署流程，降低開發門檻，為用戶提供靈活的選擇，無論是快速原型開發還是高效生產部署，都能輕鬆實現。
Github:https://github.com/Wan-Video
HuggingFace:https://huggingface.co/Wan-AI
在線體驗:https://tongyi.aliyun.com/wanxiang