关键要点
- 通义万相 2.2 于 2025 年 7 月下旬开源,权重、代码同步放上 GitHub、Hugging Face 与魔搭社区。
- 两个 140 亿参数级模型采用混合专家架构:高噪声专家定布局,低噪声专家修细节,总参数约 270 亿,单步激活约 140 亿。
- 5B 版本配高压缩 VAE,官方称在单张消费级显卡上不到 9 分钟生成 5 秒 720p、24 帧视频;国内科技媒体给出的显存需求约 22GB。
- 比分辨率更关键的变化是控制项:光照、色彩、镜头语言可以被指定,而不是靠一句提示词碰运气。
在一台为打游戏而装的机器上,五秒钟的片段不到九分钟就出来了。不用渲染农场,不用工作室流水线,不排队。这是 2025 年 7 月下旬阿里发布万相 2.2 时摆在开发者面前的那段演示。
有意思的不是片子,是它选择交出来的东西:权重、代码,以及一套借自摄影而不是提示词工程的控制面。
两个专家的视频模型
万相 2.2 是阿里第二条开源视频产品线,核心变化在架构。较大的两个模型——文生视频的 T2V-A14B 与图生视频的 I2V-A14B——用了混合专家设计。去噪的每一步不再由一个网络全包,而是两个:高噪声专家在前段把整体布局定下来,低噪声专家在后段修细节。
两个专家加共享组件,参数总量约 270 亿,任何单步激活约 140 亿。阿里的说法是,这让推理成本与显存占用接近一个 140 亿参数的模型,同时把总容量抬上去。公司称万相 2.2 是首个基于混合专家架构的开源视频模型——这是发布稿里的表述,不是独立结论。
- T2V-A14B:文字进,视频出,480p 或 720p。
- I2V-A14B:静帧进,动态出,同样两档分辨率。
- TI2V-5B:紧凑的混合型号,文字和图片都能吃。
真正的主角是控制项
分辨率是最容易引用的数字。更有分量的是,万相 2.2 试图让用户指定一个镜头"长什么样",而不只是"发生了什么"。阿里用一套经过筛选的美学数据集训练这批模型,标注覆盖光照、构图、对比度、色调、机位与焦距。发布材料把可调项归到光、色、镜头语言三组。
也就是说,你可以要求黄昏、暖调、居中构图,模型被期望把这个选择在整个镜头里保持住。工作流随之改变:提示词不再是一句祈祷模型能读懂的话,而更接近一份可以反复修改的任务书。做分镜、做广告预演、做短视频的人,会在意这种"跨镜头保持同一种观感"的能力,它比榜单上的一点提升要紧。
阿里还称,相比万相 2.1,新模型训练用的图像多了 65.6%,视频多了 83.2%。数据更多不等于输出更好,但这可以解释为什么这次它在运动与语义上推得更狠。
能跑在普通机器上的是小模型
A14B 那一对是标题,TI2V-5B 才是最可能落到普通人机器上的那个。它是稠密的 5B 模型,配一个高压缩 VAE,时间维压 4 倍、空间维压 16×16,远高于常规 VAE。按阿里的技术博客,它能在单张消费级显卡上,以 24 帧每秒生成 5 秒 720p 片段,用时不到九分钟;国内科技媒体的报道把显存需求放在 22GB 左右,一张高端游戏卡够得着。
- 同一个模型既做文生视频也做图生视频,创作者可以从一句想法走到一张参考帧,不必换工具。
- 权重与代码在发布当天就上了 GitHub、Hugging Face 和魔搭社区。
- 阿里称通义万相开源视频系列自 2025 年 2 月以来累计下载超过 500 万次。这是自报数字,统计的是整个家族,不只是 2.2。
一个需要等的榜单
配合发布,阿里推出了 Wan-Bench 2.0,并称万相 2.2 在其上的得分超过主流闭源商用模型。作为"团队瞄准了什么"的描述,它有用;作为独立测试,它不是同一件事——由被评测方自己搭的榜单,立起的是一个假设。更可靠的信号会来自第三方评测,以及更慢的、创作者真正拿它做出来的东西。
规格表里还藏着一个实际限制:原生生成是 5 秒。任何长度的叙事,仍然是一堆 5 秒碎片,需要剪、需要调色、需要接。更好的单镜头控制能减少接缝,去不掉接缝。
诚实的局限
本文依据阿里的官方博客、新闻稿,以及国内科技媒体对发布的报道。我没有跑过这些模型,速度与显存数字是公司的,测在公司选定的硬件和提示词上。"首个开源 MoE 视频模型"是阿里自己的措辞。我没有把输出质量与其他商用视频服务做对比,没有在声明之外细究许可条款,也没有测试中英文之外的提示词。围绕万相 2.2 长出来的下游工具与微调模型,不在这篇的范围里。
普通人现在能做什么
- 手上有 24GB 左右显存的卡,从 Hugging Face 或魔搭下载 TI2V-5B,自己给一段 5 秒 720p 计时。把"九分钟"当起点,别当承诺。
- 评估任何视频模型时,测它能否在连续几个镜头里保持同一种观感。这正是万相 2.2 的设计目标,也是演示片几乎不展示的部分。
- 厂商自建测试集给出的排名,等第三方结果出来再认。