---
title: "阿里开源的视频模型，能塞进一张游戏显卡"
date: 2026-11-17
category: AIGC内容
site: 脑机网
canonical: https://aiai.cafe/a/njw-1a2df1
language: zh-CN
---

# 阿里开源的视频模型，能塞进一张游戏显卡

> ## 关键要点

## 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。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-1a2df1
本内容仅供参考，不构成投资建议。
