--- title: "Wan2.1 在 VBench 拿下86.22%后，阿里开源了视频模型" date: 2026-11-15 category: AI大模型 site: 脑机网 canonical: https://aiai.cafe/a/njw-f5d2d2 language: zh-CN --- # Wan2.1 在 VBench 拿下86.22%后，阿里开源了视频模型 > 圣保罗的一位研究生把140亿参数的视频模型下载进实验室服务器，用葡萄牙语敲下提示词，渲染出一段海浪破碎的五秒片段，全程没打开过任何付费 API 控制台。一年前，这套流程还需要一份企业合同。今天，它只需要一个 GitHub 链接。 圣保罗的一位研究生把140亿参数的视频模型下载进实验室服务器，用葡萄牙语敲下提示词，渲染出一段海浪破碎的五秒片段，全程没打开过任何付费 API 控制台。一年前，这套流程还需要一份企业合同。今天，它只需要一个 GitHub 链接。 2025年2月下旬，阿里云以宽松的 Apache 2.0 许可开源了 Wan2.1（通义万相）——其面向 AI 视频的视觉生成基础模型。发布把四个模型变体的完整推理代码与权重放上 GitHub、Hugging Face 与魔搭社区：T2V-14B、T2V-1.3B、I2V-14B-720P 与 I2V-14B-480P，供任何人使用、修改与发布。 ## 关键要点 - 阿里云2025年2月以 Apache 2.0 许可开源 Wan2.1，放出四个变体的完整代码与权重。 - Wan2.1 系列在权威视频评测 VBench 上总体得分86.22%，位居所有被测模型第一，且是前五中唯一的开源条目。 - 1.3B 变体仅需8.19GB 显存，在 RTX 4090 上约四分钟可产出五秒480p片段，降低消费级门槛。 - Wan2.1 是早期能可靠渲染中英文屏内文字的视频模型之一，省去繁琐后期。 - 据阿里数据，发布数月内 Wan2.1 系列在 Hugging Face 与魔搭的下载量突破220万。 ## 引来关注的基准 Wan2.1 带着一个数字出场就已获验证。在权威的视频生成评测套件 VBench 上，Wan2.1 系列总体得分86.22%，在所有被测模型中排名第一，且是挤进前五的唯一开源条目。该分数横跨14个维度、26个子维度，从运动动态、空间关系到多物体交互。 这个排位之所以重要，因为它打破了一个模式。此前大半年，得分最高的视频模型都是付费墙后的闭源商业产品。Wan2.1 的结果告诉开发者：一份可自由下载的权重发布，仍能与受门槛限制的对家竞争，并在某些维度上胜出。 ## "消费级显卡"为何改变话题 拉低门槛的细节是1.3B 变体。阿里称 T2V-1.3B 仅需8.19GB 显存，使其能在广泛消费级显卡上运行。在 RTX 4090 上，公司称无需量化技巧即可约四分钟产出五秒480p片段。对学术实验室、独立游戏工作室与个人创作者，这正是一道"我们能原型化"与"我们负担不起"的分界。 更大的14B 模型瞄准更丰富的运动与更高保真，而图生视频变体让用户输入一张静帧加一句短描述即可动起来。后续发布的 Wan2.1-FLF2V-14B 增加了首末帧控制：给定起止两张图，模型补全其间运动——这一功能直指用静帧分镜的短内容创作者。 ## 一个中英文字的小技巧 有一项能力让 Wan2.1 在发布时迥异于许多对手：它是最早能可靠渲染中英双语屏内文字的视频模型之一。对面向全球使用的大模型而言，清晰可辨的嵌入文字——店招、字幕、标题卡——省去了一个此前把创作者拽回剪辑软件的繁琐后期步骤。 在底层，阿里构建了名为 Wan-VAE 的3D 因果 VAE，可在保留时序信息的同时编码解码任意长度的1080p 视频，并配以基于 DiT 的流匹配架构与用于多语言输入的 T5 文本编码器。这些是工程选择，却也解释了为何开源发布在社区测试下站得住，而非在更难提示上崩塌。 ## 开源的账 阿里近年来持续开源权重：2023年8月发布首个开源大语言模型 Qwen-7B，并称此后已开源逾200个生成式 AI 模型，仅 Hugging Face 上基于 Qwen 家族的衍生模型就超10万个。Wan 把这一姿态从文本与图像延伸到最苛刻的视频模态。 社区反应立竿见影。据阿里数据，2月发布后的数月内，Wan2.1 系列在 Hugging Face 与魔搭的下载量突破220万，并涌现已广告到虚拟试穿等任务的微调与封装浪潮。开源不只是交出模型，更是播下了工具链。 ## 不止于演示集锦 实际红利不是更漂亮的片段，而是更便宜的本地化。小品牌可基于自家产品照微调1.3B 变体，在无需于每个市场雇工作室的情况下，生成数十种语言版本的广告。中国云厂商迅速把 Wan2.1 包成一键服务，使管不了 GPU 的团队也能通过控制台部署具备自托管质量的模型。教育与虚拟试穿是早期采用者，那里短小、模板化的视频是主流格式，一致性比电影式惊喜更重要。 ## 诚实的局限 本文采信阿里巴巴集团官方公告与新华社报道，用于 VBench 分数、显存数字、许可条款与下载量；笔者未独立重跑基准。VBench 衡量特定技术维度，不能替代人对艺术质量或提示忠实度的判断。RTX 4090 上四分钟的数字反映未优化基线，实际时间随分辨率与设置变化。笔者未亲自测试每个变体，文章也未评估已发布片段的内容标识要求、企业支持条款，以及 Wan2.1 在长叙事一致性上与 Kling 或 Vidu 的比较。 ## 普通人现在能做什么 - 若你有一张8–12GB 显存的消费级显卡，从 Wan2.1 的1.3B 变体起步，在付费调用任何 API 前先本地原型化视频创意。 - 对需要屏内文字的产品或讲解视频，把 Wan2.1 的中英文文字渲染与你当前工具对比，看能否省掉一步编辑。 - 若你做软件，把 Apache 2.0 许可视作可发布的许可——但商用部署前请核对最新模型卡有无使用限制。 --- 来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-f5d2d2 本内容仅供参考，不构成投资建议。