大模型之家讯 7月28日晚，阿里巴巴正式开源通义万相（Wan）2.2系列视频生成模型，覆盖文本生成视频（Wan2.2-T2V-A14B）、图像生成视频（Wan2.2-I2V-A14B）以及统一视频生成模型（Wan2.2-IT2V-5B）。此次更新在模型架构、计算效率和美学控制层面均引入了新技术，进一步推动多模态视频生成能力的发展。
通义万相2.2的T2V和I2V模型是目前业界首批基于稀疏专家混合架构（Mixture of Experts, MoE）的视频生成模型，总参数规模达27B，其中激活参数为14B。通过结合高噪声专家和低噪专家子模型，Wan2.2在同等参数规模下有效降低了计算资源消耗，官方数据显示可节省约50%的算力开销。这一设计也在处理长序列token、复杂运动与人物交互等方面表现出更高效的视频合成能力。
在美学控制上，Wan2.2引入了被称为“电影美学控制系统”的新组件，可精细调节光影、色彩、构图和人物微表情等维度。系统支持多种关键词组合控制画面风格，例如通过「黄昏」「柔光」「暖色调」等词汇生成夕阳余晖场景，或使用「冷色调」「硬光」「低角度」等参数生成科幻质感的画面。据介绍，该系统旨在缩短创作者从概念构思到视频生成之间的路径，使非专业用户也具备近电影级的视觉表达能力。
此外，阿里还同步开源了一款5B参数级的小型统一视频生成模型（Wan2.2-IT2V-5B），支持文本与图像双模态输入，面向消费级显卡场景进行优化。该模型基于高压缩率的3D VAE架构，时间与空间压缩比达到4×16×16，信息压缩率提升至64，显著降低部署门槛。据官方数据，该模型仅需22G显存，便可在几分钟内生成5秒钟的720P、24帧高清视频，被认为是在消费级条件下性能表现领先的开源基础模型之一。
通义万相自2024年2月起陆续开源文生视频、图生视频、首尾帧生成与视频编辑模型，目前累计下载量超过500万次。此次新版本发布后，模型及代码已同步上线至GitHub、HuggingFace和魔搭社区。企业用户可通过阿里云百炼平台接入API，普通用户则可在通义万相官网及App中直接体验。
开源地址如下：
GitHub: https://github.com/Wan-Video/Wan2.2
HuggingFace: https://huggingface.co/Wan-AI
魔搭社区: https://modelscope.cn/organization/Wan-AI
原创文章，作者：志斌，如若转载，请注明出处：http://damoai.com.cn/archives/11797
