阿里 WAN 项目组正式推出 Wan2.2：MoE 架构 + 高压缩设计，开源视频生成再进化

阿里 WAN 项目组正式推出 Wan2.2，这是对 WAN 系列视频生成模型的一次重大升级。本次发布涵盖多个模型变体，全面支持文本到视频（T2V）、图像到视频（I2V）以及混合输入（TI2V）任务，在生成质量、推理效率和可控性方面实现显著提升。

• GitHub：https://github.com/Wan-Video/Wan2.2
• 地址：https://wan.video

Wan2.2 已全部开源，提供完整模型权重与使用指引，适用于学术研究与工业部署。其核心突破来自三项关键技术：混合专家（MoE）架构、大规模数据扩展 和 高效高压缩视频生成设计。

核心升级：三大技术创新

✅ 1. 混合专家（MoE）架构：更大容量，不变开销

Wan2.2 首次将 混合专家（Mixture of Experts, MoE） 架构引入视频扩散模型。该设计通过在去噪过程中按时间步动态激活不同专家网络，在不增加推理计算成本的前提下，显著提升模型整体容量。

具体实现如下：

• 采用 双专家结构：一个“高噪声专家”负责早期去噪阶段（高噪声水平），专注整体布局与运动结构；一个“低噪声专家”处理后期细节，优化画面清晰度与纹理。
• 每个专家约 14B 参数，总参数达 27B，但每一步仅激活 14B，保持 GPU 内存和计算负载稳定。
• 切换时机由信噪比（SNR）控制：当去噪步数 $ t < t_{\text{moe}} $ 时切换至低噪声专家，确保阶段适配。

实验表明，Wan2.2（MoE）在验证损失上显著低于基线模型 Wan2.1 及其变体，说明其生成分布更接近真实视频数据，具备更强的建模能力。

✅ 2. 数据扩展：+65.6% 图像，+83.2% 视频

相比 Wan2.1，Wan2.2 在训练数据规模上大幅提升：

• 图像数据增加 65.6%
• 视频数据增加 83.2%

这一扩展显著增强了模型在动作连贯性、语义理解与视觉美学等方面的泛化能力。尤其在复杂场景（如人物交互、动态运镜）中表现更为自然。

此外，训练集经过严格清洗与标注，覆盖多样化的风格与主题，为高质量生成打下基础。

✅ 3. 高效高清 TI2V：消费级 GPU 上的 720P@24fps

针对实际部署需求，Wan2.2 推出 TI2V-5B 模型——一个基于高压缩 VAE 的轻量级视频生成方案。

• 支持 720P 分辨率、24fps 视频生成
• 使用 16×16×4 压缩比 的 Wan2.2-VAE，整体压缩率达 64×
• 可在单张消费级 GPU（如 RTX 4090）上运行
• 生成 5 秒视频耗时不足 9 分钟，是目前最快的开源 720P@24fps 模型之一

该模型原生支持 文本+图像联合输入（TI2V），适用于视频续写、图文驱动动画等场景，兼顾性能与实用性。

模型系列概览

所有模型均支持 5 秒视频生成。

电影级美学控制：不只是清晰，更是风格

Wan2.2 特别引入了经过筛选的 电影美学数据集，包含精细标注的光线、构图与色彩信息。这使得模型能够生成更具“电影感”的视频内容，并支持通过提示词调节美学偏好。

例如：

• cinematic lighting, shallow depth of field, golden hour
• neon noir style, slow dolly in, dramatic shadows

这种细粒度控制能力，使 Wan2.2 成为内容创作者、视觉设计师和影视预演团队的新工具。

性能对比：在 Wan-Bench 2.0 上超越领先商业模型

团队构建了新的评估基准 Wan-Bench 2.0，从动作合理性、语义一致性、视觉质量等多个维度对模型进行评测。结果显示：

Wan2.2 在多数关键指标上优于当前领先的闭源商业模型。

尤其在长时序动作连贯性和复杂语义理解任务中表现突出，验证了 MoE 架构与数据扩展的有效性。

模型下载

💡 提示：TI2V-5B 支持 720P@24fps 视频生成，适合消费级硬件部署。

结语

Wan2.2 不仅是一次性能升级，更是对视频生成模型架构、训练范式与部署效率的系统性探索。它证明了：

• MoE 架构可有效应用于视频扩散模型；
• 高压缩 VAE 能在不牺牲质量的前提下实现高效推理；
• 开源模型已具备挑战闭源系统的实力。