阿里通义联合多所高校推出 Wan-Move：无需额外模块，实现高精度动作控制的视频生成框架

在视频生成领域，动作控制是连接静态图像与动态叙事的关键环节。然而，现有方法普遍存在两个瓶颈：一是控制粒度粗糙（如仅用边界框控制整体移动），二是依赖额外模型（如光流估计器），导致推理复杂、误差累积、难以扩展。

• 项目主页：https://wan-move.github.io
• GitHub：https://github.com/ali-vilab/Wan-Move
• 模型：https://huggingface.co/Ruihang/Wan-Move-14B-480P
• ComfyUI：https://huggingface.co/Kijai/WanVideo_comfy_fp8_scaled/tree/main/WanMove

为解决这些问题，阿里通义实验室、清华大学、香港大学、香港中文大学的研究团队提出了 Wan-Move —— 一个无需额外动作编码器、直接通过点轨迹注入动作信息的视频生成框架。该方法在保持模型架构简洁的同时，实现了商业级的动作精度与视觉保真度。

核心创新：动作轨迹直接注入条件特征

Wan-Move 的核心思想是：不在模型外部估计动作，而是将动作信息直接写入 I2V（图像到视频）模型的条件特征中。

具体流程如下：

1. 动作表示：使用点轨迹（point trajectories）描述对象的运动，可涵盖从简单平移、局部形变到复杂交互的各类动作；
2. 空间映射：将像素空间中的轨迹点映射到扩散模型的潜在空间坐标；
3. 特征复制：将首帧的潜在特征沿轨迹路径逐帧复制，利用潜在空间的平移等变性（translation equivariance），让每个视觉元素“知道该如何移动”；
4. 条件更新：将更新后的潜在特征作为新的条件输入 I2V 模型（如 Wan2.1），无需修改模型结构或引入额外模块。

这一设计彻底绕过了光流估计、动作编码器等中间环节，大幅降低计算开销与误差传递。

主要功能与优势

✅ 精确动作控制

• 支持点轨迹、边界框、分割掩码等多种引导方式；
• 可控制单对象、多对象的独立运动，适用于复杂交互场景。

✅ 高质量生成

• 在 MoveBench 基准上，Wan-Move 在 FID、FVD、PSNR、SSIM、端点误差（EPE） 等指标上全面优于现有方法；
• 用户研究显示，其在动作准确性与视觉质量上胜率显著，与商业产品 Kling 1.5Pro 的 Motion Brush 相当，甚至在动作细节上更优。

✅ 架构简洁，易于集成

• 仅需微调现有 I2V 模型（如 Wan2.1）；
• 无需额外网络、无需光流预处理，推理流程与标准 I2V 一致；
• 已由开源社区开发者 Kijai 集成至 ComfyUI 封装器，支持本地一键部署。

✅ 可扩展性强

• 可在大规模数据集上训练，适应不同场景（如 3D 旋转、相机运动、运动迁移等）；
• 模块化设计支持快速迁移到其他 I2V 架构。

技术生态与可用性

• 基础模型基于 Wan2.1（通义 Wan 系列）；
• 开源社区已集成至 ComfyUI，用户可本地运行，无需云端依赖；
• 支持灵活的动作引导输入，适配从简单移动到复杂多对象交互的多样化需求。