Wan 2.1 AI是由阿里巴巴開發的開源大規模視頻生成AI模型，於2025年2月25日更新。它支持文本到視頻和圖像到視頻的生成，採用3D VAE和DiT架構。該模型在VBench評測中總分為86.22%。
2025年2月26日，模型開源了14B和1.3B參數版本，其中14B版本能夠處理複雜運動，1.3B版本可在消費級顯示卡上運行，需要8.2GB顯存。2025年3月13日新增720P視頻生成能力，同年4月發布了支持首尾幀生成視頻的Wan2.1-FLF2V-14B模型。
基本介紹
- 中文名：通義萬相2.1
- 外文名：Wan 2.1 AI
- 技術背景：阿里巴巴
研發背景,發展歷程,核心技術,行業套用,核心團隊,
研發背景
發展歷程
2025年2月26日，阿里巴巴宣布開源新一代AI視頻模型“通義萬相 Wan2.1”，提供14B和1.3B兩個參數版本，模型在VBench評測中以總分86.22%的成績登上榜首。
2025年4月18日，阿里巴巴發布並開源首尾幀視頻模型Wan2.1-FLF2V-14B，用戶只需輸入首幀和尾幀圖片即可生成視頻。
2025年5月15日，阿里巴巴開源視頻生成與編輯模型“通義萬相VACE”（Wan2.1-VACE）。
截至2026年3月，Wan 2.1在VBench榜單上持續排名第一。
核心技術
Wan 2.1基於主流的擴散變換器（DiT）架構，並採用線性噪聲軌跡Flow Matching作為訓練範式。
模型採用自研的3D因果變分自編碼器（3D Causal VAE），稱為Wan-VAE，支持高效編碼和解碼任意長度的1080P視頻。
在多模態融合方面，模型使用T5編碼器處理文本輸入，並通過交叉注意力機制將語義注入到生成過程中；同時支持圖像、音頻等多模態輸入的統一編碼。
模型在基礎架構上引入了額外的條件控制分支（如首尾幀條件控制）。具體而言，首尾幀與零填充的中間幀拼接成控制序列，並與噪聲及掩碼拼接後輸入DiT；同時提取首尾幀的CLIP語義特徵，通過交叉注意力機制注入生成過程，以實現精準控制。
Wan 2.1提供不同參數規模的版本以適應不同需求：包括14B參數的專業版（擅長複雜運動與物理模擬）和1.3B參數的極速版（適配消費級顯示卡，顯存需求約8.19GB）。
模型採用3D Rotary Positional Encoding，將旋轉頻率在維度上拆分為時間、高度和寬度三部分，從而對視頻token的三維空間位置進行編碼。
行業套用
Wan 2.1 AI模型在影視與特效、廣告與電商、教育與文化、遊戲開發等多個行業有套用案例。在數字行銷領域，有案例顯示該模型被用於區域定製廣告的製作。
在內容創作與影視領域，該模型可用於生成分鏡預覽、動態特效，輔助動畫製作。亦有獨立動畫工作室套用該模型進行短片製作。
在教育科技領域，模型可用於將抽象概念轉化為動態演示視頻，製作互動課件。此外，模型在廣告與電商、遊戲開發等領域也有套用。
核心團隊
Wan 2.1 由阿里巴巴集團通義實驗室（Tongyi Lab）開發。
