Wan2.2：阿里开源的视频生成大模型全家桶

想象一下：你对着一台「人工智能相机」描述脑海中的画面——「两只穿着拳击装备的卡通猫在聚光灯下激烈对决」——几秒钟后，一段流畅的电影级视频就呈现在你眼前。这不是科幻电影里的桥段，而是真实存在于开源社区的技术。Wan2.2 正是这样一把打开视频创作新世界的钥匙。

背景：视频生成大模型的「安卓时刻」来了

2023到2024年间，以Sora、Pika、Runway Gen-3为代表的商业视频生成模型相继亮相，但它们要么闭源、要么价格昂贵、要么仅限特定场景使用。在这个背景下，阿里巴巴达摩院 Wan 团队于2025年7月正式开源了 Wan2.2，一个覆盖文本到视频（T2V）、图像到视频（I2V）、文本-图像到视频（TI2V）、语音到视频（S2V）、角色动画（Animate）等全链路的视频生成模型家族。截至2026年5月，该项目在 GitHub 已累计获得超过 15,900 颗星标，被 fork 近 2,000 次，成为全球最受关注的开源视频生成项目之一。

图1：Wan2.2 项目标识

核心技术：MoE 架构如何让「便宜」生成高质量视频

Wan2.2 的核心技术突破在于引入了混合专家（Mixture-of-Experts, MoE）架构到视频扩散模型中。传统扩散模型在每个时间步都要调用全部参数进行去噪计算，而 MoE 则将去噪任务分配给多个「专家」网络，每个专家专注于不同类型的噪声模式和内容特征——有的擅长处理人物动作，有的精于光影渲染，有的专攻物体纹理。系统根据输入内容动态路由到最合适的专家组合，既大幅提升了模型容量（参数总量可达 140 亿），又保持了与传统稠密模型相当的计算成本（实际激活参数约为总参数的 1/4）。

图2：Wan2.2 MoE 架构示意图，展示了专家网络的动态路由机制

视频压缩是另一个关键创新。团队自研的 Wan2.2-VAE 实现了 16×16×4 的压缩比，意味着原始视频的时空信息被压缩到原来的 1/1024。这让 5B 参数的 TI2V 模型能在消费级 RTX 4090 显卡上以 720P@24fps 运行——这是目前开源社区中最快的 720P 实时生成方案之一。

图3：Wan2.2-VAE 压缩架构，支持 16×16×4 时空压缩

全家桶：五种生成模式覆盖主流场景

Wan2.2 并不只是一个「文本生视频」工具，而是一整套视频生成解决方案，包含以下五大核心模型：

每个模型都有对应的 ComfyUI 节点和 Diffusers 集成，这意味着无论是独立开发者、内容创作者还是企业用户，都能以自己熟悉的工作流接入 Wan2.2 的能力。

上手体验：本地部署踩坑实录

在 RTX 4090 Ti 16GB 机器上尝试部署 TI2V-5B 模型（消费级显卡方案）。整体流程分为三步：

第一步：安装环境。项目基于 Python 3.10+，核心依赖包括 PyTorch 2.4+、FlashAttention、Diffusers 等。最棘手的是 flash-attn 编译——它需要 CUDA 环境和正确的 GCC 版本。项目文档提供了 no-build-isolation 的解决方案，亲测有效：先装其他包，最后单独装 flash-attn。

第二步：下载模型权重。模型权重通过 Hugging Face 或 ModelScope 分发，单个模型从 10GB 到 30GB 不等。建议使用 Git LFS 或专门的下载工具，HF 官方 CLI huggingface-cli download 体验较好。整个 TI2V-5B 权重包约 10GB，下载耗时取决于网络条件。

第三步：运行推理。通过 generate.py 脚本指定任务类型、分辨率和提示词即可运行：

python generate.py \
  --task ti2v-5B \
  --size '1280*720' \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --prompt "两只穿着拳击装备的卡通猫在聚光灯下激烈对决"

实测 720P 推理耗时约 3-5 分钟（RTX 4090 Ti），生成约 5 秒视频。相比云端 API 调用，本地运行的优势在于：无调用次数限制、无隐私泄露风险、支持自定义模型微调。

局限与挑战：不回避的真相

尽管 Wan2.2 令人印象深刻，但它也有明显的局限性。

运动时长瓶颈：受限于扩散模型的去噪步数和 VAE 压缩能力，目前单次生成视频时长在 5 秒左右。虽然社区已有 Helios 等项目尝试延长到分钟级，但需要额外优化。

提示词敏感性：生成质量对提示词的精确性要求较高。同样的语义，不同表述可能产生风格迥异的结果。项目内置了 DashScope 在线提示词扩展工具（基于通义千问 API），可辅助优化描述。

部署门槛不低：没有 Docker 化，没有 Web UI，对于非 AI 背景的用户来说，从零搭建环境并不友好。好在 Hugging Face Spaces 和 ModelScope Studio 提供了在线体验入口，降低了试玩门槛。

行业意义：开源视频生成的新标杆

Wan2.2 的出现，标志着视频生成领域「安卓时刻」正在到来——一个由少数巨头把持的技术，开始向更广泛的开发者社区开放。其 MoE 架构 + 高效 VAE 的技术组合，让「消费级显卡跑 SOTA 视频生成」从不可能变为可能。

更值得关注的是其生态布局：ComfyUI、Diffusers、ModelScope 全覆盖，意味着无论你是哪种工作流的用户，都能快速将 Wan2.2 集成进自己的产品。随着 2025 年底 Animate 和 S2V 子模型的发布，Wan2.2 已从单纯的视频生成工具，演变为一个 视频 AI 全栈平台，覆盖从创意生成到角色动画的完整创作链路。

如果你对 AI 视频创作感兴趣，Wan2.2 绝对值得在工具箱里占有一席之地。