首创电影美学控制系统！阿里开源「通义万相2.2」视频模型

原创 北茗 AI机器人茶馆 2025年07月30日 18:08 广东

阿里开源了AI视频模型 通义万相2.2（Wan2.2）。

这次主打一个阿里首创的 电影美学控制系统。

光影、色彩、画面构图、焦距、镜头角度，甚至时间、天气、人物表情这些维度都能被用户调节。它不只是从一段Prompt里猜测你想要的画面，而是真的能理解“怎么拍更有感觉”。

比如你输入“雨夜、逆光、蓝绿色调、低饱和”，模型就能生成一段带着情绪张力的都市夜景片段，仿佛下一秒主角就要出场；而换成“清晨、暖光、高角度、浅景深”，画面立马切换成一组安静柔和的晨起镜头，适合拍温情家庭片的开场。

💡 来看看Wan2.2的不同的灯光效果（晴天、阴天、月光、荧光灯、火光 、混合、柔光、硬光、顶光、侧光、背光、底光、边缘、轮廓……）：

，时长01:17

📹 以及特写和广角镜头：

，时长00:56

1

 三款模型，三个定位

这次阿里开源的是三种不同定位的模型：

• T2V-A14B：文本生成视频，适合需要脚本转画面的用户；

• I2V-A14B：图像生成视频，主要处理从静帧生成动态的需求；

• TI2V-5B：混合模型，支持文本+图像输入，性能更轻量，适合个人开发者和内容创作者。

前两个更大的模型采用了新设计的MoE架构，总参数量达27B，但每一步只激活其中14B参数，大大降低了推理消耗。得益于双专家协同设计，一个专注场景布局，一个专注细节修复，在生成效果上比上一代有明显提升。

而5B小模型采用了更先进的高压缩3D VAE技术，实现了4×16×16的压缩率，相当于信息压缩效率提升了整整4倍。这也是它能在较小显存下依然跑出高分辨率视频的关键。

5B小模型最大的亮点，是它对硬件要求非常友好。一张RTX 4090消费级显卡，就可以在几分钟内生成一段24帧的720P视频。这意味着，普通用户也能用上之前只能在云端才能体验的功能。

2

 宣称MoE架构，专家指出问题

阿里这次宣称采用了MoE架构，但不少业内人士指出，这其实更像是一种“静态专家组合”而非传统的动态路由机制。

Wan2.2像是两个“阶段专家”串联。一位负责高噪声阶段，专注画面构图和布局；另一位负责低噪阶段，负责细节修复和纹理增强。

这种设计类似于当前Diffusion模型中“基础模型+细化模型”的组合方案（例如SDXL）。优点是节省计算资源，在不牺牲画面质量的情况下提高效率。

这个机制直接带来了一项好处：在同等参数下，Wan2.2比上一代模型平均节省约50%的计算资源。

3

 训练数据大幅扩容，美学表达力增强

Wan2.2在训练数据规模上也有明显提升。相比前代Wan2.1，图像数据量提升了65.6%，视频数据提升了83.2%。

数据扩容背后带来了几个实用性增强点：

• 更复杂的场景运动表现能力，如人物交互、体育动作；

• 更丰富的表情、手势动画；

• 更强的prompt理解力，风格控制更精细。 

4

 实测数据：小模型可跑，大模型可观

来自多个开发者的实测数据总结如下：

• TI2V-5B：

  • RTX 4090上可运行，生成一段5秒720P、24fps视频约需8-9分钟；

  • 对文本提示响应一般，风格理解偏弱，生成质量更适合“动画风”“复古像素风”等抽象类场景；

  • 人物面部、文字内容常常模糊或失真。

• T2V/I2V-A14B：

  • 在L40S（48G显存）等高端显卡上可运行；

  • 画面稳定性、细节质量、场景还原能力都明显优于5B模型；

  • 但生成时间较长，一段5秒视频需40-50分钟；

  • 同样存在文字渲染和风格不稳的问题。

5

 开放模型，兼容生态

除了模型本身，阿里还很注重生态兼容。目前，三款模型都已在Hugging Face、GitHub和阿里自家开源社区ModelScope上线，支持FP8量化、LoRA训练、ComfyUI接入、Diffusers调用等功能，方便开发者快速集成。

不过也有一些小遗憾，比如上一代模型支持的VACE全能编辑、帧插补等功能在2.2中暂未集成，导致某些使用场景下流程略显割裂。

这可能也是为了尽快推出新版本，不得不在产品完整度上做些取舍。

附上模型链接，有条件的小伙伴快去体验一下吧。

🚪 GitHub：

https://github.com/Wan-Video/Wan2.2

🚪 HuggingFace：

https://huggingface.co/Wan-AI

🚪 ModelScope：

https://modelscope.cn/organization/Wan-AI