2 月 25 日訊息，阿里雲旗下視覺生成基座模型萬相 2.1（Wan）重磅開源，此次開源採用最寬鬆的 Apache2.0 協議，14B 和 1.3B 兩個引數規格的全部推理程式碼和權重全部開源，同時支援文生影片和圖生影片任務，全球開發者可在 Github、HuggingFace 和魔搭社群下載體驗。

據介紹，14B 萬相模型在指令遵循、複雜運動生成、物理建模、文字影片生成等方面表現突出，在權威評測集 VBench 中，萬相 2.1 以總分 86.22% 的成績大幅超越 Sora、Luma、Pika 等國內外模型，穩居榜首位置。1.3B 版本測試結果不僅超過了更大尺寸的開源模型，甚至還接近部分閉源模型，同時能在消費級顯示卡執行，僅需 8.2GB 視訊記憶體就可以生成高質量影片，適用於二次模型開發和學術研究。

在演算法設計上，萬相基於主流 DiT 架構和線性噪聲軌跡 Flow Matching 正規化，研發了高效的因果 3D VAE、可擴充套件的預訓練策略等。以 3D VAE 為例，為了高效支援任意長度影片的編碼和解碼，萬相在 3D VAE 的因果卷積模組中實現了特徵快取機制，從而代替直接對長影片端到端的編解碼過程，實現了無限長 1080P 影片的高效編解碼。此外，透過將空間降取樣壓縮提前，在不損失效能的情況下進一步減少了 29% 的推理時記憶體佔用。

萬相團隊的實驗結果顯示，在運動質量、視覺質量、風格和多目標等 14 個主要維度和 26 個子維度測試中，萬相均達到了業界領先表現，並且斬獲 5 項第一。尤其在複雜運動和物理規律遵循上的表現上大幅提升，萬相能夠穩定展現各種複雜的人物肢體運動，如旋轉、跳躍、轉身、翻滾等；能夠精準還原碰撞、反彈、切割等複雜真實物理場景。

（萬相在 14 個主要維度測試中斬獲 5 項第一及平均分第一）

從 2023 年開始，阿里雲就堅定大模型開源路線，其千問（Qwen）衍生模型數量已超過 10 萬個，是全球最大的 AI 模型家族。隨著萬相的開源，阿里雲實現了全模態、全尺寸大模型的開源。

下面我們可以看下萬相 2.1 的實際生成效果。

體育攝影風格，騎手在場地障礙賽中引導馬匹快速透過障礙物。騎手身著專業比賽服，頭戴安全帽，表情專注而堅定，雙手緊握韁繩，雙腿夾緊馬腹，與馬匹完美配合。馬匹騰空躍起，動作連貫且準確，四蹄有力地踏過每一個障礙物，保持速度和平衡。背景是自然的草地和藍天，畫面充滿動感和緊張感。4K, 高畫質畫質, 動作完整。

體育攝影風格，中國皮划艇運動員在激流回旋比賽中，於湍急的水流中用槳快速划水，靈活地繞過一個又一個障礙物。他身著專業運動服，肌肉線條明顯，表情專注而堅定，展現出出色的操控技術和頑強的拼搏精神。背景是清澈的河流和翠綠的山巒，畫面充滿動感與活力。近景特寫，運動員在空中翻轉滑板，動作完整，4K, 高畫質畫質。

一段超速 POV 鏡頭，攝像機疾馳穿越一條陽光下的中國鄉村小路，鏡頭緊跟著一個在空中飛行的穿著休閒服休閒鞋的中國女子的背後，她身體直立展開雙臂，風吹動她的頭髮和衣服。