DeepSeek開源周，其他人也沒閒著。
2月25日，凌晨Claude釋出了Sonnet3.7版本，白天的DeepSeek開源了DeepEP程式碼庫，晚上阿里的最新影片生成模型Wan2.1 亮相，真是熱鬧的一天啊！
相比於一個程式碼能力更強的語言模型，一個讓開發者更為興奮的底層的程式碼庫，影片生成模型顯然更讓普通人興奮。
仍然秉持著“能開盡開”的風格，這次萬相開源了14B和1.3B兩個引數的全部推理程式碼和權重，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。
並且採用了最寬鬆的Apache2.0協議，意思是生成的內容版權完全歸開發者所有，既可以用於免費渠道，也可以商用。
在評測集VBench中，萬相2.1超越了Sora、Luma、Pika等國內外開源模型。
它的效果到底如何？廢話不多說，我們先上評測！
1
模型實測
目前在通義萬相里體驗2.1極速版和專業版，兩個版本都是14B的，極速版生成速度約4分鐘左右，專業版的生成速度更慢一些，大概1個小時生成，但效果更穩定一些。
文生影片2.1專業版相比於極速版對於文字理解更精確，畫面的清晰度也相對高一些。但兩個版本生成的影片畫面都存在明顯變形，對於一些物理世界的細節理解有欠缺。
提示詞：參考盜夢空間拍攝方式，俯拍廣角鏡頭，酒店走廊以每秒15度角持續旋轉，兩位西裝特工在牆壁與天花板間翻滾格鬥，領帶受離心力影響呈45度飄起。頂燈碎片隨重力方向錯亂飛濺。
專業版
極速版
提示詞：紅裙女孩在蒙馬特階梯跳躍，每級臺階彈出舊物收藏盒（發條玩具/老照片/玻璃彈珠），暖調濾鏡下鴿子群組成心形軌跡，手風琴音階與腳步節奏精確同步，魚眼鏡頭跟拍。
專業版
極速版
萬相2.1是目前全球首個能夠直接生成中文文字的開源影片模型。雖然能夠準確生成指定文字，但只限比較短的文字，超出一定長度就會出現亂碼的情況。
提示詞：狼毫毛筆在宣紙上揮灑，墨跡暈染時文字“命運”逐筆浮現，字跡邊緣泛起金色微光。
圖生影片效果比較穩定，人物一致性較高，沒有明顯變形，但對提示詞的理解不完整，缺少細節。比如案例影片中珍珠奶茶裡沒有珍珠，石磯娘娘沒有變成大胖丫頭。
提示詞：油畫風格，一位穿著樸素的少女拿出一杯珍珠奶茶，輕啟朱唇緩緩品嚐，動作優雅從容。畫面背景是一片深邃的暗色調，僅有的光線聚焦在少女臉上，營造出神秘而寧靜的氛圍。近景，側臉特寫。
提示詞：石人手臂隨著步伐自然擺動，背景光線逐漸從明亮轉為昏暗，營造出一種時間流逝的視覺效果。鏡頭始終保持靜止，聚焦於石人的動態變化。初始畫面中那個小巧的石人，隨著影片的推進，體型逐漸增大，最終在結尾畫面中，變身成為一個圓潤可愛的石頭女孩。
總的來說，萬相2.1語義理解和物理表現還是有待提高的，但整體審美線上，而且開源後或許會加快最佳化更新速度，期待後續可以有更好的呈現效果。
1
低成本、高效果、高可控
在演算法設計上，萬相依然基於主流DiT架構，和線性噪聲軌跡Flow Matching，看著有點複雜，其實大家都差不多是這個思路。
意思是先生成一堆噪點（類似電視雪破圖），直到圖片變成純噪聲，模型再開始“去噪”，將每個噪點放在該放的位置，透過多次迭代生成高質量的圖片。
但問題在於，傳統擴散模型生成影片時計算量極大，需要不停的進行排序最佳化，這就導致了一生成時間長但影片時間不夠長、二佔記憶體耗費算力。
這時候萬相提出了一個新穎的3D時空變分自動編碼器（VAE），稱為Wan-VAE，透過組合多種策略，改進了時空壓縮，減少了記憶體的使用。
這個技術有點類似於《三體》中的“二向箔”，將人從三維變成二維。時空壓縮的意思就是壓縮影片的時空維度，比如將影片分解為低維來表示，從生產一個三維的立方體，到先生成一個二維的立方體再還原成三維，或採用分層生成來提升效率。
舉個簡單的例子，Wan-VAE可以把一本《三國演義》壓縮成大綱，在大綱裡保留恢復內容的方法，大大降低了對記憶體的佔用，同時可以透過此方法，記住更長部頭的小說。
解決了內容佔用問題，就順帶解決了長影片生產的難題，傳統的影片模型只能處理固定長度，超過某一長度就卡頓或崩潰，但如果只儲存大綱，並記住前後關聯，那麼在生成每一幀時，臨時儲存前幾幀的關鍵資訊，便可以避免從第一幀開始重新計算。理論上，按照這種方法，可以對無限長度的1080P影片進行編碼和解碼，而不會丟失歷史資訊。
這也就是為什麼，萬相可以跑在消費級顯示卡上的原因。傳統的高畫質影片（如1080P）資料量太大，普通顯示卡記憶體不夠用。但萬相在處理影片前，先降低解析度，比如把1080P縮放到720P，減少資料量，生成完成後在用超分模型提升畫質到1080P。
經過萬相的測算，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，且生產速度快，畫質不縮水。
這一部分的技術創新，解決的是此前影片生成模型一直無法大規模應用的工程化難題。但與此同時，萬相也在生成效果上做了進一步最佳化。
比如精細化的運動控制，此前Runaway的原生影片模型的單物體、多物體的相對運動控制都是靠運動筆刷繪製軌跡來完成，而萬相允許使用者透過文字、關鍵點或簡單草圖控制影片中物體的運動方式（例如指定"蝴蝶從左下角盤旋飛入畫面"）。
萬相2.1將使用者輸入的運動軌跡轉化為數學模型，在影片生成過程中，作為額外條件引導模型。但這還遠遠不夠，物體的運動要滿足真實世界的物理規律，在數學模型的基礎上，引入了物理引擎的計算結果，以提升運動的真實性。
總的來說，萬相的核心優勢在於透過工程化能力解決實際生產場景中的難題，同時透過模組化的設計為後續的迭代流出了空間。對於普通使用者來說，實實在在地降低了影片創作門檻。
全面開源的策略也徹底打破了影片模型付費的商業模式，萬相2.1的出現，2025年的影片生成賽道，又有好戲看了！