超越 Sora！阿里万相大模型正式开源，消费级显卡也能跑

2 月 25 日消息，阿里云旗下视觉生成基座模型万相 2.1（Wan）重磅开源，此次开源采用最宽松的 Apache2.0 协议，14B 和 1.3B 两个参数规格的全部推理代码和权重全部开源，同时支持文生视频和图生视频任务，全球开发者可在 Github、HuggingFace 和魔搭社区下载体验。

开源地址：

Github: https://github.com/Wan-Video

HuggingFace: https://huggingface.co/Wan-AI

魔搭社区：https://modelscope.cn/organization/Wan-AI

据介绍，14B 万相模型在指令遵循、复杂运动生成、物理建模、文字视频生成等方面表现突出，在权威评测集 VBench 中，万相 2.1 以总分 86.22%的成绩大幅超越 Sora、Luma、Pika 等国内外模型，稳居榜首位置。1.3B 版本测试结果不仅超过了更大尺寸的开源模型，甚至还接近部分闭源模型，同时能在消费级显卡运行，仅需 8.2GB 显存就可以生成高质量视频，适用于二次模型开发和学术研究。

在算法设计上，万相基于主流 DiT 架构和线性噪声轨迹 Flow Matching 范式，研发了高效的因果 3D VAE、可扩展的预训练策略等。以 3D VAE 为例，为了高效支持任意长度视频的编码和解码，万相在 3D VAE 的因果卷积模块中实现了特征缓存机制，从而代替直接对长视频端到端的编解码过程，实现了无限长 1080P 视频的高效编解码。此外，通过将空间降采样压缩提前，在不损失性能的情况下进一步减少了 29%的推理时内存占用。

万相团队的实验结果显示，在运动质量、视觉质量、风格和多目标等 14 个主要维度和 26 个子维度测试中，万相均达到了业界领先表现，并且斩获 5 项第一。尤其在复杂运动和物理规律遵循上的表现上大幅提升，万相能够稳定展现各种复杂的人物肢体运动，如旋转、跳跃、转身、翻滚等；能够精准还原碰撞、反弹、切割等复杂真实物理场景。

（万相在 14 个主要维度测试中斩获 5 项第一及平均分第一）

从 2023 年开始，阿里云就坚定大模型开源路线，其千问（Qwen）衍生模型数量已超过 10 万个，是全球最大的 AI 模型家族。随着万相的开源，阿里云实现了全模态、全尺寸大模型的开源。 

生成效果如何

下面我们可以看下万相 2.1 的实际生成效果。

输入 Prompt：

体育摄影风格，骑手在场地障碍赛中引导马匹快速通过障碍物。骑手身着专业比赛服，头戴安全帽，表情专注而坚定，双手紧握缰绳，双腿夹紧马腹，与马匹完美配合。马匹腾空跃起，动作连贯且准确，四蹄有力地踏过每一个障碍物，保持速度和平衡。背景是自然的草地和蓝天，画面充满动感和紧张感。4K, 高清画质, 动作完整。

生成图片：

输入 Prompt：

体育摄影风格，中国皮划艇运动员在激流回旋比赛中，于湍急的水流中用桨快速划水，灵活地绕过一个又一个障碍物。他身着专业运动服，肌肉线条明显，表情专注而坚定，展现出出色的操控技术和顽强的拼搏精神。背景是清澈的河流和翠绿的山峦，画面充满动感与活力。近景特写，运动员在空中翻转滑板，动作完整，4K, 高清画质。

生成图片：

输入 Prompt：

一段超速 POV 镜头，摄像机疾驰穿越一条阳光下的中国乡村小路，镜头紧跟着一个在空中飞行的穿着休闲服休闲鞋的中国女子的背后，她身体直立展开双臂，风吹动她的头发和衣服。

生成图片：