TMT观察网_独特视角观察TMT行业

【TechWeb】2月27日消息，大模型開源的風(fēng)吹到了視頻生成大模型。阿里云日前放出重磅消息：萬相，開源！

阿里云視頻生成大模型萬相2.1（Wan）正式開源，此次開源采用Apache2.0協(xié)議，14B和1.3B兩個參數(shù)規(guī)格的全部推理代碼和權(quán)重全部開源，同時支持文生視頻和圖生視頻任務(wù)，全球開發(fā)者可在Github、HuggingFace、魔搭社區(qū)下載體驗。

從2023年開始，阿里云就堅定大模型開源路線，其千問（Qwen）衍生模型數(shù)量已超過10萬個。隨著萬相的開源，阿里云實現(xiàn)了全模態(tài)、全尺寸的開源。

四個開源模型

此次開源共有四個模型，文生和圖生各兩個，兩個參數(shù)版本。兩個文生視頻模型分別是1.3B和14B兩個規(guī)格；兩個圖生視頻模型都是14B，分辨率一個480P一個720P。

14B版本萬相模型：在指令遵循、復(fù)雜運動生成、物理建模、文字視頻生成等方面表現(xiàn)突出，在權(quán)威評測集Vbench中，萬相2.1以總分86.22%大幅超越Sora、Luma、Pika等國內(nèi)外模型，穩(wěn)居榜首位置。

1.3B版本萬相模型：不僅超過了更大尺寸的開源模型，甚至還和一些閉源的模型結(jié)果接近，同時能在消費級顯卡運行，僅需8.2GB顯存就可以生成480P視頻，適用于二次模型開發(fā)和學(xué)術(shù)研究。

有用戶表示，1.3B的萬象模型在RTX4090上跑一條5秒鐘的480P視頻的時間大概只要4分鐘。

阿里云特別強調(diào)，萬相2.1（Wan）大模型是首個具備支持中文文字生成能力，且同時支持中英文文字特效生成的視頻生成模型。

實驗結(jié)果顯示，在運動質(zhì)量、視覺質(zhì)量、風(fēng)格和多目標(biāo)等 14 個主要維度和 26 個子維度測試中，萬相表現(xiàn)出色，并且斬獲 5 項第一。尤其在復(fù)雜運動和物理規(guī)律遵循上的表現(xiàn)上大幅提升，萬相能穩(wěn)定呈現(xiàn)人物的旋轉(zhuǎn)、跳躍等高難度動作，并逼真模擬物體碰撞、反彈和切割等真實物理效果。

良好表現(xiàn)的背后，是基于主流的DiT和線性噪聲軌跡Flow Matching范式，萬相大模型通過一系列技術(shù)創(chuàng)新實現(xiàn)了生成能力的重大進步。包括自研高效的因果3D VAE、可擴展的預(yù)訓(xùn)練策略、大規(guī)模數(shù)據(jù)鏈路構(gòu)建以及自動化評估指標(biāo)，這些創(chuàng)新共同提升了模型的最終性能表現(xiàn)。

阿里展示了諸多萬相大模型生成的視頻，大家看看效果：

開源地址：

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

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

魔搭社區(qū)：https://modelscope.cn/organization/Wan-AI