实测万相2.1，全球首个中文文字生成开源模型，吊打Sora了？

174 0 0

文章摘要

2月25日，阿里推出的万相2.1视频生成模型正式开源，包含14B和1.3B两个参数版本，支持文生视频、图生视频任务，并采用Apache2.0协议允许商业使用。在VBench评测中，该模型超越Sora、Luma等国内外开源模型，成为首个支持直接生成中文短文本的开源视频模型。开源代码已发布于Github、HuggingFace和魔搭社区，极大降低了开发者的使用门槛。

实测显示，14B参数的专业版与极速版均存在画面变形、物理细节理解不足的问题，但专业版在文本理解精确度和画面清晰度上更优。例如，生成“红裙女孩跳跃”场景时，极速版对台阶弹出旧物盒的细节还原较弱，而专业版虽提升了动作同步性，仍存在肢体扭曲现象。模型对中文短文字生成效果显著，如“命运”二字能呈现墨迹晕染与金色微光，但长文本会出现乱码。图生视频功能人物一致性较高，但对提示词理解不完整，如珍珠奶茶案例中缺失珍珠，石矶娘娘变身细节未完全实现。

技术层面，万相2.1采用DiT架构与Flow Matching框架，并创新提出Wan-VAE时空压缩技术。该技术通过降维存储视频关键信息，将内存占用降低29%，支持消费级显卡生成1080P视频。例如，将视频分辨率从1080P临时降至720P生成，再通过超分模型还原画质，解决了传统模型因数据量过大导致的内存瓶颈问题。此外，模型引入分层生成机制，通过记录前几帧关键信息实现长视频连续生成，理论上可支持无限长度视频编码。

运动控制方面，万相2.1允许通过文本、关键点或草图指定物体运动轨迹，例如“蝴蝶盘旋飞入”等指令可转化为数学模型，并融合物理引擎计算结果提升真实感。这种模块化设计既降低了创作门槛，也为后续迭代保留了技术扩展空间。尽管当前版本在复杂物理规律模拟上仍有不足，但开源策略或将加速社区优化进程。

从行业影响看，万相2.1的开源打破了视频生成领域付费商业模式的壁垒，其工程化创新为实际应用提供了可行性。通过解决内存占用、生成效率等核心难题，该模型为2025年视频生成赛道的技术竞争埋下了重要伏笔。