DeepSeek开源周，其他人也没闲着。
2月25日，凌晨Claude发布了Sonnet3.7版本，白天的DeepSeek开源了DeepEP代码库，晚上阿里的最新视频生成模型Wan2.1 亮相，真是热闹的一天啊！
相比于一个代码能力更强的语言模型，一个让开发者更为兴奋的底层的代码库，视频生成模型显然更让普通人兴奋。
仍然秉持着“能开尽开”的风格，这次万相开源了14B和1.3B两个参数的全部推理代码和权重，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。
并且采用了最宽松的Apache2.0协议，意思是生成的内容版权完全归开发者所有，既可以用于免费渠道，也可以商用。
在评测集VBench中，万相2.1超越了Sora、Luma、Pika等国内外开源模型。
它的效果到底如何？废话不多说，我们先上评测！
目前在通义万相里体验2.1极速版和专业版，两个版本都是14B的，极速版生成速度约4分钟左右，专业版的生成速度更慢一些，大概1个小时生成，但效果更稳定一些。
文生视频2.1专业版相比于极速版对于文本理解更精确，画面的清晰度也相对高一些。但两个版本生成的视频画面都存在明显变形，对于一些物理世界的细节理解有欠缺。
提示词：参考盗梦空间拍摄方式，俯拍广角镜头，酒店走廊以每秒15度角持续旋转，两位西装特工在墙壁与天花板间翻滚格斗，领带受离心力影响呈45度飘起。顶灯碎片随重力方向错乱飞溅。
专业版
极速版
提示词：红裙女孩在蒙马特阶梯跳跃，每级台阶弹出旧物收藏盒（发条玩具/老照片/玻璃弹珠），暖调滤镜下鸽子群组成心形轨迹，手风琴音阶与脚步节奏精确同步，鱼眼镜头跟拍。
专业版
极速版
万相2.1是目前全球首个能够直接生成中文文字的开源视频模型。虽然能够准确生成指定文字，但只限比较短的文本，超出一定长度就会出现乱码的情况。
提示词：狼毫毛笔在宣纸上挥洒，墨迹晕染时文字“命运”逐笔浮现，字迹边缘泛起金色微光。
图生视频效果比较稳定，人物一致性较高，没有明显变形，但对提示词的理解不完整，缺少细节。比如案例视频中珍珠奶茶里没有珍珠，石矶娘娘没有变成大胖丫头。
提示词：油画风格，一位穿着朴素的少女拿出一杯珍珠奶茶，轻启朱唇缓缓品尝，动作优雅从容。画面背景是一片深邃的暗色调，仅有的光线聚焦在少女脸上，营造出神秘而宁静的氛围。近景，侧脸特写。
提示词：石人手臂随着步伐自然摆动，背景光线逐渐从明亮转为昏暗，营造出一种时间流逝的视觉效果。镜头始终保持静止，聚焦于石人的动态变化。初始画面中那个小巧的石人，随着视频的推进，体型逐渐增大，最终在结尾画面中，变身成为一个圆润可爱的石头女孩。
总的来说，万相2.1语义理解和物理表现还是有待提高的，但整体审美在线，而且开源后或许会加快优化更新速度，期待后续可以有更好的呈现效果。
在算法设计上，万相依然基于主流DiT架构，和线性噪声轨迹Flow Matching，看着有点复杂，其实大家都差不多是这个思路。
意思是先生成一堆噪点（类似电视雪花屏），直到图片变成纯噪声，模型再开始“去噪”，将每个噪点放在该放的位置，通过多次迭代生成高质量的图片。
但问题在于，传统扩散模型生成视频时计算量极大，需要不停的进行排序优化，这就导致了一生成时间长但视频时间不够长、二占内存耗费算力。
这时候万相提出了一个新颖的3D时空变分自动编码器（VAE），称为Wan-VAE，通过组合多种策略，改进了时空压缩，减少了内存的使用。
这个技术有点类似于《三体》中的“二向箔”，将人从三维变成二维。时空压缩的意思就是压缩视频的时空维度，比如将视频分解为低维来表示，从生产一个三维的立方体，到先生成一个二维的立方体再还原成三维，或采用分层生成来提升效率。
举个简单的例子，Wan-VAE可以把一本《三国演义》压缩成大纲，在大纲里保留恢复内容的方法，大大降低了对内存的占用，同时可以通过此方法，记住更长部头的小说。
解决了内容占用问题，就顺带解决了长视频生产的难题，传统的视频模型只能处理固定长度，超过某一长度就卡顿或崩溃，但如果只存储大纲，并记住前后关联，那么在生成每一帧时，临时存储前几帧的关键信息，便可以避免从第一帧开始重新计算。理论上，按照这种方法，可以对无限长度的1080P视频进行编码和解码，而不会丢失历史信息。
这也就是为什么，万相可以跑在消费级显卡上的原因。传统的高清视频（如1080P）数据量太大，普通显卡内存不够用。但万相在处理视频前，先降低分辨率，比如把1080P缩放到720P，减少数据量，生成完成后在用超分模型提升画质到1080P。
经过万相的测算，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，且生产速度快，画质不缩水。
这一部分的技术创新，解决的是此前视频生成模型一直无法大规模应用的工程化难题。但与此同时，万相也在生成效果上做了进一步优化。
比如精细化的运动控制，此前Runaway的原生视频模型的单物体、多物体的相对运动控制都是靠运动笔刷绘制轨迹来完成，而万相允许用户通过文本、关键点或简单草图控制视频中物体的运动方式（例如指定"蝴蝶从左下角盘旋飞入画面"）。
万相2.1将用户输入的运动轨迹转化为数学模型，在视频生成过程中，作为额外条件引导模型。但这还远远不够，物体的运动要满足真实世界的物理规律，在数学模型的基础上，引入了物理引擎的计算结果，以提升运动的真实性。
总的来说，万相的核心优势在于通过工程化能力解决实际生产场景中的难题，同时通过模块化的设计为后续的迭代流出了空间。对于普通用户来说，实实在在地降低了视频创作门槛。
全面开源的策略也彻底打破了视频模型付费的商业模式，万相2.1的出现，2025年的视频生成赛道，又有好戏看了！
