近日，通义科技宣布其最新开源的通义万相大模型 Wan2.1。这款AI模型专注于高品质视频生成，凭借在复杂运动处理、真实物理规律还原、影视质感提升及指令遵循优化等方面的卓越性能，成为了创作者、开发者和企业用户在AI时代的重要选择。
在权威评测集Vbench中，通义万相Wan2.1以总分86.22%的成绩位列第一，大幅领先Sora、Minimax、Luma、Gen3和Pika等国内外知名视频生成模型。这一成就得益于Wan2.1基于DiT和线性噪声轨迹Flow Matching范式，通过一系列技术创新，显著提升了生成能力。其自研的3D因果VAE模块实现了256倍无损视频隐空间压缩，并通过特征缓存机制支持任意长度视频的高效编解码，同时降低了推理时内存占用29%。此外，Wan2.1在单个A800GPU环境下的视频重建速度比现有最先进方法快2.5倍，展现出强大的性能优势。
Wan2.1的视频Diffusion Transformer架构通过Full Attention机制有效建模长时程时空依赖，生成高质量且时空一致的视频。其训练策略采用6阶段分步训练法，从低分辨率图像数据预训练逐步过渡到高分辨率视频数据训练，并通过高质量标注数据微调，确保模型在不同分辨率和复杂场景下的优秀表现。在数据处理方面，Wan2.1设计了四步数据清洗流程，重点关注基础维度、视觉质量和运动质量，以从杂乱的数据集中筛选出高质量且多样化的数据，促进有效训练。
在模型训练和推理效率优化方面，Wan2.1采用了多种策略。训练阶段，针对文本、视频编码模块和DiT模块，分别采用不同的分布式策略，并通过高效的策略切换避免计算冗余。显存优化方面，采用分层的显存优化策略，结合PyTorch显存管理机制解决显存碎片问题。推理阶段，使用FSDP和2D CP的组合方法进行多卡分布式加速，并通过量化方法进一步提升性能。
目前，通义万相Wan2.1已在GitHub、Hugging Face和魔搭社区等平台开源，支持多种主流框架。开发者和研究者可以通过Gradio快速体验，或利用xDiT并行加速推理提升效率。同时，该模型正在加速接入Diffusers和ComfyUI，以简化一键推理与部署流程，降低开发门槛，为用户提供灵活的选择，无论是快速原型开发还是高效生产部署，都能轻松实现。
暂无评论