阿里开源 14B 视频模型 Wan2.1-FLF2V：输入首尾帧即可生成过渡

Wan2.1-FLF2V-14B 是阿里巴巴开源的 14B 参数视频生成模型，它的核心功能非常简单直接：只要给它输入起始和结束两张画面，模型就能自动补齐中间的动态过渡。

它能做什么

传统的文生视频或图生视频往往像开盲盒，镜头往后怎么演变很难精准控制，结局经常偏离预期。这个模型专门解决了首尾连贯的问题。

创作者只要定好第一帧和最后一帧，模型就能负责把两幅画面之间的复杂运动连贯起来。这让短视频制作者和特效师能精准控制镜头起止，大幅降低了构图和分镜的试错成本。

在 Wan 的官方网站上，用户可以通过提示词直接免费生成 5 秒、720p 分辨率的过渡视频。相关代码和模型权重也已经同步上线 GitHub、Hugging Face 和阿里自家的 ModelScope 社区。

它是怎么跑起来的

要在两张静态图之间生成平滑自然的过渡，最大的挑战是运动过程中容易出现画风突变或形变崩溃。

Wan2.1-FLF2V 采用了一种附加控制调节机制。这个机制把用户提供的起始帧和结束帧作为控制条件，把两张图的语义特征直接注入到整个生成过程中。

有了这层约束，模型在动态生成帧序列时，就能兼顾首尾帧的风格、内容和结构，在呈现复杂位移的同时确保画面稳定不跳戏。

该模型属于 Wan2.1 基础模型家族。阿里在 2025 年 2 月开源了四款 Wan2.1 模型，至今在 Hugging Face 和 ModelScope 上的下载量已经超过 220 万次。该系列是首个支持中英文文字特效的视频生成模型，在综合基准 VBench 榜单上位列第一。

为什么重要

对于动画师、短视频创作者和独立游戏开发者来说，这非常值得立刻一试。传统制作运镜过渡往往需要手绘中间画或靠 3D 渲染，现在只要画好头尾两张关键帧，中间的动态桥接就可以交给它来完成。

在很多开源模型还在卷单纯的「单图动起来」时，阿里把首尾帧定向控制做成了完整的 14B 开源权重，走得很聪明。尽管 14B 参数在本地部署时对显卡显存要求不低，目前生成规格也卡在 5 秒 720p，但作为一套可控的工作流底座，它已经能给视频生产线省下大量时间。