阿里开源 Wan2.1 视频模型：登顶 VBench，4090 显卡也能跑

Wan2.1 是阿里通义实验室刚开源的一套视频生成模型，能让你在本地直接通过文字或图片生成高质量动态视频，甚至还能生成配套音频。

这套工具在权威视频评测榜单 VBench 上拿到了 86.22% 的总分，直接登顶榜首，排在前面的表现甚至盖过了 OpenAI 的 Sora，而且是榜单前五名里唯一的开源模型。

它能做什么

Wan2.1 一共放出了四个具体型号，覆盖了从文字生成视频到图片生成视频的完整需求，包括 T2V-14B、T2V-1.3B，以及支持不同分辨率的 I2V-14B-720P 和 I2V-14B-480P。

它的生成速度比上一代和同类方案快了 2.5 倍，而且几乎完全去掉了过去 AI 视频常见的画面卡顿、肢体扭曲和奇怪噪点。在物理规律模拟、空间关系和复杂大幅度动作上，表现都相当扎实。

很有意思的是细节能力。它是目前第一个原生支持中英双语文字渲染的视频模型，能在画面里准确打出招牌或字幕。此外它还支持画面内外修补、多图参考，并能在镜头运动中稳定保持已有的人体结构和角色长相。

怎么跑起来与硬件门槛

这套模型最大的诚意在于，它没有把普通开发者挡在门外。

如果你手头只有消费级显卡，可以直接选择 1.3B 的轻量版本。在一张普通的 RTX 4090 显卡或者普通笔记本电脑上，大概 4 分钟就能渲染出一段 5 秒长的 480P 视频。

如果追求极致的影视级动态和画质，14B 版本更适合商用团队。图片生视频的 14B 模型支持输入任意常规尺寸的单张图片，搭配简短提示词即可输出动态画面。

目前 Wan2.1 的相关模型权重和代码已经完全公开，你可以直接在 Hugging Face 或阿里云的魔搭社区（ModelScope）下载权重和推理脚本上手体验。

为什么重要

过去大半年，顶尖的闭源视频生成工具要么排队内测，要么订阅昂贵，创作者很难做二次定制。

Wan2.1 把接近甚至超越顶级闭源模型的能力打成了开源免费资产，我们认为这会让本地 AI 视频工作流迅速普及。对独立创作者和开发者来说，不需要天价算力就能在本地跑通 1.3B 快速出草稿，商用制作则能用 14B 微调，绝对值得立刻拉下来跑跑看。