Wan2.1 是阿里巴巴开源的一套视频基础模型，定位为开放且先进的大规模视频生成工具，代码、权重和推理代码均已公开，采用 Apache 2.0 许可，可自行托管。其核心能力包括文本生成视频、图片生成视频、首尾帧生成视频、视频编辑、文本生成图片以及视频生成音频。官方称其在多个基准上持续优于现有开源模型和领先的商业方案。
模型规格方面，Wan2.1 提供 14B 与 1.3B 等多种参数版本，支持 480P 和 720P 分辨率。T2V-1.3B 仅需 8.19 GB 显存，可在 RTX 4090 上约 4 分钟生成 5 秒 480P 视频（未使用量化等优化手段），对消费级 GPU 较为友好。Wan2.1 是首个能够生成中英文文字的 video 模型。其配套的 Wan-VAE 可对任意长度的 1080P 视频进行编码和解码并保留时序信息。
功能与任务方面，文本生成视频支持 1.3B 和 14B 模型；图片生成视频支持 14B 模型；首尾帧生成视频支持 14B 模型，目前仅支持 720P，且因训练以中文文本-视频对为主，官方建议使用中文提示词以获得更好效果。视频编辑方面，2025 年 5 月发布 Wan2.1 VACE，作为一体化的视频创作与编辑模型，提供推理代码、权重和技术报告，支持 1.3B 和 14B 模型及 480P、720P 分辨率。此外，Wan2.1 已集成到 Diffusers 和 ComfyUI，并提供 Gradio 演示。
使用方式上，需先克隆仓库并安装依赖，再通过 huggingface-cli 或 modelscope-cli 下载模型。单 GPU 推理时，若遇到显存不足，可使用 --offload_model True 和 --t5_cpu 选项降低显存占用。T2V-1.3B 建议设置 --sample_guide_scale 6，--sample_shift 可在 8 到 12 之间调整。多 GPU 推理采用 FSDP 与 xDiT USP 加速，支持 Ulysses 策略（--ulysses_size）和 Ring 策略（--ring_size），也可两者结合；1.3B 模型因 num_heads 为 12 无法被 8 整除，官方建议使用 Ring 策略。
提示词扩展可丰富生成视频细节、提升质量，官方提供两种方式：使用 Dashscope API 扩展，需申请 dashscope.api_key 并配置环境变量 DASH_API_KEY，国际站用户还需设置 DASH_API_URL 为 https://dashscope-intl.aliyuncs.com/api/v1，文本生成视频使用 qwen-plus 模型，图片生成视频使用 qwen-vl-max 模型；也可使用本地模型扩展，默认使用 HuggingFace 上的 Qwen 模型，文本生成视频可用 Qwen/Qwen2.5-14B-Instruct、Qwen/Qwen2.5-7B-Instruct 或 Qwen/Qwen2.5-3B-Instruct，图片生成视频或首尾帧生成视频可用 Qwen/Qwen2.5-VL-7B-Instruct 或 Qwen/Qwen2.5-VL-3B-Instruct，较大模型扩展效果更好但需要更多显存，可通过 --prompt_extend_model 指定模型。
适用场景包括需要自托管视频生成能力的研究与开发、在消费级 GPU 上运行文本生成视频、以及视频编辑与多任务视频生成需求。限制方面，1.3B 模型在 720P 下训练有限，结果稳定性通常不如 480P，官方推荐使用 480P；首尾帧生成视频目前仅支持 720P，且建议中文提示词；VACE 输入支持任意分辨率，但为达到最佳效果视频尺寸需落在特定范围；Diffusers 示例暂未集成提示词扩展和分布式推理。其他未在资料中说明的收费、价格或平台信息暂未提供。
