通义万相

阿里通义团队的视频生成模型，Wan2.1/2.2 开放权重，常用作世界模型底座。

通义万相是阿里巴巴通义团队的视觉生成模型系列，英文名 Wan。2025 年 2 月底开源的 Wan2.1 有 1.3B 和 14B 两种规模，Apache 2.0 许可，基于扩散 Transformer 并用流匹配训练，自带 3D 因果视频 VAE（Wan-VAE），文本编码器是 umT5，支持文生视频、图生视频和视频编辑。2025 年 7 月的 Wan2.2 改成两个约 14B 专家的混合专家结构（高噪声专家定布局、低噪声专家补细节，每步只激活一个），另有 5B 的文图生视频模型，之后又陆续放出音频驱动（S2V）、角色动画（Animate）等衍生模型。它已从海量视频里学到不少物体运动规律，又开放权重，研究者常拿它做世界模型或世界动作模型的起点。截至 2026 年 9 月，开放权重的主线仍是 Wan2.2 系列。

例子英伟达的 DreamZero 以 Wan2.1-I2V-14B-480P 图生视频模型为骨干，在机器人数据上继续训练，让模型同时生成未来画面和对应动作，作为世界动作模型直接控制机器人。

也叫

Wan2.1、Wan2.2、万相、Tongyi Wanxiang

相关

视频生成模型、扩散 Transformer、视频分词器、流匹配、混合专家模型、DreamZero

来源

Wan: Open and Advanced Large-Scale Video Generative Models (arXiv:2503.20314)
Wan-Video/Wan2.2 (GitHub)
World Action Models are Zero-shot Policies (DreamZero, arXiv:2602.15922)

信息截至

2026-09