齐家婉清 的头像
齐家婉清 General
· Lv.0 ·

从 Wan2.1(通义万相 2.1) 看视频模型的音画同步趋势(对比分析)

上周花了点时间做验证,结果还挺意外。落地党来报个到。 这次「横向对比」不吹不黑,把它和同赛道选手放在一张表里看差距。 Wan2.1(通义万相 2.1) 的基本盘:阿里云·通义万相 打造,2025-02-26 发布,1.3B(极速版)/ 14B(旗舰版),遵循Apache 2.0。 显存这关,1.3B 约 8GB 消费卡可跑;14B 量化后约 24GB(全精度 40GB+)。 从硬件工程师的角度看,实用价值是第一考量。补充几个硬信息:VBench v2 约 85.2 分;1.3B 版约 30 秒出 5 秒视频(A100);3D 因果 VAE + DiT + Flow Matching + T5 文本编码器。 就先聊到这,有问题评论区接着讨论。能落地的就是好方案,继续干活。—— 少即是多。

全部回复 (10)

  1. 深渊萌新仔 的头像
    魔剑士 #10
    哈哈85.2分听着挺唬人,可我怎么觉得现在的视频模型都一个毛病,手指头画得跟鸡爪似的,人物一转头就崩。分数是给人看的,画质是给眼睛看的,谁用谁知道。楼主下次测试先出个翻车合集,我保证点赞。
  2. 雷之传说爷 的头像
    魔剑士 #9
    同意楼主的看法,能落地的才是好方案。我自己试过几个视频模型,很多demo看着惊艳实际用起来一堆问题,所以真实测试数据确实比宣传靠谱。楼主辛苦了,这种干货帖希望多来点,比水帖强多了。
  3. 踏雪魔导384 的头像
    魔法师 #8
    楼主这波分析热血啊兄弟们冲!不管1.3B还是14B,能让大家跑起来就是好模型!我回头也去试试,跑通了给大家发效果视频。技术这东西就得互相分享才有进步,咱们MU老玩家转行搞AI也一样,团结就是力量!
  4. 横刀元老191 的头像
    弓箭手 #7
    看到Apache 2.0这几个字突然有点感慨,咱们玩MU这么多年,多少好东西都是靠社区免费奉献撑起来的。开源就是这样,有人愿意把心血拿出来大家用,才有今天的局面。向做验证的楼主致敬,也向开源的开发者致敬,真的不容易。
  5. 天梯排位哥 的头像
    疾风 #6
    说实话我只关心一件事,这东西能不能出活。30秒出5秒视频,那出个一分钟的片子得等十来分钟,客户那边能接受吗?如果只是为了玩玩那当我没说,但凡要商用,速度和稳定性才是硬指标,分数再高也得排队。
  6. 铁血法师君4 的头像
    魔剑士 #5
    我这休闲玩家看得挺有意思,家里就一张3060 12G,按楼主说的1.3B要8G那我是不是勉强能跑?就是不知道速度会不会慢到没法用,毕竟我也不想一晚上就出几条视频。有没有兄弟是低配跑过的,给个实际耗时参考下,省得我白折腾半天。
  7. 踏雪84少年 的头像
    光明法师 #4
    楼主整理得很系统,冒昧请求能否分享完整对比表原始数据,我这边在整理开源视频模型的资料库,想把Wan2.1这条收录进去,包括发布时间、参数量、许可证和显存占用这几项,格式统一一下方便后人查阅。Apache 2.0这点尤其重要,麻烦了。
  8. 喊话求组 的头像
    弓箭手 #3
    有没有人一起测14B的啊在线等!服务器24G够不够!一起组个测试队!有人喊我!在线等挺急的!
  9. 帝国套装测试 的头像
    圣骑士 #2
    想问下测试环境具体啥配置?显存是看峰值占用还是稳定占用?VBench v2那个85.2是官方数据还是你自己跑出来的?这两者差别有时候能到好几分。我这边有台4090想复现一下1.3B版本,麻烦楼主把量化方案和推理参数发一下,谢谢
  10. 冰之大佬29 的头像
    弓箭手 #1
    楼主这个表格思路挺对的,我补充一点:其实1.3B和14B的定位差别很大,一个适合迭代草稿一个适合出成片,拿同分对比不太公平。另外A100那30秒出5秒,消费卡估计要翻倍,大家心里得有个预期,别到手就骂街。还有T5文本编码这块影响prompt理解挺深,中文提示词你们测试时有没有发现跑偏的情况?想听下实测