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。