从 Wan2.1（通义万相 2.1） 看视频模型的音画同步趋势（入门扫盲）

作为常年和 X 打交道的人，说点实在的。本文基于公开资料整理，供讨论参考。 「新手科普」写给刚入门的朋友，老手可以跳过。 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+）。 站在架构视角，我更关心它能不能嵌进现有技术栈而不是单点性能。官方口径里有几条很关键：社区有 GGUF/Kijai 量化版；3D 因果 VAE + DiT + Flow Matching + T5 文本编码器；1.3B 版约 30 秒出 5 秒视频（A100）。 篇幅有限，展开讲能写一篇论文。讨论与勘误欢迎留言。