實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图1 Image source: Generated by AI

DeepSeek開源周，其他人也沒閑著。

2月25日，淩晨Claude發佈了Sonnet3.7版本，白天的DeepSeek開源了DeepEP代碼庫，晚上阿裡的最新視頻生成模型Wan2.1亮相，真是熱鬧的一天啊！

相比於一個程式碼能力更强的語言模型，一個讓開發者更為興奮的底層的代碼庫，視頻生成模型顯然更讓普通人興奮。

仍然秉持著“能開盡開”的風格，這次萬相開源了14B和1.3B兩個參數的全部推理程式碼和權重，同時支持文生視頻和圖生視頻任務，全球開發者可在Github、HuggingFace和魔搭社區下載體驗。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图3

並且採用了最寬鬆的Apache2.0協定，意思是生成的內容版權完全歸開發者所有，既可以用於免費通路，也可以商用。

在評測集VBench中，萬相2.1超越了Sora、Luma、Pika等國內外開源模型。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图5

它的效果到底如何？廢話不多說，我們先上評測！

#01、模型實測

現時在通義萬相裏體驗2.1極速版和專業版，兩個版本都是14B的，極速版生成速度約4分鐘左右，專業版的生成速度更慢一些，大概1個小時生成，但效果更穩定一些。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图7

文生視頻2.1專業版相比於極速版對於文字理解更精確，畫面的清晰度也相對高一些。但兩個版本生成的視頻畫面都存在明顯變形，對於一些物理世界的細節理解有欠缺。

提示詞：參攷盜夢空間拍攝管道，俯拍廣角鏡頭，飯店走廊以每秒15度角持續旋轉，兩位西裝特工在牆壁與天花板間翻滾格鬥，領帶受離心力影響呈45度飄起。頂燈碎片隨重力方向錯亂飛濺。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图9

專業版

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图11

極速版

提示詞：紅裙女孩在蒙馬特階梯跳躍，每級臺階彈出舊物收藏盒（發條玩具/老照片/玻璃彈珠），暖調濾鏡下鴿子群組成心形軌跡，手風琴音階與脚步節奏精確同步，魚眼鏡頭跟拍。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图13

專業版

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图15

極速版

萬相2.1是現時全球首個能够直接生成中文文字的開源視頻模型。雖然能够準確生成指定文字，但只限比較短的文字，超出一定長度就會出現亂碼的情况。

提示詞：狼毫毛筆在宣紙上揮灑，墨蹟暈染時文字“命運”逐筆浮現，字迹邊緣泛起金色微光。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图17

圖生視頻效果比較穩定，人物一致性較高，沒有明顯變形，但對提示詞的理解不完整，缺少細節。比如案例視頻中珍珠奶茶裏沒有珍珠，石磯娘娘沒有變成大胖丫頭。

提示詞：油畫風格，一比特穿著樸素的少女拿出一杯珍珠奶茶，輕啟朱唇緩緩品嘗，動作優雅從容。畫面背景是一片深邃的暗色調，僅有的光線聚焦在少女臉上，營造出神秘而寧靜的氛圍。近景，側臉特寫。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图19

提示詞：石人手臂隨著步伐自然擺動，背景光線逐漸從明亮轉為昏暗，營造出一種時間流逝的視覺效果。鏡頭始終保持靜止，聚焦於石人的動態變化。初始畫面中那個小巧的石人，隨著視頻的推進，體型逐漸增大，最終在結尾畫面中，變身成為一個圓潤可愛的石頭女孩。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图21

總的來說，萬相2.1語義理解和物理表現還是有待提高的，但整體審美線上，而且開源後或許會加快優化更新速度，期待後續可以有更好的呈現效果。

#02、低成本、高效果、高可控

在算灋設計上，萬相依然基於主流DiT架構，和線性雜訊軌跡Flow Matching，看著有點複雜，其實大家都差不多是這個思路。

意思是先生成一堆噪點（類似電視雪花屏），直到圖片變成純雜訊，模型再開始“去噪”，將每個噪點放在該放的位置，通過多次反覆運算生成高品質的圖片。

但問題在於，傳統擴散模型生成視頻時計算量極大，需要不停的進行排序優化，這就導致了一生成時間長但視頻時間不够長、二占記憶體耗費算力。

這時候萬相提出了一個新穎的3D時空變分自動編碼器（VAE），稱為Wan-VAE，通過組合多種策略，改進了時空壓縮，减少了記憶體的使用。

這個科技有點類似於《三體》中的“二向箔”，將人從三維變成二維。時空壓縮的意思就是壓縮視頻的時空維度，比如將視頻分解為低維來表示，從生產一個三維的立方體，到先生成一個二維的立方體再還原成三維，或採用分層生成來提升效率。

舉個簡單的例子，Wan-VAE可以把一本《三國演義》壓縮成大綱，在大綱裏保留恢復內容的方法，大大降低了對記憶體的佔用，同時可以通過此方法，記住更長部頭的小說。

解决了內容佔用問題，就順帶解决了長視頻生產的難題，傳統的視頻模型只能處理固定長度，超過某一長度就卡頓或崩潰，但如果只存儲大綱，並記住前後關聯，那麼在生成每一幀時，臨時存儲前幾幀的關鍵資訊，便可以避免從第一幀開始重新計算。理論上，按照這種方法，可以對無限長度的1080P視頻進行編碼和解碼，而不會遺失歷史資訊。

實測萬相2.1，全球首個中文文字生成開源模型，吊打Sora了？插图23