Wan 2.2 详解：阿里巴巴的开源 AI 视频模型

Wan 2.2 是什么？

Wan 2.2 是阿里巴巴开源 Wan 视频系列在 2025 年 7 月的升级版，出自通义实验室。它以可下载权重的形式发布在 Hugging Face 上，采用 Apache 2.0 协议——这意味着你可以本地运行、部署到自己的云上、并用它交付商业作品，而无需按次付费。当问题是「最好的开源 AI 视频模型」而不是「最好的模型（不论开闭源）」时，它就是头号候选。

这次发布有三种形态：14B 的文生视频模型（T2V-A14B）、14B 的图生视频模型（I2V-A14B），以及更小的 5B 文+图生视频模型（TI2V-5B）——后者牺牲一点画质，换取在单张消费级显卡上运行的能力。开源权重的输出上限为 720p、24fps，1080p 在路线图上，也可通过托管端点获得。想看更完整的开源阵营地图，见 2026 年最好的开源 AI 视频模型。

MoE 架构：画质为什么跃升

Wan 2.2 是首个把混合专家（MoE）设计引入去噪流程的开源视频扩散模型。A14B 模型带着两个 14B 专家——磁盘上共 27B 参数——但每一步只激活 14B，因此显存开销接近单专家模型。一个高噪声专家负责早期阶段（布局、构图、运动），随后由一个低噪声专家接手，细化细节、打光、对比度和色调。把任务这样拆开，正是相比 Wan 2.1 那道肉眼可见提升的来源。

Wan 2.2 擅长什么

• 强运动与相机控制。 升级后的动画控制加入了相机轨迹——推拉、变焦、焦点转移——外加主体锁定和背景稳定，让跟拍镜头更稳。
• 中英双语提示与画面内文字。 中英文提示都能用，并且它在画面里渲染可读文字的能力优于大多数开源权重。
• 图生视频有真实保真度。 I2V 模型在动画化一张静态图时能保住它的观感，让「把主视觉变成动镜头」成为真正可用的工具。
• 语音驱动视频（Wan 2.2-S2V）。 一个配套模型能把一张人像照加一段音频，变成会说话、会唱歌的数字人——这是开源权重对托管数字人工具的回应。
• 边际成本为零。 显卡一旦买单，之后每次生成都免费。对高频次的 B-roll 和试错来说，这笔账很难被打败。

Wan 2.2 与同类模型对比

实话实说：Wan 2.2 在分辨率和时长上并不是闭源榜单的头名。Seedance 和 Veo 分辨率更高、时长更长。Wan 2.2 赢的是自由——权重是你的，协议宽松，没有计费表在转。对需要掌控流程、或想用自己的数据做微调的团队来说，这个取舍就是全部意义所在。

「托管逃生舱」

开源权重递给你的是一台引擎加一本说明书。要稳定产出视频，你还得自己搭 ComfyUI 工作流、管理显存和量化、调采样器和调度器，并且把整套观感在每条提示里重新敲一遍——因为模型对你上一帧的成片毫无记忆。这是实打实的工作量，也是为什么大多数团队最终会去够那个托管逃生舱：一个底层跑着开源或闭源引擎、但在上面加了手艺的「被导演化」平台。

在 ReelWand 上，B-Roll 生成器 Agent 内置一套固定的风格 DNA——媒介、打光、调色和一条质量基线——在服务端拼进每一次请求。大脑永远不离开服务器，因此你的招牌观感无法被复制粘贴带走。会话记忆意味着你的下一句提示会在两小时窗口内基于上一帧成片迭代，而不是从零重生成；一份成文的品牌规则手册也会被检索进每一次生成以保持一致。同样的生成能力，却没有那些管线杂活。想看更深的取舍，读 创作者该用 AI Agent 还是裸模型。