结论先行：2025 年 7 月 28 日，阿里巴巴通义实验室正式开源了视频生成模型 Wan2.2。它的差异化不在”画质又好了一些”，而在把混合专家（MoE）架构引入注意力模型，用来理解并还原电影镜头语言——光影、色彩、构图这类过去要靠人工反复抽卡的审美变量，被写进了模型能力里。同时代码与权重以 Apache 2.0 许可完全开放，并可追溯到公开发表的技术报告。
MoE 架构为什么适合视频生成
混合专家（Mixture-of-Experts）的核心思路是：总参数很大，但每次只激活一小部分。模型内部由多个”专家”子网络组成，路由机制根据当前输入挑选合适的专家参与计算。
放在视频生成场景里，这个结构的优势非常直观——视频任务的差异极大：有的是大幅度的人物运动，有的是缓慢的运镜，有的是光影变化，有的是静态构图的细节保持。用一个致密模型同时学这些模式，容易互相干扰；而 MoE 可以让不同专家分别承接不同类型和不同阶段的去噪需求，推理时按需调用。
这也是 Wan2.2 敢同时强调”更好地理解电影镜头语言”与”控制生成成本”的原因：能力的扩展不必完全线性转嫁到推理开销上。
三项能力：文生视频、图生视频与文生图
文生视频：把电视镜头语言写进提示词
官方将其概括为电影级视觉控制，具体体现在三点：能够还原大幅度运动、精准遵循语义、呈现多维度视觉效果（光影、色彩、构图）。
对创作者而言，”大幅度运动”这一项尤为关键。最典型的失败是动作幅度一大，人物肢体就开始扭曲变形。这背后考验的是时间一致性：模型必须在数十帧里保持同一个人的同一张脸、同一件衣服。如果说图像模型解决的是”生成一张好图”，视频模型真正要解决的是”生成几十张相互连贯的好图”。
图生视频：抽卡成功率的工程价值
官方提到图生视频方向提升了抽卡成功率，并保持内容一致性、让动态过程更自然、更精准地遵循指令。抽卡成功率听起来像个体感指标，但它直接决定成本：如果一个镜头平均要跑十几次才能得到可用结果，那么无论单次生成多快，项目周期都会被拉长。
把静态素材转成动态镜头，是电商详情页、短视频封面、产品展示这类场景的高频需求。这里真正的门槛从来不是”能不能动”，而是动起来之后主体有没有变形、有没有长出多余的手指。
文生图：作为统一架构的副产品
Wan2.2 同时支持文生图，主打高效短文本处理、精准理解指令、增强美学表现、优化生成稳定性，并支持多样化风格控制。同一个模型同时覆盖图像与视频，好处是风格可以跨模态保持一致——先用文生图定下角色与调性，再用同样的描述延续到视频镜头，减少反复对齐的成本。
关键规格一览
| 维度 | Wan2.2 说明 |
|---|---|
| 发布时间 | 2025 年 7 月 28 日，阿里巴巴通义实验室 |
| 核心架构 | 混合专家（MoE）架构 |
| 主打方向 | 电影级视觉控制与高质量视频创作 |
| 支持任务 | 文生视频、图生视频、文生图 |
| 训练升级 | 数据训练规模与专业美学训练双重升级 |
| 开源协议 | Apache 2.0，代码与权重完全开放 |
| 发布渠道 | GitHub、Hugging Face、魔搭社区，技术报告同步公开 |
Apache 2.0 意味着什么
开源视频模型常见的授权形态有两种：一种是开放权重但附商用限制，另一种是限制修改与再分发。Apache 2.0 属于相当宽松的一档，允许在保留版权与声明的前提下免费使用、修改和分发，对商业集成的约束小。
需要注意的边界是：开源协议约束的是代码与权重，不免除生成内容本身的合规责任。用于商业投放前，素材、肖像、音乐等下游权利仍然要单独确认。
上手路径建议
Wan2.2 官方提供了在线体验入口，同时在 GitHub、Hugging Face 与魔搭社区提供了代码与权重，因此存在两条并行路径：
- 先在线验证：在手上的真实镜头需求上跑一批样例，确认它擅长的风格是否匹配项目调性，再决定是否投入本地算力。
- 再本地部署：有 GPU 资源、对数据不出内网有要求，或需要嵌进自有管线的团队，直接拉取权重自建推理服务。
实践上一个容易犯的错误是一上来就本地部署。视频生成的显存与时间开销都不低，先确认效果再谈部署，通常能省掉一整轮不必要的硬件投入。
常见问题（FAQ）
Q1：Wan2.2 可以商用吗？
官方以 Apache 2.0 许可开放代码与权重，这是约束较少的宽松协议。但商用前仍需确认下游模型的授权条款，以及生成内容涉及的素材、肖像、音乐等权利是否清晰。
Q2：和其他开源视频模型相比，它的特点是什么？
官方强调的差异化是”电影级视觉控制”，即对光影、色彩、构图等镜头语言的还原能力，并且在这种控制力之下同时支持文生视频、图生视频与文生图三类任务，覆盖从静态画面到动态镜头的完整链路。
Q3：没有高端显卡还能用吗？
可以先用官方在线体验入口试跑，确认效果符合预期后再评估本地部署的硬件需求。直接采购显卡往往会在效果尚未验证时产生沉没成本。
小结
Wan2.2 的价值可以概括为一句话：把”审美控制”从提示词技巧里拿了出来，放进了模型能力里。用 MoE 架构分别承接不同的去噪需求，让大幅度运动、语义遵循和镜头语言同时成立；再用 Apache 2.0 把这套能力开放到可以直接进入商业管线的程度。对内容团队来说，它是那种可以直接进生产管线的基座，而不只是又一个演示级玩具。