Wan2.1-FLF2V-14B-720P

# Wan2.1 模型卡片

Model use case

Wan2.1是一个大规模视频生成开源模型套件，基于主流扩散变换器（Diffusion Transformer）架构开发。该模型支持多种生成任务，包括文本到视频（Text-to-Video）、图像到视频（Image-to-Video）、视频编辑（Video Editing）、文本到图像（Text-to-Image）以及视频到音频（Video-to-Audio）生成。Wan2.1是首个能够同时生成中文和英文文字的视频模型，在视觉文字生成方面具有显著优势。

## 主要能力

Wan2.1在多个基准测试中表现优异，性能优于现有开源模型和主流闭源商业方案。该模型支持消费级GPU运行：T2V-1.3B模型仅需8.19GB显存，在RTX 4090上约4分钟可生成5秒480P视频（未使用量化等优化技术），其性能甚至可与部分闭源模型相媲美。

Wan2.1采用自研的Wan-VAE技术，这是一种新型3D因果VAE架构，能够编码和解码任意长度的1080P视频，同时保留时间信息，在性能和效率方面具有显著优势。

## 输入输出

• *输入格式：**

• 文本提示（支持多语言）
• 图像（用于图生视频或首帧-尾帧到视频任务）
• 首帧和尾帧图像（用于首尾帧到视频任务）

• *输出格式：**

• 视频文件（480P或720P分辨率）
• 图像文件

• *支持的模型版本：**

| 任务 | 分辨率 | 模型 |

|------|--------|------|

| t2v-14B | 480P/720P | Wan2.1-T2V-14B |

| t2v-1.3B | 480P | Wan2.1-T2V-1.3B |

| i2v-14B | 480P/720P | Wan2.1-I2V-14B |

| flf2v-14B | 720P | Wan2.1-FLF2V-14B |

运行要求

• *显存要求：**

• T2V-1.3B模型：约8.19GB显存
• 14B模型：需要更高显存配置

• *GPU兼容性：**

• 支持几乎所有消费级GPU
• 推荐使用NVIDIA RTX 4090

• *分辨率说明：**

• 1.3B模型虽支持720P生成，但由于该分辨率训练数据有限，结果通常不如480P稳定，建议优先使用480P
• 首尾帧到视频任务目前仅支持720P

基本用法

• *推理方式：**

• 单GPU推理
• 多GPU推理（使用FSDP + xDiT USP加速）
• 支持提示词扩展（可使用Dashscope API或本地Qwen模型）

• *使用渠道：**

• 命令行推理
• Diffusers集成
• ComfyUI集成
• Gradio演示界面

• *提示词扩展建议：**

• 文本到视频任务推荐使用qwen-plus模型
• 图像到视频任务推荐使用qwen-vl-max模型
• 首尾帧到视频任务建议使用中文提示词以获得更优效果

限制

• 1.3B模型在720P分辨率下训练数据有限，生成结果稳定性不及480P，建议优先使用480P
• 首尾帧到视频模型主要基于中文文本-视频对训练，使用中文提示词效果更佳
• 14B模型推理速度较慢于I2V-14B，因为前者采样50步而后者仅需40步

许可证

本仓库中的模型采用Apache 2.0许可证授权。模型生成的内容版权归属用户，开发者不对用户生成的内容主张任何权利。用户可自由使用这些模型，但必须遵守许可证条款。用户需对模型的使用行为承担完全责任，不得使用模型生成违反适用法律、伤害个人或群体、传播用于伤害的个人信息、散布虚假信息或针对弱势群体的内容。