Alibaba выпустила Wan2.2 — свежую версию открытой модели генерации видео. Самая компактная сборка способна создавать видео в 720P на одной видеокарте RTX 4090.
По заявлению компании, Wan2.2 заметно улучшает качество генерации и расширяет возможности модели по сравнению с Wan2.1. Модель распространяется по лицензии Apache 2.0 и представлена в трех версиях: T2V-A14B (текст-видео), I2V-A14B (изображение-видео) и TI2V-5B (текст и изображение-видео).
Модели A14B создают 5-секундные видео в 720P с частотой 16 кадров в секунду. Для TI2V-5B заявлен специальный формат разрешения 1280×704 или 704×1280 пикселей.
Крупнейшее обновление Wan2.2 — появление архитектуры Mixture-of-Experts (MoE) в диффузионных видео-моделях. В A14B применена система из двух экспертов, в сумме — 27 миллиардов параметров, но на один шаг генерации задействуется только 14 миллиардов.
Первый “эксперт” занимается начальными этапами удаления шума и формированием сцены. Второй “эксперт” отвечает за доработку деталей на поздних этапах.
Alibaba уточняет, что значительно увеличила тренировочный датасет: на 65,6% больше изображений и на 83,2% больше видео, чем у версии Wan2.1.
Вместе с моделями на 27B параметров, Alibaba представила компактную версию TI2V-5B. Она генерирует 5-секундное 720P-видео менее чем за 9 минут на одной RTX 4090 — сейчас это самый быстрый результат для такого качества на потребительской видеокарте.
TI2V-5B поддерживает генерацию видео как по тексту, так и по изображению в едином интерфейсе. Выходное видео — 720P, 24 кадра в секунду. Для старших моделей A14B рекомендуют GPU минимум с 80 ГБ памяти.
Модели Wan2.2 доступны через Hugging Face и ModelScope. Интеграция с ComfyUI и Diffusers уже реализована. Для прямого тестирования TI2V-5B можно воспользоваться Hugging Face Space.
