通义万相不久前发布的Wan2.1视频模型作为生成领域的一项突破性成果，正以令人瞩目的姿态走入大众视野。凭借其卓越的技术表现和广泛的应用潜力，这款模型迅速赢得了业界的高度关注。无论是画面细节的精致呈现，还是动态效果的自然流畅，Wan2.1都展现出了非凡的实力。在Wan2.1文生视频大模型的助力下，通义万相也同期发布了图生视频模型和1.3B参数的小型化模型。这一系列更新，不仅丰富了内容创作的工具库，也为不同场景的应用提供了更灵活的选择。截止目前，Wan2.1 github star 超1w，全网下载数超过220w。
今天，万相再次发布一个令人兴奋的更新——首尾帧生视频模型正式开源！用户只需提供首帧和尾帧，模型便能自动生成丝滑流畅的过渡效果，让画面在起始与终点之间自然演变。基于Wan2.1文生视频14B大模型，万相提供的首尾帧模型支持生成时长5s的720p高清视频，为创作者们带来了更高效、更灵活的视频制作方式。
开源链接：
github：https://github.com/Wan-Video/Wan2.1
modelscope：https://www.modelscope.cn/models/Wan-AI/Wan2.1-FLF2V-14B-720P
首尾帧模型效果
万相首尾帧模型能够完美复刻输入图像的细节，而且生成的视频具有非常生动真实的动作
编辑
提示词：“写实风格，脸部特写，一个红发碧眼的小女孩，镜头微微左移，记录她被阴影遮住的侧脸。”
https://live.csdn.net/v/475085
编辑
提示词：“写实风格，一只剑齿虎在森林中移动，它看向镜头后转身离开。”
https://live.csdn.net/v/475086
在输入内容跨度比较大的情况下，万相首尾帧也能实现丝滑的画面过渡。
编辑
提示词：“二次元风格，一艘巨大的宇宙飞船向从左向右移动，飞船上的蓝色灯光逐渐熄灭，镜头下方的人物走向飞船。”https://live.csdn.net/v/475087
编辑
提示词：“写实风格，海底世界，一名潜水员向前游动，直到水与火的交界处，镜头紧紧跟随他的背影。”
https://live.csdn.net/v/475088
在一些具有创意性的测试用例上，万相首尾帧模型也能完美胜任
编辑
https://live.csdn.net/v/475089
提示词：“黑暗的环境，一群人站成一列，背对镜头，站在一束光前，镜头上移，俯拍出光源全貌。”
万相首尾帧对提示词的遵循上也有着出色的表现
编辑
提示词：“卡通风格，一个打着红色雨伞的蓝色卡通人物站在雨中。它的眼神充满忧郁”
https://live.csdn.net/v/475090
在一些特效变换上，万相首尾帧能跟实现炫酷的过渡效果
编辑
提示词：“奇幻风格，一个蓝色的漩涡，镜头逐渐拉远，漩涡逐渐变成一朵蓝色的莲花。”
https://live.csdn.net/v/475091
模型架构
万相发布的Wan2.1系列模型，采用了先进的DiT架构，在技术上实现了多项突破。其中，高效的视频压缩VAE模型显著降低了运算成本，让高清视频生成更加高效且经济。同时，模型的Transformer部分基于主流的视频DiT结构，通过Full Attention机制精准捕捉长时程的时空依赖关系，确保了生成视频在时间与空间上的高度一致性。
编辑
万相模型结构图
本次发布的首尾帧模型在基础架构模型上，引入了额外的条件控制分支，用户输入的首帧和尾帧作为控制条件，通过这一分支实现了流畅且精准的首尾帧变换。具体而言，首帧与尾帧同若干零填充的中间帧拼接，构成控制视频序列。该序列进一步与噪声及掩码（mask）进行拼接，最终作为扩散变换模型（DiT）的输入。此外，为实现画面稳定性控制，万相首尾帧模型提取了首帧和尾帧的CLIP语义特征，并通过交叉注意力机制（Cross-Attention Mechanism）将其注入到DiT的生成过程中。
编辑
万相首尾帧模型架构图
训练以及推理优化
万相首尾帧模型仍然采用了基于线性噪声轨迹的流匹配（Flow Matching）方法。在训练阶段，对于文本与视频编码模块，我们采用了数据并行（DP）与完全分片数据并行（FSDP）相结合的分布式策略；而对于扩散变换模型（DiT）模块，我们则运用了数据并行（DP）、完全分片数据并行（FSDP）、环形注意力机制（RingAttention）以及Ulysses混合的并行策略。这些并行策略使得模型能够支持分辨率为720p、时长为5秒的视频切片训练。
在推理阶段，为了在有限内存资源的条件下支持高清视频推理，万相首尾帧模型分别采用了模型切分策略以及序列并行策略。此外，万相首尾帧模型采用了效果无损的步骤间缓存和CFG cache方法，以及在部分层（如qkvo投影层和前馈网络FFN）中使用FP8 GEMM运算，同时实现了FlashAttention3 INT8与FP8混合算子以对注意力机制部分进行8比特量化。在确保推理效果无损的前提下，这些优化措施显著缩短了推理时间。
数据
万相首尾帧模型的训练过程分为三个阶段。第一阶段在训练过程中采用了与基模型相同的数据集，并在480p分辨率下对图生视频、任意位置插帧、视频续写以及首尾帧模型进行了混合训练。该阶段使模型学习到了有效的掩码（mask）机制。第二阶段构建了专门用于首尾帧模式的训练数据，筛选出首帧与尾帧内容差异较大的视频片段。在这一阶段，训练继续在480p分辨率下进行，且仅专注于首尾帧模型的训练。在第三阶段中，采用了高质量的专为首尾帧训练构建的数据集，并且在720p分辨率下进行训练。
使用DiffSynth-Studio进行模型推理
魔搭社区的DiffSynth-Studio项目是社区针对AIGC模型生态，提供的全链路的推理和训练优化的开源工具（https://github.com/modelscope/DiffSynth-Studio）。我们在第一时间也支持了Wan2.1首尾帧模型，开发者可以基于 DiffSynth-Studio 实现方便的推理。
首先，下载并安装 DiffSynth-Studio：
git clone https://github.com/modelscope/DiffSynth-Studio.git cd DiffSynth-Studio pip install -e .
运行推理代码，模型会自动下载，输入参数可直接在代码中修改：
python examples/wanvideo/wan_14B_flf2v.py
同时DiffSynth-Studio还支持对于模型显存的精准控制。可以让模型推理在显存较小的GPU上也能跑起来。具体而言，在代码中，我们提供了num_persistent_param_in_dit参数，来控制推理过程中常驻显存的参数量。该数值越大，则常驻参数越多，显存需求越大，同时推理速度也越快。当该参数为None 时，则表示无限制。对于显存较少的 GPU，可以将num_persistent_param_in_dit从默认的None，修改为较小的数值。
实际推理过程使用的显存需求，会与num_persistent_param_in_dit、分辨率、帧数有关。以 81 帧 960 * 960 分辨率的视频为例，
- 设置
num_persistent_param_in_dit=None时需要46G显存 - 设置
num_persistent_param_in_dit=4*10**9时需要24G显存，但推理速度会有所下降。
