阿里巴巴近日宣佈，其最新首尾幀生成視頻模型Wan2.1-FLF2V-14B正式開源，支持生成5秒720p高清視頻。這一模型以其創新的首尾幀控制技術引發廣泛關注，爲AI視頻生成領域帶來全新可能性。據AIbase瞭解，該模型已於2025年2月在GitHub和Hugging Face平臺上線，供全球開發者、研究者和商業機構免費使用，標誌着阿里巴巴在開源AI生態建設中的又一重要里程碑。

image.png

核心功能:首尾幀驅動，生成流暢高清視頻

Wan2.1-FLF2V-14B以首幀和尾幀作爲控制條件，僅需用戶提供兩張圖像，模型即可自動生成一段5秒、720p分辨率的視頻。AIbase觀察到，生成視頻在運動流暢度和首尾幀過渡上表現優異，畫面細節高度還原參考圖像，整體內容一致性顯著提升。相比傳統視頻生成模型，該模型通過精準的條件控制，解決了長序列視頻生成中常見的畫面抖動與內容漂移問題，爲高質量視頻創作提供了高效解決方案。

技術亮點:CLIP與DiT融合增強生成穩定性

據AIbase分析，Wan2.1-FLF2V-14B採用先進的首尾幀條件控制技術，核心在於以下創新:  

CLIP語義特徵提取:通過CLIP模型提取首尾幀的語義信息，確保生成視頻在視覺內容上與輸入圖像高度一致。  

交叉注意力機制:將首尾幀特徵注入到Diffusion Transformer（DiT）的生成過程，增強畫面穩定性和時間序列的連貫性。  

數據驅動訓練:模型基於1.5億視頻和10億圖像的龐大數據集進行訓練，支持生成符合真實物理規律的動態內容。  

這些技術結合使Wan2.1-FLF2V-14B在生成複雜運動場景時表現出色，尤其適合需要高保真過渡的創意應用場景。

廣泛應用:賦能內容創作與研究

Wan2.1-FLF2V-14B的開源發佈爲多個領域帶來了廣闊的應用前景。AIbase梳理了其主要應用場景:  

影視與廣告:快速生成高質量過渡視頻，降低後期製作成本。  

遊戲開發:爲遊戲場景生成動態過場動畫，提升開發效率。  

教育與科研:支持研究人員探索視頻生成技術，開發新型AI應用。  

個性化創作:普通用戶可通過簡單輸入生成個性化短視頻，豐富社交媒體內容。

值得一提的是，模型支持中文提示詞生成，尤其在處理中文場景時效果更佳，展現了其對多語言環境的適配能力。

上手門檻:適配消費級硬件

Wan2.1-FLF2V-14B在硬件需求上展現了較高的普適性。AIbase瞭解到，儘管其14億參數的規模較爲龐大，但通過優化，模型可在配備RTX4090等消費級GPU的設備上運行，顯存需求低至8.19GB。生成一段5秒480p視頻僅需約4分鐘，而720p視頻的生成時間也保持在合理範圍內。此外，模型提供詳細的部署指南，用戶可通過以下命令快速啓動:  

python

python generate.py --task flf2v-14B --size1280*720--ckpt_dir ./Wan2.1-FLF2V-14B --first_frame examples/first.jpg --last_frame examples/last.jpg --prompt "A smooth transition from a sunny beach to a starry night"

開源社區還提供了Gradio-based web UI，進一步降低了非技術用戶的上手難度。

社區反響與未來展望

自發布以來，Wan2.1-FLF2V-14B在開源社區引發熱烈反響。開發者對其生成質量、硬件友好性及開源策略給予高度評價。AIbase注意到，社區已開始圍繞模型展開二次開發，探索更復雜的視頻編輯功能，如動態字幕生成與多語言配音。未來，阿里巴巴計劃進一步優化模型，支持更高分辨率（如8K）與更長時長的視頻生成，同時擴展其在視頻到音頻(V2A)等領域的應用。

項目地址：https://github.com/Wan-Video/Wan2.1