阿里萬相視頻生成大模型開源：顯存8.2GB，超越Sora不再是夢
隨著科技的飛速發(fā)展，人工智能（AI）技術(shù)正在逐步滲透到我們生活的方方面面。在這個過程中，阿里云再次引領(lǐng)潮流，將旗下視覺生成基座模型萬相2.1（Wan）向全球開發(fā)者開源。這一舉措無疑將進一步推動AI技術(shù)的發(fā)展，讓更多的人能夠享受到AI技術(shù)帶來的便利。
萬相2.1是一款強大的視頻生成模型，其開源不僅意味著廣大開發(fā)者可以免費使用和修改代碼，以適應(yīng)不同的應(yīng)用場景，同時也意味著學(xué)術(shù)界和產(chǎn)業(yè)界可以共同研究，進一步提升模型的性能。這款模型采用了最寬松的Apache2.0協(xié)議，這意味著任何組織或個人都可以使用、修改和傳播該模型，但必須在使用、修改和傳播的過程中，保留原作者的姓名和身份。
在參數(shù)規(guī)格方面，萬相2.1提供了14B和1.3B兩個選項。其中，14B規(guī)格的模型在指令遵循、復(fù)雜運動生成、物理建模、文字視頻生成等方面表現(xiàn)尤為突出。在評測集VBench中，14B版本以總分86.22%的成績超越了Sora、Luma、Pika等國內(nèi)外模型，位列榜首。這一成績無疑證明了萬相2.1的強大實力。
而1.3B版本的模型則表現(xiàn)更為驚艷。它不僅超過了更大尺寸的開源模型，甚至還接近部分閉源模型，同時能在消費級顯卡運行。這無疑是一個巨大的突破，意味著更多的開發(fā)者可以以較低的成本進行二次模型開發(fā)和學(xué)術(shù)研究。值得一提的是，該模型所需的顯存僅為8.2GB，這對于生成480P視頻來說是足夠的，這也意味著該模型在處理小型任務(wù)時同樣表現(xiàn)出色。
在算法設(shè)計上，萬相2.1基于主流的DiT架構(gòu)和線性噪聲軌跡Flow Matching范式，研發(fā)了高效的因果3D VAE、可擴展的預(yù)訓(xùn)練策略等。其中，因果3D VAE是一個高效的編碼和解碼機制，通過特征緩存機制實現(xiàn)了無限長1080P視頻的高效編解碼。這一機制不僅提升了視頻的質(zhì)量，還減少了推理時內(nèi)存占用的29%。
除此之外，萬相團隊還通過將空間降采樣壓縮提前，在不損失性能的情況下進一步減少了推理時內(nèi)存占用。這一創(chuàng)新不僅優(yōu)化了模型的性能，還降低了模型的復(fù)雜度，使其更易于部署和運行。
在實際測試中，萬相2.1在運動質(zhì)量、視覺質(zhì)量、風(fēng)格和多目標(biāo)等14個主要維度和26個子維度測試中均達到了業(yè)界領(lǐng)先表現(xiàn)，并斬獲了5項第一。這些測試結(jié)果充分證明了萬相2.1的強大實力和穩(wěn)定性。
總的來說，阿里云將萬相視頻生成大模型開源，無疑是一項具有里程碑意義的舉措。這將為全球開發(fā)者提供了一個寶貴的資源，使他們能夠更加方便地使用和改進視頻生成模型。隨著AI技術(shù)的不斷發(fā)展，我們有理由相信，萬相2.1將會在未來引發(fā)一場AI領(lǐng)域的革命，讓AI技術(shù)觸手可及。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
