📽️ 通义万相(Wan)技术报告发布！

【技术亮点速览】：
🚀 可扩展训练范式
🔹多阶段递进训练：从192P图像预训练到720P视频的多阶段递进训练，结合Flow Matching框架，实现14B参数模型的高效稳定收敛。
🔹分布式训练加速：经过详细的负载分析，结合DP、CP、FSDP多种分布式策略，并在不同模块间采用分布式策略切换，能够高效训练长达百万Tokens的模型。

⚡️ 极致效率优化
🔹视频变分自编码器 ：提出新型的基于Cache的3D因果Wan-VAE架构，能够编解码无限时长1080P视频，并且重构速度提升2.5倍，重构质量也取得头部的效果。
🔹轻量1.3B模型：仅需8.19GB显存，消费级GPU（如RTX 4090）可在4分钟左右生成5s视频，且性能超越更大规模开源模型。
🔹推理加速技术：融合CP、扩散缓存（Diffusion Cache）与FP8量化，14B模型推理速度提升1.6倍。

🚀 规模化数据构建
🔹数据策略：构建O(1)B级图像和视频数据，通过OCR检测、美学评分、运动质量分级等多步清洗流程，筛选高质量数据。
🔹双语视觉文字生成：首创支持中英文视频内嵌文字，通过合成数据与多模态语言模型联合优化，生成准确字形与自然场景融合。

🚀 开源生态构建
🔹下游任务全覆盖：支持图生视频、指令视频编辑、人像定制、实时生成等多达8类生成任务，能够满足多种创造场景的需求。
🔹多模型尺寸和多分辨率：同时开源1.3B和14B模型，可以支持480P和720P的视频生成，能够满足不同计算资源条件下推理需求。
🔹开源生态：完整公开模型、代码及训练策略，支持社区二次开发。在VBench等基准测试中，Wan 14B以86.22总分超越Sora等商业模型，引领开源视频生成技术革新！

🗒️技术报告全文👉：http://t.cn/A6B3iV3E
#通义万相# #通义#