China se grootste KI-offensief: Met Wan 2.2 wil Alibaba die Weste verbysteek – en maak alles oopbron – Beeld: Xpert.Digital
Dit is Alibaba se nuwe wonder KI Wan2.2: Gratis, kragtiger as die kompetisie, en beskikbaar vir almal
China se video-antwoord op OpenAI se Sora: Hierdie nuwe KI genereer video's van bioskoopgehalte – en dis gratis
Op 29 Julie 2025 het die Chinese tegnologiemaatskappy Alibaba Wan2.2 vrygestel, 'n opwindende nuwe weergawe van sy oopbron-videogenereringsmodel, wat die landskap van kunsmatige intelligensie vir videoproduksie fundamenteel verander. Hierdie innoverende tegnologie verteenwoordig die wêreld se eerste oopbron-videogenereringsmodel wat 'n Mengsel-van-Kenners (MoE) argitektuur implementeer, ontwerp vir beide professionele filmproduksie en gebruik op gereedgemaakte hardeware.
Verwant hieraan:
Tegnologiese revolusie deur MoE-argitektuur
Wan2.2 stel vir die eerste keer 'n mengsel-van-kundiges-argitektuur aan videodiffusiemodelle bekend, wat 'n beduidende tegnologiese deurbraak verteenwoordig. Hierdie innoverende argitektuur gebruik 'n dubbele kundigestelsel wat die videogenereringsproses in twee gespesialiseerde fases verdeel. Die eerste kundige fokus op die vroeë stadiums van geraasvermindering en bepaal die basiese toneeluitleg, terwyl die tweede kundige die latere stadiums hanteer en besonderhede en teksture verfyn.
Die stelsel het altesaam 27 miljard parameters, maar aktiveer slegs 14 miljard parameters per inferensiestap, wat berekeningspoging met tot 50 persent verminder sonder om kwaliteit in te boet. Hierdie toename in doeltreffendheid maak dit moontlik om hoëgehalte-video's te genereer terwyl berekeningskoste konstant gehou word en terselfdertyd die algehele modelkapasiteit uitgebrei word.
Filmestetika en filmbeheer
'n Uitstaande kenmerk van Wan2.2 is die filmiese estetiese beheerstelsel, wat gebruikers toelaat om presiese beheer oor verskeie visuele dimensies uit te oefen. Die model is opgelei op sorgvuldig saamgestelde estetiese data, insluitend gedetailleerde etikette vir beligting, komposisie, kontras, kleur, kamerahoek, beeldgrootte, brandpuntsafstand en ander filmiese parameters.
Hierdie funksionaliteit is gebaseer op 'n filmies-geïnspireerde aanwysingsstelsel wat sleuteldimensies soos beligting, illuminasie, komposisie en kleur kategoriseer. Dit stel Wan2.2 in staat om die gebruiker se estetiese bedoelings presies te interpreteer en te implementeer tydens die genereringsproses, wat die skep van video's met aanpasbare filmvoorkeure moontlik maak.
Gevorderde opleidingsdata en komplekse bewegingsgenerering
In vergelyking met sy voorganger, Wan2.1, is die opleidingsdatastel aansienlik uitgebrei: 65,6 persent meer beelddata en 83,2 persent meer videodata. Hierdie massiewe data-uitbreiding verbeter die model se veralgemeningsvermoëns aansienlik en verhoog kreatiewe diversiteit oor verskeie dimensies soos beweging, semantiek en estetika.
Die model toon beduidende verbeterings in die generering van komplekse bewegings, insluitend lewensgetroue gesigsuitdrukkings, dinamiese handgebare en ingewikkelde atletiese bewegings. Daarbenewens lewer dit realistiese weergawes met verbeterde gehoorsaamheid aan bevele en nakoming van fisiese wette, wat lei tot meer natuurlike en oortuigende videosekwense.
Doeltreffende hardewarebenutting en toeganklikheid
Wan2.2 bied drie verskillende modelvariante wat verskillende vereistes en hardewarekonfigurasies dek:
- Wan2.2-T2V-A14B: 'n Teks-na-video-model met 27 miljard parameters (14 miljard aktief) wat video's teen 720p-resolusie en 16fps genereer.
- Wan2.2-I2V-A14B: 'n Beeld-na-video-model met dieselfde argitektuur vir die omskakeling van statiese beelde na video's.
- Wan2.2-TI2V-5B: 'n Kompakte 5 miljard parametermodel wat beide teks-na-video en beeld-na-video funksies in 'n verenigde raamwerk kombineer.
Die kompakte TI2V-5B-model verteenwoordig 'n beduidende deurbraak, aangesien dit 5-sekonde 720p-video's in minder as 9 minute op 'n enkele verbruikers-GPU soos die RTX 4090 kan genereer. Hierdie spoed maak dit een van die vinnigste 720p@24fps-modelle beskikbaar, wat beide industriële toepassings en akademiese navorsing in staat stel om voordeel te trek uit die tegnologie.
Gevorderde VAE-argitektuur vir geoptimaliseerde kompressie
Die TI2V-5B-model is gebaseer op 'n hoogs doeltreffende 3D VAE-argitektuur met 'n kompressieverhouding van 4×16×16, wat die algehele inligtingkompressieverhouding tot 64 verhoog. Met 'n bykomende laplaag bereik die algehele kompressieverhouding van die TI2V-5B selfs 4×32×32, wat hoëgehalte-videorekonstruksie met minimale stoorvereistes verseker.
Hierdie gevorderde kompressietegnologie stel die model in staat om beide teks-na-video en beeld-na-video take in 'n enkele, verenigde raamwerk te ondersteun, wat beide akademiese navorsing en praktiese toepassings dek.
Maatstafprestasie en markposisie
Wan2.2 is getoets teen toonaangewende kommersiële KI-videogenereringsmodelle, insluitend Sora, KLING 2.0 en Hailuo 02, met behulp van die nuwe Wan-Bench 2.0-evalueringspakket. Die resultate toon dat Wan2.2 topgehalte-prestasie in die meeste kategorieë behaal en sy hoëvlak-mededingers oortref.
In direkte ranglysvergelykings het Wan2.2-T2V-A14B die eerste plek in vier van die ses sleutelmaatstafdimensies behaal, insluitend die kritieke areas van estetiese kwaliteit en bewegingsdinamika. Hierdie prestasie vestig Wan2.2 as die nuwe oopbronmarkleier in hoëresolusie-videogenerering.
Oopbron-beskikbaarheid en -integrasie
Wan2.2 is beskikbaar as volledig oopbronsagteware onder die Apache 2.0-lisensie en kan afgelaai word vanaf Hugging Face, GitHub en ModelScope. Die modelle is reeds geïntegreer in gewilde raamwerke soos ComfyUI en Diffusers, wat naatlose gebruik in bestaande werkvloeie moontlik maak.
Die TI2V-5B-model beskik oor 'n gereed-vir-gebruik-Hugging Face Space, wat gebruikers toelaat om die tegnologie onmiddellik te probeer sonder komplekse installasies. Hierdie toeganklikheid demokratiseer toegang tot die nuutste videogenereringstegnologie en bevorder innovasie regoor die ontwikkelaarsgemeenskap.
China se strategiese KI-offensief
Die vrystelling van Wan2.2 is deel van 'n breër Chinese oopbron-KI-strategie wat reeds internasionale aandag getrek het met modelle soos DeepSeek. Hierdie strategie stem ooreen met China se amptelike digitaliseringsplan, wat oopbron-samewerking as 'n nasionale hulpbron sedert 2018 bevorder en massiewe regeringsbelegging in KI-infrastruktuur in die vooruitsig stel.
Alibaba het reeds meer as 5,4 miljoen aflaaie van sy WAN-modelle op Hugging Face en ModelScope aangeteken, wat die sterk internasionale vraag na Chinese oopbron-KI-oplossings onderstreep. Die maatskappy beplan verdere beleggings van ongeveer $52 miljard in wolkrekenaars en KI-infrastruktuur om sy posisie in hierdie vinnig groeiende mark te verstewig.
Verwant hieraan:
Wan2.2 bring 'n deurbraak in KI-video's: Oopbron op 'n professionele vlak
Wan2.2 verteenwoordig 'n keerpunt in KI-videogenerering en bied die eerste oopbron-alternatief vir betaalde, eie modelle wat met kommersiële oplossings kan meeding. Die kombinasie van filmkwaliteit, doeltreffende hardewarebenutting en volledige oopbron-beskikbaarheid posisioneer die model as 'n aantreklike alternatief vir inhoudskeppers, filmmakers en ontwikkelaars wêreldwyd.
Die vrystelling sal waarskynlik mededinging op die gebied van KI-aangedrewe videogenerering verskerp en kan ander maatskappye aanmoedig om soortgelyke oopbronstrategieë na te streef. Met sy vermoë om op verbruikershardeware te werk en professionele resultate te lewer, het Wan2.2 die potensiaal om videoproduksie te demokratiseer en nuwe kreatiewe moontlikhede te ontsluit.
Deur gevorderde tegnologie met 'n oop ontwikkelingsfilosofie te kombineer, stel Alibaba nuwe standaarde in KI-videogenerering met Wan2.2 en vestig China as 'n toonaangewende krag in globale KI-innovasie. Die verreikende implikasies van hierdie ontwikkeling sal die manier waarop video's geskep en vervaardig word in die komende jare fundamenteel verander.
Verwant hieraan:
Jou KI-transformasie-, KI-integrasie- en KI-platformbedryfkenner
☑️ Ons besigheidstaal is Engels of Duits
☑️ NUUT: Korrespondensie in jou moedertaal!
Konrad Wolfenstein
Ek en my span is bly om as jou persoonlike adviseur vir jou beskikbaar te wees.
Jy kan my kontak deur die kontakvorm hier in te vul wolfenstein@xpert.digital:of my eenvoudig te skakel by +49 7348 4088 965. My e-posadres is
Ek sien uit na ons gesamentlike projek.