Kína legnagyobb mesterséges intelligencia offenzívája: A Wan 2.2-vel az Alibaba célja, hogy megelőzze a Nyugatot – és mindent nyílt forráskódúvá tesz – Kép: Xpert.Digital
Ez az Alibaba új csodája, a Wan2.2 mesterséges intelligencia: ingyenes, erősebb a versenytársaknál, és mindenki számára elérhető
Kína videós válasza az OpenAI Sora projektjére: Ez az új mesterséges intelligencia moziminőségű videókat generál – ráadásul ingyenes
2025. július 29-én a kínai Alibaba technológiai vállalat kiadta a Wan2.2-t, a nyílt forráskódú videógeneráló modelljének izgalmas új verzióját, amely alapvetően megváltoztatja a mesterséges intelligencia használatát a videógyártásban. Ez az innovatív technológia a világ első nyílt forráskódú videógeneráló modellje, amely szakértők keverékét (MoE) alkalmazza, és amelyet professzionális filmgyártáshoz és hagyományos hardvereken való használatra egyaránt terveztek.
Ehhez kapcsolódóan:
Technológiai forradalom az Oktatási Minisztérium architektúráján keresztül
A Wan2.2 elsőként vezet be szakértők keverékén alapuló architektúrát a videodiffúziós modellekbe, ami jelentős technológiai áttörést jelent. Ez az innovatív architektúra egy kettős szakértői rendszert alkalmaz, amely a videogenerálási folyamatot két specializált fázisra osztja. Az első szakértő a zajcsökkentés korai szakaszaira összpontosít, és meghatározza az alapvető jelenetelrendezést, míg a második szakértő a későbbi szakaszokkal foglalkozik, finomítva a részleteket és a textúrákat.
A rendszer összesen 27 milliárd paraméterrel rendelkezik, de következtetési lépésenként csak 14 milliárd paramétert aktivál, így akár 50 százalékkal is csökkentheti a számítási erőfeszítést a minőség feláldozása nélkül. Ez a hatékonyságnövekedés lehetővé teszi kiváló minőségű videók létrehozását, miközben a számítási költségek állandóak maradnak, és egyidejűleg bővítik a modell teljes kapacitását.
Filmesztétika és filmes kontroll
A Wan2.2 egyik kiemelkedő tulajdonsága a filmes esztétikai vezérlőrendszere, amely lehetővé teszi a felhasználók számára, hogy precízen szabályozzák a különböző vizuális dimenziókat. A modellt gondosan válogatott esztétikai adatokon képezték ki, beleértve a megvilágítás, kompozíció, kontraszt, színárnyalat, kameraszög, képméret, fókusztávolság és egyéb filmes paraméterek részletes címkéit.
Ez a funkcionalitás egy filmes ihletésű promptrendszeren alapul, amely kategorizálja a kulcsfontosságú dimenziókat, mint például a világítás, a megvilágítás, a kompozíció és a szín. Ez lehetővé teszi a Wan2.2 számára, hogy pontosan értelmezze és megvalósítsa a felhasználó esztétikai szándékait a generálási folyamat során, lehetővé téve testreszabható filmes beállításokkal rendelkező videók létrehozását.
Speciális képzési adatok és komplex mozgásgenerálás
Az előd Wan2.1-hez képest a betanító adatkészlet jelentősen kibővült: 65,6 százalékkal több képadat és 83,2 százalékkal több videóadat. Ez a hatalmas adatbővítés jelentősen javítja a modell általánosítási képességeit, és növeli a kreatív sokszínűséget több dimenzióban, például a mozgás, a szemantika és az esztétika terén.
A modell jelentős fejlesztéseket mutat az összetett mozgások generálásában, beleértve az élethű arckifejezéseket, a dinamikus kézmozdulatokat és a bonyolult atlétikai mozdulatokat. Ezenkívül realisztikus rendereléseket biztosít, jobb parancsengedelmességgel és a fizikai törvények betartásával, ami természetesebb és meggyőzőbb videoszekvenciákat eredményez.
Hatékony hardverkihasználás és hozzáférhetőség
A Wan2.2 három különböző modellváltozatot kínál, amelyek különböző követelményeket és hardverkonfigurációkat fednek le:
- Wan2.2-T2V-A14B: Egy szövegből videót feldolgozó modell 27 milliárd paraméterrel (ebből 14 milliárd aktív), amely 720p felbontású és 16 képkocka/másodperc sebességű videókat generál.
- Wan2.2-I2V-A14B: Egy képből videóba konvertáló modell, amely ugyanazzal az architektúrával rendelkezik a statikus képek videókká konvertálásához.
- Wan2.2-TI2V-5B: Egy kompakt, 5 milliárd paraméteres modell, amely egységes keretrendszerben ötvözi a szövegből videóba és a képből videóba konvertáló funkciókat.
A kompakt TI2V-5B modell jelentős áttörést jelent, mivel egyetlen fogyasztói GPU-n, például az RTX 4090-en kevesebb mint 9 perc alatt képes 5 másodperces 720p videókat generálni. Ez a sebesség teszi az egyik leggyorsabb 720p@24fps modellé, amely elérhető, lehetővé téve mind az ipari alkalmazások, mind az akadémiai kutatások számára, hogy profitáljanak a technológiából.
Fejlett UAE architektúra az optimalizált tömörítés érdekében
A TI2V-5B modell egy rendkívül hatékony 3D VAE architektúrán alapul, 4×16×16 tömörítési aránnyal, ami az összesített információ-tömörítési arányt 64-re növeli. Egy további foltozó réteggel a TI2V-5B teljes tömörítési aránya eléri a 4×32×32-t, biztosítva a kiváló minőségű videorekonstrukciót minimális tárhelyigénnyel.
Ez a fejlett tömörítési technológia lehetővé teszi, hogy a modell natívan támogassa mind a szövegből videóba, mind a képből videóba konvertálási feladatokat egyetlen, egységes keretrendszerben, amely lefedi mind az akadémiai kutatást, mind a gyakorlati alkalmazásokat.
Benchmark teljesítmény és piaci pozíció
A Wan2.2-t a vezető kereskedelmi AI videógeneráló modellekkel, köztük a Sorával, a KLING 2.0-val és a Hailuo 02-vel tesztelték az új Wan-Bench 2.0 értékelőcsomag segítségével. Az eredmények azt mutatják, hogy a Wan2.2 a legtöbb kategóriában élvonalbeli teljesítményt nyújt, és felülmúlja magas szintű versenytársait.
A közvetlen rangsorolási összehasonlításokban a Wan2.2-T2V-A14B a hat kulcsfontosságú benchmark dimenzió közül négyben első helyezést ért el, beleértve az esztétikai minőség és a mozgásdinamika kritikus területeit is. Ez az eredmény a Wan2.2-t a nagy felbontású videógenerálás új, nyílt forráskódú piacvezetőjévé teszi.
Nyílt forráskódú elérhetőség és integráció
A Wan2.2 teljesen nyílt forráskódú szoftverként érhető el az Apache 2.0 licenc alatt, és letölthető a Hugging Face, a GitHub és a ModelScope webhelyeiről. A modellek már integrálva vannak olyan népszerű keretrendszerekbe, mint a ComfyUI és a Diffusers, lehetővé téve a zökkenőmentes használatot a meglévő munkafolyamatokban.
A TI2V-5B modell használatra kész Hugging Face Space technológiával rendelkezik, amely lehetővé teszi a felhasználók számára, hogy azonnal kipróbálják a technológiát bonyolult telepítések nélkül. Ez az akadálymentesítés demokratizálja a legmodernebb videógeneráló technológiához való hozzáférést, és elősegíti az innovációt a fejlesztői közösségben.
Kína stratégiai mesterséges intelligencia offenzívája
A Wan2.2 megjelenése egy szélesebb körű kínai nyílt forráskódú mesterséges intelligencia stratégia része, amely már nemzetközi figyelmet kapott olyan modellekkel, mint a DeepSeek. Ez a stratégia összhangban van Kína hivatalos digitalizációs tervével, amely 2018 óta nemzeti erőforrásként támogatja a nyílt forráskódú együttműködést, és hatalmas kormányzati beruházásokat irányoz elő a mesterséges intelligencia infrastruktúrájába.
Az Alibaba már több mint 5,4 millió letöltést regisztrált a Hugging Face és a ModelScope platformokon található wan-modelljeire, ami jól mutatja a kínai nyílt forráskódú mesterséges intelligencia megoldások iránti erős nemzetközi keresletet. A vállalat további, körülbelül 52 milliárd dolláros beruházást tervez a felhőalapú számítástechnikába és a mesterséges intelligencia infrastruktúrájába, hogy megszilárdítsa pozícióját ezen a gyorsan növekvő piacon.
Ehhez kapcsolódóan:
- B2B beszerzés: ellátási láncok, kereskedelem, piacterek és mesterséges intelligencia alapú beszerzés
A Wan2.2 áttörést hoz a mesterséges intelligencia által készített videók terén: nyílt forráskód professzionális szinten
A Wan2.2 fordulópontot jelent a mesterséges intelligencia alapú videógenerálásban, mivel az első olyan nyílt forráskódú alternatívát kínál a fizetős, zártkörű modellekhez képest, amely versenyképes a kereskedelmi megoldásokkal. A filmes minőség, a hatékony hardverkihasználás és a teljes nyílt forráskódú elérhetőség kombinációja vonzó alternatívává teszi a modellt a tartalomkészítők, filmesek és fejlesztők számára világszerte.
A kiadás valószínűleg fokozni fogja a versenyt a mesterséges intelligencia által vezérelt videógenerálás területén, és arra ösztönözhet más vállalatokat, hogy hasonló nyílt forráskódú stratégiákat kövessenek. A Wan2.2, mivel képes fogyasztói hardvereken futni és professzionális eredményeket produkálni, demokratizálhatja a videógyártást és új kreatív lehetőségeket nyithat meg.
A fejlett technológia és a nyílt fejlesztési filozófia ötvözésével az Alibaba új mércét állít fel a mesterséges intelligencia alapú videók generálásában a Wan2.2-vel, és Kínát a globális mesterséges intelligencia innováció vezető erejévé teszi. Ennek a fejlesztésnek a messzemenő következményei alapvetően megváltoztatják majd a videók létrehozásának és gyártásának módját az elkövetkező években.
Ehhez kapcsolódóan:
Az Ön mesterséges intelligencia-átalakítási, mesterséges intelligencia-integrációs és mesterséges intelligencia-platform iparági szakértője
☑️ Üzleti nyelvünk az angol vagy a német
☑️ ÚJ: Levelezés az anyanyelveden!
Konrad Wolfenstein
Én és a csapatom örömmel állunk rendelkezésére személyes tanácsadóként.
Kapcsolatba léphetsz velem a kapcsolatfelvételi űrlap kitöltésével itt wolfenstein@xpert.digital:, vagy egyszerűen hívj a +49 7348 4088 965 telefonszámon. Az e-mail címem
Alig várom a közös projektünket.