萬2.2 它代表了新一代輕量級但功能強大的開源 CW 視訊模型，專為具有強大時間一致性的文字轉視訊和影像轉視訊生成而設計。模型採用最佳化的架構，兼顧效率和輸出質量，即使在硬體條件有限的情況下也能提供強大的推理性能。為了充分發揮其潛力，部署前了解其顯存 (VRAM) 需求至關重要。無論您是計劃在消費級設備上進行本地推理，還是計劃在消費級設備上進行本地推理，該模型都能滿足您的需求。 GPU對於透過雲端執行個體擴展生產工作負載而言，適當的記憶體分配可確保穩定性和速度。
本指南將帶您了解您需要知道的一切：
- GPU 選擇： 從消費級信用卡到企業級信用卡 GPUs，求出運作 Wan 2.2 效率最高的方案。
- VRAM管理： 了解量化和現代運行時如何在不犧牲品質的前提下降低記憶體成本。
- 簡化訪問： 探索基於 API 的選項，讓您無需考慮硬體限制即可產生影片。
Wan 2.2：基礎知識與亮點
| 獨特之處 | 萬2.2 |
| 參數 | 14B |
| 開源 | 可以 |
| 解析度 | 1080P / 720P / 480P |
| 輸入/輸出格式 | T2V、I2V |
| 視頻長度 | 5s |
| 長寬比 | 16:9/9:16/1:1 |
| 幀速率 | 24FPS |
關鍵改進
- 基於MoE的擴散框架Wan 2.2 在其視頻擴散系統中引入了專家混合（MoE）設計。透過將不同的去噪階段委託給專門的專家網絡，該模型有效地擴展了其容量——在計算成本沒有成比例增加的情況下提高了效能。
- 增強的視覺樣式控制Wan 2.2 基於包含精細標註（涵蓋光線、構圖、對比和色調）的資料集進行訓練，能夠精準控制電影風格。這使得創作者能夠根據不同的藝術意圖，高度保真地引導視覺氛圍和美感。
- 擴展動作和場景訓練與 Wan 2.1 相比，新版本收錄的圖像數量增加了 65% 以上，影片片段數量增加了 80% 以上，從而能夠處理更廣泛的運動模式、場景結構和敘事背景。更豐富的資料涵蓋範圍使 Wan 2.2 在各種視覺環境下都具備更強的泛化能力。
Wan 2.2（T2V 和 I2V）需要多少 VRAM？
| 量化 | 顯存（約） |
| 8-位 | GB 15.4 |
| 6-位 | GB 12 |
| 5-位 | GB 10.3 |
| 4-位 | GB 8.56 |
硬件要求
1. RTX 3090：高傳真工作流程的入門選擇
儘管 RTX 3090 仍然可以處理 WAN 2.2，但其 24 GB 記憶體通常難以應對全精度 T2V 渲染。使用者通常會使用量化模型（Q6_K、Q5_K_M）並將解析度降低到 480p 左右。
性能較慢且穩定性較差，但透過分塊 VAE 解碼和 Memreduct 等優化，它仍然適用於輕量級或探索性視訊生成任務。
2. RTX 4090：性能與成本的最佳平衡點
RTX 4090（24 GB 記憶體）仍是本地玩家最青睞的高階顯示卡。它在 640×480 解析度下渲染 81 幀大約需要 7 秒/幀，縮放到 720p 解析度後大約需要 18 秒/幀，能夠實現出色的細節表現和快速的渲染效果。
它能流暢運行 Q8_0 或全精度設置，但渲染時間和能耗會隨著解析度的提高而急劇增加。對於個人創作者或小型團隊而言，4090 是兼顧速度、品質和價格的最佳選擇。
3. RTX 5090：專業級 T2V 的頂級性能&I2V
憑藉尖端的頻寬和充足的顯存，RTX 5090 在 I2V 工作流程中，720×720 解析度下每幀僅需 1 秒即可完成，提供出色的連貫性和視覺清晰度。
它能輕鬆處理全精度或輕量化模型，保持穩定的 720p 輸出，並將偽影降至最低。對於追求電影級畫質或長距離動態場景的創作者而言，5090 在易用性和卓越性能之間實現了最佳平衡。
4. H100 SXM：資料中心級速度與穩定性
H100 SXM 配備 80 GB VRAM，可提供卓越的吞吐量和記憶體空間。在社區基準測試中，它大約在 36 秒到 1 分鐘內完成 6 步 640×640 T2V 生成，同時在 720×1280 等更高解析度下也能保持穩定的性能。每次迭代運行時間為 3 到 7 秒，即使在電影級序列中也能實現更快的收斂速度和更流暢的動作。
其龐大的 VRAM 允許進行全精度推理而無需分塊或量化，使其成為對品質和可擴展性都要求很高的研究實驗室和生產流程的理想選擇。
如何優化 WAN 2.2 的記憶體使用
儘管 WAN 2.2 需要大量的顯存，但透過精心的最佳化，T2V 和 I2V 產生可以在各種硬體上實現。有效的記憶體管理涉及三個層面：模型量化、執行時間調整和工作流程層級設定。
1. 選擇正確的量化級別
量化直接決定了模型消耗多少 VRAM。
- Q8_0：提供近乎無損的畫質，但需要約 15 GB 或更多的顯存。
- Q6_K/Q5_K_M：在保真度和效率之間達到最佳平衡，可在 12-16 GB 卡上舒適運作。
- Q4_0：雖然用於測試或預覽時使用量極少，但細節和運動流暢度明顯下降。
選擇合適的量化方式可以確保在進行任何運行時調整之前保持穩定性。
2. 應用已被驗證有效的記憶體節省技術
社群用戶推薦了幾種實用的策略來減少記憶體壓力：
- Distorch 多GPU 節點透過將工作負載分配到各個節點來模擬虛擬顯存。 GPU或交換空間。
- Memreduct 定期清除未使用的系統記憶體以防止運行時崩潰。
- Tiled VAE Decode 以小塊的方式處理幀，將 VRAM 使用量減少幾 GB，而質量損失卻可以忽略不計。
這些技術可以讓 12 GB 的配置適用於中等解析度 (480p–640p) 專案。
3. 優化設定和 LoRA
功能等級的調整同樣重要：
- 禁用速度 LoRAs 等 lightx2v or 致病菌 對於 T2V，因為它們會減少視覺多樣性並消耗額外的記憶體。
- 啟用 Sage Attention，幾乎無需花費任何成本即可提高效率。
- 保持 Shift 值適中（1-8）；極端設定可能會破壞生成穩定性或浪費 VRAM。
利用 API 釋放效率與便利！
Wan 2.2 現已推出 Novita AI！登入並開啟影片生成標籤即可開始創作。您可以將輸出解析度設定為 480p 或 1080p，上傳圖片進行圖片轉視頻，或輸入提示進行文字轉視頻。勾選 模型庫頁面 有關 Wan 2.2 和其他型號的詳細資訊。
| 型號 | 長度/分辨率 | 價格（USD） |
| 萬 2.2 T2V / I2V | 5秒/480p | 每段影片 0.09 美元 |
| 萬 2.2 T2V / I2V | 5秒/720p | 每段影片 0.27 美元 |
| 萬 2.2 T2V / I2V | 5秒/1080p | 每段影片 0.40 美元 |
步驟 1：登入並存取模型庫
登入您的帳戶並點擊 模型庫 按鈕。
步驟 2：選擇您的型號
瀏覽可用的選項並選擇適合您需求的型號。
步驟 3：取得您的 API 金鑰
為了透過 API 進行身份驗證，我們將為您提供一個新的 API 金鑰。進入“設定「頁面，您可以按照圖中所示複製API金鑰。
步驟 4：安裝 API
使用特定於您的程式語言的套件管理器安裝 API。
安裝後，將必要的庫匯入到您的開發環境中。使用您的 API 金鑰初始化 API 以開始與 Novita AI LLM.
常見問題
Wan 2.2 是一款輕量級影片產生模型，能夠創建文字轉影片 (T2V) 和影像轉影片 (I2V) 影片。它提供電影級的運動效果、精確的燈光控制，並針對各種場景進行了擴展訓練。
是的。 RTX 3090 等顯示卡可以使用節省記憶體的技術（例如平鋪 VAE 解碼）以 480p 運行量化版本（例如 Q6_K 或 Q5_K_M）。
T2V 直接從文字提示生成完整視頻，而 I2V 從圖像開始並將其擴展為動態圖像，從而提供更好的連貫性和更快的渲染速度。
Novita AI 是助力您實現 AI 抱負的一體化雲端平台。整合 API、無伺服器、 GPU 實例－您需要的經濟高效的工具。消除基礎設施，免費開始，讓您的 AI 願景成為現實。
探索 Novita 的更多內容
訂閱以將最新貼文發送到您的電子郵件。
