Wan 2.2 代表新一代輕量卻強大的開源影片模型，專為文字生成影片（T2V）與圖片生成影片（I2V）設計，具備優異的時間一致性。其優化的架構在效率與輸出品質間取得平衡，即使在有限的硬體條件下也能提供強勁的推論效能。要發揮其完整潛力，部署前理解其 VRAM 需求至關重要。無論你是要在消費級 GPU 上進行本地推論，還是透過雲端實例擴展生產工作負載，正確的記憶體配置都能確保穩定與速度。
本指南將帶你了解所有必要資訊：
- GPU 選擇：從消費級顯卡到企業級 GPU，找到能最有效率運行 Wan 2.2 的選項。
- VRAM 管理：學習如何透過量化和現代執行階段降低記憶體成本，同時不犧牲品質。
- 簡化存取方式：探索基於 API 的選項，讓你能生成影片，無需處理硬體限制。
Wan 2.2：基礎與亮點
| 功能 | Wan 2.2 |
| 參數量 | 14B |
| 開源 | 是 |
| 解析度 | 1080P/720P/480P |
| 輸入/輸出格式 | T2V、I2V |
| 影片長度 | 5 秒 |
| 畫面比例 | 16:9/9:16/1:1 |
| 幀率 | 24FPS |
關鍵改進
- MoE 驅動的擴散框架：Wan 2.2 將混合專家（MoE）設計引入影片擴散系統，透過將不同的去噪階段分配給專屬的專家網路，高效擴展模型容量——在運算成本沒有比例上升的情況下提升效能。
- 強化視覺風格控制：模型在包含細粒度光影、構圖、對比度、色調標註的資料集上訓練，Wan 2.2 能精準控制電影級風格，讓創作者能高保真地實現不同藝術意圖的視覺氛圍與美學。
- 擴充動態與場景訓練：相比 Wan 2.1，新版本加入了超過 65% 的圖片與 80% 的影片片段，接觸到更廣泛的動態模式、場景結構與敘事上下文，豐富的資料覆蓋讓 Wan 2.2 在多樣化的視覺場景中都有更好的泛化能力。
Wan 2.2（T2V & I2V）需要多少 VRAM？
| 量化 | VRAM（約略值） |
| 8-bit | 15.4 GB |
| 6-bit | 12 GB |
| 5-bit | 10.3 GB |
| 4-bit | 8.56 GB |
硬體需求
1. RTX 3090：高保真工作流程的入門選擇
雖然 RTX 3090 仍能運行 Wan 2.2，但其 24GB VRAM 在運行全精度 T2V 時往往捉襟見肘。使用者通常會依賴量化模型（Q6_K、Q5_K_M）與 480p 左右的降低解析度設定。 效能較慢且穩定性較低，但透過 tiled VAE Decode、Memreduct 等優化手段，仍能勝任輕量或探索性的影片生成任務。
2. RTX 4090：效能與成本的最佳平衡點
RTX 4090（24GB VRAM）仍是本地生成最受歡迎的高階顯卡。它在 640×480 解析度下渲染 81 幀約需 7 秒/幀，擴展到 720p 時約需 18 秒/幀，能實現優異的細節與提示詞忠實度。 它可流暢運行 Q8_0 或全精度設定，不過渲染時間與能耗會隨著解析度提升急劇上升。對於個人創作者或小型團隊而言，4090 是結合速度、品質與親民價格的最佳選擇。
3. RTX 5090：專業 T2V 與 I2V 的頂級效能
憑藉領先的頻寬與充足的 VRAM，RTX 5090 在 720×720 解析度的 I2V 工作流程下可達到每秒 1 幀的速度，提供優異的連貫性與視覺清晰度。 它能輕鬆處理全精度或輕度量化模型，維持穩定的 720p 輸出且幾乎無偽影。對於追求電影級品質或長動態序列的創作者而言，5090 是可近性與頂級效能間的最佳平衡。
4. H100 SXM：資料中心級的速度與穩定性
配備 80GB VRAM 的 H100 SXM 提供卓越的吞吐量與記憶體餘量。在社群基準測試中，它完成 6 步 640×640 T2V 生成約需 36 秒到 1 分鐘，同時在 720×1280 等高解析度下維持穩定效能，每次迭代耗時 3–7 秒，即使在電影級序列中也能實現更快收斂與更流暢的動態。 其龐大的 VRAM 容量支援無需分塊或量化的全精度推論，是對品質與擴展性都有要求的研究實驗室與生產管線的理想選擇。
如何優化 Wan 2.2 的記憶體用量
即使 Wan 2.2 對 VRAM 需求較高，透過細緻的優化仍能讓 T2V 與 I2V 生成在各種硬體上順利運行。有效的記憶體管理包含三個層級：模型量化、執行階段調整與工作流程層級設定。
1. 選擇合適的量化等級
量化直接決定模型消耗的 VRAM 數量：
- Q8_0：提供近乎無損的品質，但需要至少 15GB 以上的 VRAM。
- Q6_K / Q5_K_M：在保真度與效率間取得最佳平衡，可在 12–16GB 的顯卡上流暢運行。
- Q4_0：將用量降到最低，適合測試或預覽用途，但細部細節與動態流暢度會明顯下降。 選擇正確的量化等級能確保在執行任何執行階段調整前的穩定性。
2. 套用驗證過的省記憶體技巧
社群使用者推薦多種實用策略來降低記憶體壓力：
- Distorch Multi-GPU 節點透過將工作負載分散到多張 GPU 或交換空間，模擬虛擬 VRAM。
- Memreduct 定期清理未使用的系統記憶體，避免執行階段崩潰。
- Tiled VAE Decode 將幀切成小區塊處理，能在幾乎不損失品質的情況下降低數 GB 的 VRAM 用量。 這些技巧能讓 12GB 的配置勝任中解析度（480p–640p）的專案。
3. 優化設定與 LoRA
功能層級的調校同樣重要：
- 停用 T2V 的 lightx2v 或 causvid 等加速 LoRA，因為它們會降低視覺多樣性且消耗額外記憶體。
- 啟用 Sage Attention，幾乎無成本提升效率。
- 將 Shift 值保持在中等範圍（1–8），極端設定可能導致生成不穩定或浪費 VRAM。
透過 API 解鎖效率與便利性！
Wan 2.2 現已上線 Novita AI！登入後打開影片生成分頁即可開始創作。你可以將輸出設定為 480p 或 1080p，上傳圖片進行圖片生成影片，或輸入提示詞進行文字生成影片。詳情請參考 Wan 2.2 与其他模型的模型庫頁面。
| 模型 | 長度/解析度 | 價格（美元） |
| Wan 2.2 T2V / I2V | 5 秒/480p | $0.09 / 部影片 |
| Wan 2.2 T2V / I2V | 5 秒/720p | $0.27 / 部影片 |
| Wan 2.2 T2V / I2V | 5 秒/1080p | $0.40 / 部影片 |
步驟 1：登入並存取模型庫
登入你的帳號，點擊 模型庫 按鈕。
步驟 2：選擇你的模型
瀏覽可用選項，選擇符合你需求的模型。
步驟 3：取得你的 API 金鑰
要對 API 進行身份驗證，我們會提供新的 API 金鑰。進入「設定」頁面，即可按照圖中指示複製 API 金鑰。
步驟 4：安裝 API
使用對應程式語言的套件管理器安裝 API。
安裝完成後，將必要的函式庫匯入你的開發環境。使用你的 API 金鑰初始化 API，即可開始與 Novita AI LLM 互動。
常見問題
什麼是 Wan 2.2？ Wan 2.2 是一款輕量型影片生成模型，同時支援文字生成影片（T2V）與圖片生成影片（I2V）創作。它提供電影級動態、精準的光影控制，並在多元場景上進行了擴充訓練。
Wan 2.2 能在消費級 GPU 上運行嗎？ 可以。RTX 3090 等顯卡可透過量化版本（例如 Q6_K 或 Q5_K_M）在 480p 解析度下運行，搭配 tiled VAE decode 等省記憶體技巧即可使用。
Wan 2.2 中的 T2V 與 I2V 有什麼差異？ T2V 直接從文字提示詞生成完整影片，而 I2V 則從一張圖片出發，延伸出動態內容，提供更好的連貫性與更快的渲染速度。
Novita AI 是全方位雲端平台，助力你實現 AI 抱負。整合 API、無伺服器、GPU 實例——你需要的平價工具。免除基礎設施煩惱，免費開始，將你的 AI 願景化為現實。
