阿里巴巴近日宣布，其最新首尾帧生成视频模型Wan2.1-FLF2V-14B正式开源，支持生成5秒720p高清视频。这一模型以其创新的首尾帧控制技术引发广泛关注，为AI视频生成领域带来全新可能性。据AIbase了解，该模型已于2025年2月在GitHub和Hugging Face平台上线，供全球开发者、研究者和商业机构免费使用，标志着阿里巴巴在开源AI生态建设中的又一重要里程碑。
核心功能:首尾帧驱动，生成流畅高清视频
Wan2.1-FLF2V-14B以首帧和尾帧作为控制条件，仅需用户提供两张图像，模型即可自动生成一段5秒、720p分辨率的视频。AIbase观察到，生成视频在运动流畅度和首尾帧过渡上表现优异，画面细节高度还原参考图像，整体内容一致性显著提升。相比传统视频生成模型，该模型通过精准的条件控制，解决了长序列视频生成中常见的画面抖动与内容漂移问题，为高质量视频创作提供了高效解决方案。
技术亮点:CLIP与DiT融合增强生成稳定性
据AIbase分析，Wan2.1-FLF2V-14B采用先进的首尾帧条件控制技术，核心在于以下创新:
CLIP语义特征提取:通过CLIP模型提取首尾帧的语义信息，确保生成视频在视觉内容上与输入图像高度一致。
交叉注意力机制:将首尾帧特征注入到Diffusion Transformer（DiT）的生成过程，增强画面稳定性和时间序列的连贯性。
数据驱动训练:模型基于1.5亿视频和10亿图像的庞大数据集进行训练，支持生成符合真实物理规律的动态内容。
这些技术结合使Wan2.1-FLF2V-14B在生成复杂运动场景时表现出色，尤其适合需要高保真过渡的创意应用场景。
广泛应用:赋能内容创作与研究
Wan2.1-FLF2V-14B的开源发布为多个领域带来了广阔的应用前景。AIbase梳理了其主要应用场景:
影视与广告:快速生成高质量过渡视频，降低后期制作成本。
游戏开发:为游戏场景生成动态过场动画，提升开发效率。
教育与科研:支持研究人员探索视频生成技术，开发新型AI应用。
个性化创作:普通用户可通过简单输入生成个性化短视频，丰富社交媒体内容。
值得一提的是，模型支持中文提示词生成，尤其在处理中文场景时效果更佳，展现了其对多语言环境的适配能力。
上手门槛:适配消费级硬件
Wan2.1-FLF2V-14B在硬件需求上展现了较高的普适性。AIbase了解到，尽管其14亿参数的规模较为庞大，但通过优化，模型可在配备RTX4090等消费级GPU的设备上运行，显存需求低至8.19GB。生成一段5秒480p视频仅需约4分钟，而720p视频的生成时间也保持在合理范围内。此外，模型提供详细的部署指南，用户可通过以下命令快速启动:
python
python generate.py --task flf2v-14B --size1280*720--ckpt_dir ./Wan2.1-FLF2V-14B --first_frame examples/first.jpg --last_frame examples/last.jpg --prompt "A smooth transition from a sunny beach to a starry night"
开源社区还提供了Gradio-based web UI，进一步降低了非技术用户的上手难度。
社区反响与未来展望
自发布以来，Wan2.1-FLF2V-14B在开源社区引发热烈反响。开发者对其生成质量、硬件友好性及开源策略给予高度评价。AIbase注意到，社区已开始围绕模型展开二次开发，探索更复杂的视频编辑功能，如动态字幕生成与多语言配音。未来，阿里巴巴计划进一步优化模型，支持更高分辨率（如8K）与更长时长的视频生成，同时扩展其在视频到音频(V2A)等领域的应用。
项目地址：https://github.com/Wan-Video/Wan2.1