Nielimitowany generator wideo WAN 2.2 – filmowy model AI MoE 27B

WAN 2.2 stosuje przełomowy układ dwóch ekspertów, z 27B parametrów łącznie, z czego w jednym kroku odszumiania aktywnych jest tylko 14B. Obejmuje to wyspecjalizowanych ekspertów od wysokiego i niskiego szumu, którzy optymalizują wydajność obliczeniową, zachowując przy tym wysoką jakość wideo. Architektura pozwala na szybsze wnioskowanie i lepsze wyniki niż tradycyjne podejście z jednym modelem.

WAN 2.2 generuje wideo o długości do 5 sekund (65-257 klatek) w rozdzielczości 480p i 720p, z konfigurowalnymi proporcjami obrazu (16:9, 9:16, 1:1, 4:3, 3:4). Obsługuje klatkowanie od 8 do 30 FPS i występuje w wariantach 5B oraz 14B parametrów dla trybu tekst na wideo, a także jako model 14B premium do konwersji obraz na wideo, z kinowymi ustawieniami estetycznymi.

WAN 2.2 korzysta z promptów po angielsku i obsługuje kilka schematów: podstawowy (temat + scena + ruch), zaawansowany (dochodzi kontrola estetyki + stylizacja) oraz obraz na wideo (opis ruchu + ruch kamery). Dla najlepszych efektów używaj konkretnych terminów filmowych, takich jak „dolly in” czy „static shot”, opisów oświetlenia i słów kluczowych stylizacji. Model przyjmuje do 512 tokenów na prompt.

WAN 2.2 ma wbudowane mechanizmy kontroli bezpieczeństwa i systemy filtrowania treści, które można włączyć podczas generowania. Model realizuje zasady odpowiedzialnej AI, sprawdzając stosowność treści, choć konkretne zabezpieczenia da się skonfigurować pod własne zastosowanie. Odpowiedzialność za etyczne generowanie treści na warunkach licencji Apache 2.0 spoczywa na użytkownikach.

WAN 2.2 występuje w trzech głównych wariantach: 5B tekst na wideo (oszczędny, przyjazny sprzętowi konsumenckiemu), A14B tekst na wideo (jakość premium, lepsze sterowanie ruchem) oraz A14B obraz na wideo (wyspecjalizowany w animowaniu obrazów, z większą spójnością wizualną). Modele A14B dają lepszą jakość kinową i wierność ruchu, ale wymagają większych zasobów obliczeniowych.

WAN 2.2 wymaga sporych zasobów obliczeniowych — dla optymalnej wydajności modele A14B zaleca się uruchamiać na systemach z co najmniej 80GB VRAM. Konsumenckie karty GPU, takie jak RTX 4090, poradzą sobie z tymi modelami, ale generowanie potrwa dłużej. Obecne ograniczenia to maksymalnie 5 sekund wideo, obsługa promptów wyłącznie po angielsku i duża zależność wyników od jakości promptu.