大家好，我是黄彬，一位热衷于探索AI前沿技术的探索者。在此，我要向所有支持与关注我的人表示衷心的感谢。未来，我将继续与大家分享AI领域的丰富知识和个人感悟！关于本文中提及的模型和工作流程，感兴趣的朋友请在关注后私信“wan”获取详细信息。
近日，ComfyUI官方宣布，其产品已原生支持Wan2.2版本的视频首尾帧生成功能。鉴于此，今天我将为大家详细解读Wan2.2版本的相关内容。
一、Wan2.2概览
在7月28日，阿里云团队正式推出了新一代的AI多模态视频生成模型——Wan2.2。这款模型严格遵守Apache 2.0协议，实现全面开源，并允许商业用途。以我仿照藏师傅热门壁纸制作的“大展宏图”视频为例，我们可以初步领略其风采。
在ComfyUI等开源社区的共同努力下，Wan2.1不仅成为了最为强大的开源视频模型，还衍生出诸多创新玩法，例如视频转绘、数字人、单帧图片制作等。此次推出的Wan2.2在性能上相较于2.1版本有了显著飞跃，待相关生态系统完善后，其表现将足以与商业级模型相媲美。
Wan2.2模型特色
二、Wan2.2的本地部署与操作
推荐环境配置：将ComfyUI升级至最新版本，并在文章结尾提供的网盘中下载相应的模型以及我调整过的工作流。
由于模型架构的调整，Wan2.2的模型种类有所增加。接下来，“黄老师”将为大家简要介绍Wan模型生态的完整情况：
名词课堂小节：首先，我们来了解一下几个专业名词。t2v和i2v分别代表了“文字生成视频”和“图片生成视频”。这里的B是指模型参数量，1B意味着十亿，所以14B就是140亿参数。关于模型精度，fp16是全精度模型，效果最佳，但容量也最大；而fp8是半精度模型，可以在不影响效果的前提下，将容量减少到一半。需要注意的是，模型的容量大致等于显存需求，一个28.6G的模型大约需要30G的显存，因此fp16模型在消费级显卡上是无法运行的。
文图生视频模型（ti2v_5B）简介：这款文图生视频模型，与生图模型类似，一个模型即可实现文字生成视频和图片生成视频的功能，是目前720P@24fps速度最快的模型之一，且经过高效压缩，仅需本地12G左右的显存即可顺畅运行。wan2.2_ti2v_5B_fp16是该模型的别称，其容量为10G，仅需12G显存即可运行（8G显卡如何运行？这个问题将在后续解答）。然而，由于模型采用了高度压缩，视频质量方面可能略有下降。5B文图生视频结构的文本编码器可以与wan2.1版本相同，VAE则需要使用wan2.2专用的。
模型结构详解：
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └── wan2.2_ti2v_5B_fp16.safetensors
│ ├── text_encoders/
│ │ └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│ ├── vae/
│ │ └── wan2.2_vae.safetensors
文生视频模型剖析：文生视频-A14B模型支持生成时长为5秒、分辨率为480P和720P的视频。由于采用了混合专家架构，用户需要下载两个模型：高噪声专家模型wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors和低噪声专家模型wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors。即便是fp8精度，一个模型的大小为14.3G，两个模型合计需要30G左右的显存，因此本地运行也存在一定的难度。（本地运行的方法将在后续内容中讲解）14B文生视频结构的文本编码器和VAE可以使用wan2.1版本，无需额外下载。
模型结构展示：
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ ├── wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
│ │ └── wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
│ ├── text_encoders/
│ │ └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│ ├── vae/
│ │ └── wan2.1_vae.safetensors
图生视频模型介绍：文生视频-A14B模型同样支持480P和720P两种分辨率视频，实现了更加合理稳定的视频生成。同样采用混合专家架构，用户必须下载两个模型：高噪声专家模型wan2.2_i2v_high_noise_14B_fp8_scaled和低噪声专家模型wan2.2_i2v_low_noise_14B_fp8_scaled。
14B图生视频结构文本编码器和VAE均兼容wan2.1版本，无需额外下载。
在ComfyUI的目录结构中，我们可以看到以下内容：
├── models/
│ ├── diffusion_models/
│ │ ├── wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
│ │ └── wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
│ ├── text_encoders/
│ │ └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│ ├── vae/
│ │
└── wan2.1_vae.safetensors
如同捧起水，水自指尖滑落，同样地，即便是消费级显卡，也难以驾驭14B_fp8的wan2.2模型。因此，我们可以考虑借助云端资源来运行。
在此，我向大家推荐使用RH在线平台，注册并绑定我的账号即可免费获得1000积分（当然，我也能获得1000积分），而且每天还能额外获得100积分，这足以让我们体验一段时间：https://www.runninghub.cn/?inviteCode=116b720f，邀请码：116b720f。
4. GGUF量化模型
如果您希望在本地上运行模型，我们也可以通过GGUF量化模型与KJ工作流来实现。
名词小课堂：
1. GGUF是一种高效的模型存储格式，通过量化技术，将原始模型的权重压缩至更低的水平，从而减少显存需求。
2. KJ：ComfyUI社区的一位大神级开发者，同时也是众多高质量自定义节点和模型的创作者（例如：SUPIR、KJNodes）。他开发的WanVideoWrapper节点，相较于官方节点，能够支持更多模型和功能，同时还能在降低显存需求的同时，提升视频生成的速度。
不同的量化程度对应着不同大小的模型，模型越小，质量越低，对显存的消耗也越少。例如，ti2v_5B是一个压缩模型，只需要一个模型文件，因此理论上只需要8G显存即可运行量化版本。
Wan2.2采用了MOE架构，需要两个专家模型，因此理论上所需的显存量大约是单个模型显存需求的两倍。
5. 探索Lora的加速之道
在Wan2.1的时代，开源社区中涌现出了众多实用高效的Lora，这些Lora在Wan2.2版本中同样适用，并能够显著提升视频生成的速度与质量。
LightX2V加速Lora：这款加速Lora与SD的trubo Lora相仿，它能在4至6步内生成视频。此外，它还提供了t2v和i2v以及量化版本。量化方面，主要关注文件名中rank后面的数字（这会影响显存和运行速度），最大值为128，最小值为8。通常建议选择rank64（适用于线上）或rank32（适用于本地）。
文生视频：Lightx2v_T2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors
图生视频：Lightx2v_I2V_14B_480p_cfg_step_distill_rank64_bf16.safetensors
在线体验
面对上述众多功能各异、型号多样的模型，你是否感到有些眼花缭乱？经过我在本地进行实测，16G显卡，运用KJ工作流和14B GGUF Q4量化模型，生成6秒的视频（即上文中的大展宏图）大约需要5分钟。而在线使用RH，14B_fp8模型则仅需2分钟左右，其优势显而易见。若硬件条件有限，或者不愿自行配置，可以直接使用以下工作流在线体验：
Wan2.2加速文生视频【8步】
工作流：Wan2.2_14B_文生视频 (8步加速) + 提示词扩写
体验地址：https://www.runninghub.cn/post/1952277100332003330/?inviteCode=116b720f
Wan2.2 图生视频加速流程【8步详解】
操作步骤：Wan2.2_14B_图生视频加速流程（共8步）+ 提示词拓展使用指南，请访问以下链接获取详细体验：https://www.runninghub.cn/post/1952277132212948994/?inviteCode=116b720f
总结
在AI浪潮中，熟练驾驭新模型已成为一项不可或缺的技能。
Wan2.2版本在美学表现、动态捕捉、复杂动作以及镜头运用上相较于2.1版本有了显著提升，其性能甚至能与闭源模型一较高下。随着开源社区的持续助力，我们有理由期待更多实用功能的诞生！我也将不断与大家分享相关知识及实用技巧。
今日教程就此告一段落。若您觉得这些内容对您有所启发，不妨亲自尝试一番。期待在评论区看到您的作品，同时也欢迎点赞以示支持！
我是黄彬，一位致力于引领大家探索AI新工具的探索者。让我们在下一期再见！
