Alibaba Wan 2.7: Com el mode de pensament canvia la generació de vídeo amb IA

El Tongyi Lab d'Alibaba va llançar Wan 2.7 el 6 d'abril de 2026, introduint un "mode de pensament" que canvia fonamentalment com els models de vídeo amb IA processen les instruccions. En lloc de generar fotogrames directament a partir del text, el model primer construeix un pla intern de l'escena i després l'executa. Els resultats parlen per si mateixos: menys artefactes, millor coherència i composicions notablement més intencionades.

Què és el mode de pensament?

La majoria de models de generació de vídeo funcionen en una sola passada. Escrius una instrucció, el model comença a difondre soroll en píxels i obtens el que en surt. Això funciona raonablement bé per a escenes simples, però falla quan les instruccions impliquen múltiples subjectes, relacions espacials específiques o accions complexes.

Wan 2.7 afegeix un pas intermedi. Abans de generar cap píxel, el model:

Analitza la instrucció en components semàntics (subjectes, accions, entorn, il·luminació)
Planifica la composició determinant on han d'aparèixer els elements i com han d'interactuar
Genera la sortida utilitzant aquest pla com a guia estructural

💡

Penseu-hi com la diferència entre improvisar una pintura i fer primer un esbós de composició. L'esbós no apareix a l'obra final, però dóna forma a cada pinzellada.

Això és similar a com el raonament en "cadena de pensament" va millorar els grans models de llenguatge. En forçar el model a pensar abans d'actuar, la qualitat de la sortida millora dràsticament, especialment per a instruccions complexes.

La suite completa de Wan 2.7

Wan 2.7 no és un sol model. Es presenta com una suite de quatre models que cobreix diferents fluxos de treball de generació:

Model Suite

$0.10/s

API Pricing

Apr 6

Release Date

Model	Entrada	Sortida	Millor per a
Text-a-vídeo	Instrucció de text	Clip de vídeo	Creació des de zero
Imatge-a-vídeo	Imatge + instrucció	Clip de vídeo	Animar imatges fixes, art conceptual
Referència-a-vídeo	Vídeo de referència + instrucció	Nou vídeo	Transferència d'estil, recreació
Edició de vídeo	Vídeo + instruccions d'edició	Vídeo modificat	Postproducció, correccions

El model de text-a-vídeo ja està disponible a Together AI des del 3 d'abril. Els tres models restants s'aniran desplegant durant les properes setmanes.

Sota el capó: coneixements d'arquitectura

Tot i que Alibaba encara no ha publicat un article complet, diversos detalls tècnics han aparegut a la documentació de l'API i les primeres proves comparatives.

Què sabem	Què el diferencia
Construït sobre la línia d'arquitectura Wan (Wanxiang)	Primer model de producció amb planificació composicional explícita
El mode de pensament afegeix una passada de planificació abans de la difusió	Escenes amb múltiples elements gestionen 5+ subjectes de manera neta
Consistència de personatges hiperealista entre fotogrames	El renderitzat de text en vídeo generat és llegible, no deformat
Control de color precís mitjançant condicionament d'instruccions	La precisió del color es manté consistent amb els canvis d'il·luminació
Renderitzat superior de text llarg (text en vídeos)	Moviments de càmera complexos mantenen la coherència espacial

La capacitat de renderitzat de text llarg és particularment notable. Els models anteriors tenien dificultats per generar text llegible dins dels fotogrames de vídeo. Wan 2.7 gestiona rètols, etiquetes i fins i tot paràgrafs curts amb una precisió sorprenent. Per als creadors que necessiten superposicions de text integrades en el material generat, això representa un avenç significatiu.

Comparativa amb el mercat

El camp del vídeo amb IA va canviar considerablement aquesta setmana, amb l'arribada de Wan 2.7 just quan OpenAI va confirmar el tancament de Sora i Google va reduir els preus de Veo 3.1.

Model	Preu	Àudio	Durada màx.	Consistència de personatges	Pensament/Planificació
Wan 2.7	$0.10/s	No	~10s	Forta	Sí
Veo 3.1 Lite	$0.05/s	Sí	~8s	Bona	No
Veo 3.1 Fast	$0.12/s	Sí	~8s	Forta	No
Kling 3.0	~$0.08-0.17/s	Sí	~10s	Forta	No
Seedance 2.0	Inclòs	Sí	15s	Bona	No
Runway Gen-4.5	~$0.15/s	No	~10s	Forta	No

⚠️

Wan 2.7 no inclou generació d'àudio nativa. Per a projectes que requereixin so sincronitzat, necessitareu un pipeline d'àudio separat o un model com Kling 3.0 o Veo 3.1 que generi àudio de manera nativa.

El preu de $0.10 per segon situa Wan 2.7 en el segment competitiu mitjà. Costa el doble que l'opció econòmica Lite de Google, és competitiu amb Kling 3.0 (que varia segons la plataforma) i resulta significativament més barat que Runway.

Quan utilitzar Wan 2.7

Basant-nos en les primeres proves i els punts forts del model, aquí teniu els escenaris on Wan 2.7 té més sentit:

🎬

Escenes complexes amb múltiples subjectes

El mode de pensament destaca quan la instrucció implica diversos personatges o objectes interactuant. El pas de planificació evita la confusió espacial que afecta altres models.

📝

Contingut ric en text

Si el vostre vídeo necessita text llegible, rètols o elements d'interfície, el renderitzat de text de Wan 2.7 és actualment el millor de la seva categoria.

🎨

Control precís de color i estil

El sistema de condicionament de color permet especificar paletes exactes i mantenir-les entre fotogrames, útil per a contingut coherent amb la marca.

🔄

Transferència d'estil per referència

El model de referència-a-vídeo (properament) permetrà utilitzar un clip existent com a guia d'estil, generant contingut nou que coincideixi amb el seu llenguatge visual.

Per a escenes més simples amb un sol subjecte on també necessiteu àudio, models com Kling 3.0 o Veo 3.1 poden seguir sent la millor opció. La càrrega addicional de planificació del mode de pensament aporta valor específicament quan les instruccions són complexes.

Què significa això per a la indústria

El mode de pensament de Wan 2.7 apunta cap a un canvi més ampli en el funcionament dels models generatius. En lloc de forçar resultats a partir del soroll, els models futurs probablement incorporaran etapes de planificació explícites per a diferents aspectes de la generació.

Ja estem veient aquest patró en altres àmbits. Els models de generació de codi planifiquen abans d'escriure. Els models d'imatge utilitzen condicionament de disposició. Ara els models de vídeo estan aprenent a pensar abans de crear.

💡

El ritme accelerat de llançaments de models el 2026 fa arriscat comprometre's amb un sol proveïdor. Enfocaments basats en pipelines que puguin intercanviar backends de generació quan surtin models millors protegeixen el vostre flux de treball de la dependència d'un proveïdor.

La pressió competitiva és real. Amb la sortida de Sora, Google reduint preus i models xinesos com Wan 2.7 i Kling 3.0 empenyent els límits de qualitat, els creadors mai no han tingut tantes opcions ni tantes raons per mantenir-se flexibles.

Per a una anàlisi més detallada de com aquests models es comparen en proves comparatives específiques, consulteu la nostra anàlisi del rendiment de Runway Gen-4.5. I si us interessa com el llançament de Seedance 2.0 està transformant l'ecosistema de CapCut, ho vam cobrir en detall el mes passat.