Alibaba Wan 2.7: Cómo el modo Thinking cambia la generación de vídeo con IA

El laboratorio Tongyi de Alibaba lanzó Wan 2.7 el 6 de abril de 2026, introduciendo un "modo Thinking" que cambia fundamentalmente la forma en que los modelos de vídeo con IA procesan los prompts. En lugar de generar fotogramas directamente a partir de texto, el modelo primero construye un plan interno de la escena y después lo ejecuta. Los resultados hablan por sí solos: menos artefactos, mejor coherencia y composiciones claramente más intencionadas.

¿Qué es el modo Thinking?

La mayoría de los modelos de generación de vídeo funcionan en una sola pasada. Escribes un prompt, el modelo empieza a difundir ruido hasta convertirlo en píxeles y obtienes lo que surja. Esto funciona razonablemente bien para escenas simples, pero se desmorona cuando los prompts incluyen varios sujetos, relaciones espaciales específicas o acciones complejas.

Wan 2.7 añade un paso intermedio. Antes de generar cualquier píxel, el modelo:

Analiza el prompt en componentes semánticos (sujetos, acciones, entorno, iluminación)
Planifica la composición determinando dónde deben aparecer los elementos y cómo deben interactuar
Genera el resultado utilizando este plan como guía estructural

💡

Piensa en ello como la diferencia entre improvisar una pintura y esbozar primero un estudio de composición. El boceto no aparece en la obra final, pero da forma a cada pincelada.

Esto es similar a cómo el razonamiento de "cadena de pensamiento" mejoró los grandes modelos de lenguaje. Al obligar al modelo a pensar antes de actuar, la calidad del resultado mejora drásticamente, especialmente en prompts complejos.

La suite completa de Wan 2.7

Wan 2.7 no es solo un modelo. Se lanza como una suite de cuatro modelos que cubren distintos flujos de trabajo de generación:

Suite de modelos

$0.10/s

Precio de API

Apr 6

Fecha de lanzamiento

Modelo	Entrada	Salida	Ideal para
Texto a vídeo	Prompt de texto	Clip de vídeo	Crear desde cero
Imagen a vídeo	Imagen + prompt	Clip de vídeo	Animar imágenes fijas, arte conceptual
Referencia a vídeo	Vídeo de referencia + prompt	Vídeo nuevo	Transferencia de estilo, recreación
Edición de vídeo	Vídeo + instrucciones de edición	Vídeo modificado	Posproducción, correcciones

El modelo de texto a vídeo ya está disponible en Together AI desde el 3 de abril. Los tres modelos restantes se lanzarán durante las próximas semanas.

Bajo el capó: información sobre la arquitectura

Aunque Alibaba aún no ha publicado un artículo completo, han surgido varios detalles técnicos a partir de la documentación de la API y los primeros benchmarks.

Lo que sabemos	Lo que lo diferencia
Basado en el linaje de arquitectura Wan (Wanxiang)	Primer modelo de producción con planificación compositiva explícita
El modo Thinking añade una pasada de planificación antes de la difusión	Las escenas con múltiples elementos gestionan limpiamente más de 5 sujetos
Consistencia hiperrealista de personajes entre fotogramas	El texto en el vídeo generado es legible, no aparece distorsionado
Control preciso del color mediante condicionamiento por prompt	La precisión del color se mantiene constante ante cambios de iluminación
Renderizado superior de textos largos (texto en vídeos)	Los movimientos complejos de cámara mantienen la coherencia espacial

La capacidad de renderizar textos largos es especialmente destacable. Los modelos anteriores tenían dificultades para generar texto legible dentro de los fotogramas de vídeo. Wan 2.7 maneja carteles, etiquetas e incluso párrafos cortos con una precisión sorprendente. Para los creadores que necesitan integrar superposiciones de texto directamente en el material generado, este es un avance significativo.

Comparativa con el mercado

El panorama del vídeo con IA cambió considerablemente esta semana, con la llegada de Wan 2.7 justo cuando OpenAI confirmó el cierre de Sora y Google redujo drásticamente los precios de Veo 3.1.

Modelo	Precio	Audio	Duración máxima	Consistencia de personajes	Thinking/Planificación
Wan 2.7	$0.10/s	No	~10s	Sólida	Sí
Veo 3.1 Lite	$0.05/s	Sí	~8s	Buena	No
Veo 3.1 Fast	$0.12/s	Sí	~8s	Sólida	No
Kling 3.0	~$0.08-0.17/s	Sí	~10s	Sólida	No
Seedance 2.0	Incluido	Sí	15s	Buena	No
Runway Gen-4.5	~$0.15/s	No	~10s	Sólida	No

⚠️

Wan 2.7 no incluye generación de audio nativa. Para proyectos que requieran sonido sincronizado, necesitarás un flujo de audio independiente o un modelo como Kling 3.0 o Veo 3.1, que generan audio de forma nativa.

El precio de $0.10 por segundo sitúa a Wan 2.7 en el competitivo nivel intermedio. Cuesta el doble que la opción Lite económica de Google, compite con Kling 3.0 (cuyo precio varía según la plataforma) y es significativamente más barato que Runway.

Cuándo usar Wan 2.7

Según las primeras pruebas y los puntos fuertes del modelo, estos son los escenarios en los que Wan 2.7 tiene más sentido:

🎬

Escenas complejas con múltiples sujetos

El modo Thinking destaca cuando tu prompt incluye varios personajes u objetos que interactúan. El paso de planificación evita la confusión espacial que afecta a otros modelos.

📝

Contenido con mucho texto

Si tu vídeo necesita texto legible, carteles o elementos de interfaz, el renderizado de texto de Wan 2.7 es actualmente el mejor de su clase.

🎨

Control preciso del color y el estilo

El sistema de condicionamiento de color permite especificar paletas exactas y mantenerlas entre fotogramas, lo que resulta útil para contenido coherente con una marca.

🔄

Transferencia de estilo mediante referencia

El modelo de referencia a vídeo (próximamente) permitirá proporcionar un clip existente como guía de estilo y generar contenido nuevo que coincida con su lenguaje visual.

Para escenas más simples, con un solo sujeto y en las que también necesites audio, modelos como Kling 3.0 o Veo 3.1 pueden seguir siendo la mejor opción. La sobrecarga de planificación del modo Thinking añade valor específicamente cuando los prompts son complejos.

Lo que esto significa para la industria

El modo Thinking de Wan 2.7 apunta hacia un cambio más amplio en la forma en que funcionarán los modelos generativos. En lugar de forzar resultados a partir de ruido, los modelos futuros probablemente incorporarán etapas explícitas de planificación para distintos aspectos de la generación.

Ya estamos viendo este patrón en otros ámbitos. Los modelos de generación de código planifican antes de escribir. Los modelos de imagen utilizan condicionamiento de diseño. Ahora los modelos de vídeo están aprendiendo a pensar antes de crear.

💡

El rápido ritmo de lanzamientos de modelos en 2026 hace que sea arriesgado comprometerse con un único proveedor. Los enfoques basados en pipelines, capaces de intercambiar backends de generación a medida que llegan mejores modelos, protegen tu flujo de trabajo frente a la dependencia de un proveedor.

La presión competitiva es real. Con la salida de Sora, la reducción de precios de Google y modelos chinos como Wan 2.7 y Kling 3.0 impulsando los límites de calidad, los creadores nunca han tenido más opciones, ni más motivos para mantener la flexibilidad.

Para un análisis más profundo de cómo se comparan estos modelos en benchmarks específicos, consulta nuestro análisis del rendimiento de Runway Gen-4.5. Y si te interesa saber cómo el lanzamiento de Seedance 2.0 está transformando el ecosistema de CapCut, lo cubrimos en detalle el mes pasado.