Alibaba Wan 2.7: come il Thinking Mode cambia la generazione video con IA

Il Tongyi Lab di Alibaba ha rilasciato Wan 2.7 il 6 aprile 2026, introducendo un "Thinking Mode" che cambia radicalmente il modo in cui i modelli video IA elaborano i prompt. Invece di generare i fotogrammi direttamente dal testo, il modello costruisce prima un piano interno della scena, poi lo esegue. I risultati parlano da soli: meno artefatti, maggiore coerenza e composizioni decisamente più intenzionali.

Cos'è il Thinking Mode?

La maggior parte dei modelli di generazione video lavora in un singolo passaggio. Scrivi un prompt, il modello inizia a trasformare il rumore in pixel e ottieni quello che ne esce. Questo funziona abbastanza bene per scene semplici, ma crolla quando i prompt coinvolgono più soggetti, relazioni spaziali specifiche o azioni complesse.

Wan 2.7 aggiunge un passaggio intermedio. Prima che venga generato qualsiasi pixel, il modello:

Analizza il prompt scomponendolo in componenti semantici (soggetti, azioni, ambiente, illuminazione)
Pianifica la composizione determinando dove gli elementi devono apparire e come devono interagire
Genera l'output usando questo piano come guida strutturale

💡

Pensalo come la differenza tra improvvisare un dipinto e fare prima uno studio compositivo. Lo schizzo non compare nell'opera finale, ma ne guida ogni pennellata.

Questo ricorda il modo in cui il ragionamento "chain-of-thought" ha migliorato i grandi modelli linguistici. Costringendo il modello a pensare prima di agire, la qualità dell'output migliora notevolmente, soprattutto per i prompt complessi.

La suite completa di Wan 2.7

Wan 2.7 non è un singolo modello. Si presenta come una suite di quattro modelli che coprono diversi flussi di lavoro per la generazione:

Suite di Modelli

$0.10/s

Prezzo API

6 Apr

Data di Rilascio

Modello	Input	Output	Ideale Per
Text-to-Video	Prompt testuale	Clip video	Creare da zero
Image-to-Video	Immagine + prompt	Clip video	Animare immagini fisse, concept art
Reference-to-Video	Video di riferimento + prompt	Nuovo video	Trasferimento di stile, ri-creazione
Video Editing	Video + istruzioni di modifica	Video modificato	Post-produzione, correzioni

Il modello text-to-video è già disponibile su Together AI dal 3 aprile. I restanti tre modelli saranno distribuiti nelle prossime settimane.

Sotto il cofano: dettagli architetturali

Sebbene Alibaba non abbia ancora pubblicato un paper completo, diversi dettagli tecnici sono emersi dalla documentazione API e dai primi benchmark.

Cosa Sappiamo	Cosa lo Distingue
Costruito sulla linea architetturale Wan (Wanxiang)	Primo modello in produzione con pianificazione compositiva esplicita
Il Thinking Mode aggiunge un passaggio di pianificazione prima della diffusione	Le scene multi-elemento gestiscono 5+ soggetti in modo pulito
Coerenza iper-realistica dei personaggi tra i fotogrammi	Il rendering del testo nei video generati è leggibile, non confuso
Controllo preciso del colore tramite condizionamento del prompt	La precisione cromatica resta costante con i cambi di illuminazione
Rendering superiore di testi lunghi (testo nei video)	I movimenti di camera complessi mantengono la coerenza spaziale

La capacità di rendering dei testi lunghi è particolarmente notevole. I modelli precedenti faticavano a generare testo leggibile nei fotogrammi video. Wan 2.7 gestisce insegne, etichette e persino brevi paragrafi con una precisione sorprendente. Per i creatori che hanno bisogno di sovrapposizioni testuali integrate nel filmato generato, questo rappresenta un passo avanti significativo.

Confronto con la concorrenza

Il panorama dei video IA si è trasformato considerevolmente questa settimana, con l'arrivo di Wan 2.7 proprio mentre OpenAI confermava la chiusura di Sora e Google tagliava i prezzi di Veo 3.1.

Modello	Prezzo	Audio	Durata Max	Coerenza Personaggi	Thinking/Pianificazione
Wan 2.7	$0.10/s	No	~10s	Forte	Si
Veo 3.1 Lite	$0.05/s	Si	~8s	Buona	No
Veo 3.1 Fast	$0.12/s	Si	~8s	Forte	No
Kling 3.0	~$0.08-0.17/s	Si	~10s	Forte	No
Seedance 2.0	Incluso	Si	15s	Buona	No
Runway Gen-4.5	~$0.15/s	No	~10s	Forte	No

⚠️

Wan 2.7 non include la generazione audio nativa. Per progetti che richiedono suono sincronizzato, servirà una pipeline audio separata oppure un modello come Kling 3.0 o Veo 3.1 che genera audio nativamente.

Il prezzo di $0.10 al secondo posiziona Wan 2.7 nella fascia media competitiva. Costa il doppio dell'opzione budget Lite di Google, è competitivo con Kling 3.0 (che varia a seconda della piattaforma) e costa meno di Runway in modo significativo.

Quando usare Wan 2.7

Sulla base dei primi test e dei punti di forza del modello, ecco gli scenari in cui Wan 2.7 ha più senso:

🎬

Scene complesse con più soggetti

Il Thinking Mode eccelle quando il prompt coinvolge più personaggi o oggetti che interagiscono. Il passaggio di pianificazione previene la confusione spaziale che affligge altri modelli.

📝

Contenuti ricchi di testo

Se il tuo video necessita di testo leggibile, insegne o elementi UI, il rendering testuale di Wan 2.7 è attualmente il migliore della categoria.

🎨

Controllo preciso di colore e stile

Il sistema di condizionamento cromatico permette di specificare palette esatte e mantenerle tra i fotogrammi, utile per contenuti coerenti con il brand.

🔄

Trasferimento di stile tramite riferimento

Il modello reference-to-video (in arrivo) permetterà di usare un clip esistente come guida stilistica, generando nuovi contenuti che ne rispecchiano il linguaggio visivo.

Per scene più semplici con un singolo soggetto in cui serve anche l'audio, modelli come Kling 3.0 o Veo 3.1 possono ancora essere la scelta migliore. Il passaggio di pianificazione del Thinking Mode aggiunge valore specificamente quando i prompt sono complessi.

Cosa significa per il settore

Il Thinking Mode di Wan 2.7 indica una direzione più ampia nel funzionamento dei modelli generativi. Invece di forzare gli output dal rumore, i modelli futuri incorporeranno probabilmente fasi di pianificazione esplicite per diversi aspetti della generazione.

Stiamo già vedendo questo schema in altri ambiti. I modelli di generazione codice pianificano prima di scrivere. I modelli di immagini usano il condizionamento del layout. Ora anche i modelli video stanno imparando a pensare prima di creare.

💡

Il ritmo serrato dei rilasci di modelli nel 2026 rende rischioso legarsi a un singolo fornitore. Approcci basati su pipeline che permettono di scambiare i backend di generazione quando escono modelli migliori proteggono il flusso di lavoro dal vendor lock-in.

La pressione competitiva è reale. Con l'uscita di scena di Sora, Google che taglia i prezzi e modelli cinesi come Wan 2.7 e Kling 3.0 che alzano l'asticella della qualità, i creatori non hanno mai avuto più opzioni, né più motivi per restare flessibili.

Per un approfondimento su come questi modelli si confrontano su benchmark specifici, consulta la nostra analisi delle performance di Runway Gen-4.5. E se ti interessa come il lancio di Seedance 2.0 sta trasformando l'ecosistema CapCut, ne abbiamo parlato in dettaglio il mese scorso.