Alibaba Wan 2.7: hvordan Thinking Mode forandrer AI-videogenerering

Alibabas Tongyi Lab slapp Wan 2.7 den 6. april 2026 med en "Thinking Mode" som fundamentalt endrer hvordan AI-videomodeller behandler prompts. I stedet for å generere bilder direkte fra tekst, bygger modellen først en intern plan for scenen og gjennomfører den deretter. Resultatene taler for seg selv: færre artefakter, bedre sammenheng og merkbart mer bevisste komposisjoner.

Hva er Thinking Mode?

De fleste videogenereringsmodeller jobber i et enkelt gjennomkjøring. Du skriver en prompt, modellen begynner å omforme støy til piksler, og du får det som kommer ut. Dette fungerer greit for enkle scener, men bryter sammen når prompts involverer flere motiver, spesifikke romlige relasjoner eller komplekse handlinger.

Wan 2.7 legger til et mellomsteg. Før noen piksler genereres, gjør modellen følgende:

Analyserer prompten og bryter den ned i semantiske komponenter (motiver, handlinger, miljø, belysning)
Planlegger komposisjonen ved å bestemme hvor elementer skal plasseres og hvordan de skal samhandle
Genererer resultatet med denne planen som strukturell veileder

💡

Tenk på det som forskjellen mellom å improvisere et maleri og å først lage en komposisjonsskisse. Skissen vises ikke i det ferdige verket, men den former hvert penselstrøk.

Dette minner om hvordan "chain-of-thought"-resonnering forbedret store språkmodeller. Ved å tvinge modellen til å tenke før den handler, forbedres outputkvaliteten betydelig, spesielt for komplekse prompts.

Den komplette Wan 2.7-suiten

Wan 2.7 er ikke bare en enkelt modell. Den leveres som en suite av fire modeller som dekker ulike genereringsarbeidsflyter:

Modellsuite

$0.10/s

API-pris

6. apr

Lanseringsdato

Modell	Input	Output	Best For
Text-to-Video	Tekstprompt	Videoklipp	Skape fra bunnen av
Image-to-Video	Bilde + prompt	Videoklipp	Animere stillbilder, concept art
Reference-to-Video	Referansevideo + prompt	Ny video	Stiloverføring, gjenskaping
Video Editing	Video + redigeringsinstruksjoner	Redigert video	Etterproduksjon, korreksjoner

Text-to-video-modellen er allerede tilgjengelig på Together AI siden 3. april. De resterende tre modellene rulles ut i løpet av de kommende ukene.

Under panseret: arkitekturdetaljer

Selv om Alibaba ennå ikke har publisert en fullstendig artikkel, har flere tekniske detaljer kommet frem fra API-dokumentasjonen og tidlige benchmarks.

Hva Vi Vet	Hva som Skiller den Ut
Bygget på Wan (Wanxiang) arkitekturlinjen	Første produksjonsmodell med eksplisitt komposisjonell planlegging
Thinking Mode legger til et planleggingssteg før diffusjon	Scener med flere elementer håndterer 5+ motiver rent
Hyperrealistisk karakterkonsistens mellom bilder	Tekstgjengivelse i generert video er lesbar, ikke forvrengt
Presis fargekontroll via promptkondisjonering	Fargenøyaktighet forblir konsistent ved belysningsendringer
Overlegen langtekstgjengivelse (tekst i videoer)	Komplekse kamerabevegelser opprettholder romlig sammenheng

Langtekstgjengivelsen er spesielt bemerkelsesverdig. Tidligere modeller slet med å generere lesbar tekst i videobilder. Wan 2.7 håndterer skilt, etiketter og til og med korte avsnitt med overraskende nøyaktighet. For skapere som trenger tekstoverlegg bakt inn i det genererte materialet, er dette et betydelig steg fremover.

Sammenligning med konkurrentene

AI-videolandskapet endret seg betraktelig denne uken, med Wan 2.7 som ankom akkurat da OpenAI bekreftet nedleggelsen av Sora og Google kuttet prisene på Veo 3.1.

Modell	Pris	Lyd	Maks Lengde	Karakterkonsistens	Thinking/Planlegging
Wan 2.7	$0.10/s	Nei	~10s	Sterk	Ja
Veo 3.1 Lite	$0.05/s	Ja	~8s	God	Nei
Veo 3.1 Fast	$0.12/s	Ja	~8s	Sterk	Nei
Kling 3.0	~$0.08-0.17/s	Ja	~10s	Sterk	Nei
Seedance 2.0	Inkludert	Ja	15s	God	Nei
Runway Gen-4.5	~$0.15/s	Nei	~10s	Sterk	Nei

⚠️

Wan 2.7 inkluderer ikke innebygd lydgenerering. For prosjekter som krever synkronisert lyd, trenger du en separat lydpipeline eller en modell som Kling 3.0 eller Veo 3.1 som genererer lyd innebygd.

Prisen på $0.10 per sekund plasserer Wan 2.7 i det konkurransedyktige mellomsjiktet. Det koster dobbelt så mye som Googles budsjett Lite-alternativ, er konkurransedyktig med Kling 3.0 (som varierer etter plattform) og er betydelig rimeligere enn Runway.

Når bør du bruke Wan 2.7

Basert på tidlige tester og modellens styrker, her er scenariene der Wan 2.7 gir mest mening:

🎬

Komplekse scener med flere motiver

Thinking Mode utmerker seg når prompten din involverer flere karakterer eller objekter som samhandler. Planleggingssteget forhindrer den romlige forvirringen som plager andre modeller.

📝

Teksttungt innhold

Hvis videoen din trenger lesbar tekst, skilt eller UI-elementer, er Wan 2.7s tekstgjengivelse for tiden best i klassen.

🎨

Presis farge- og stilkontroll

Fargekondisjonerings-systemet lar deg spesifisere eksakte paletter og opprettholde dem mellom bilder, nyttig for merkevarekonsistent innhold.

🔄

Stiloverføring via referanse

Reference-to-video-modellen (kommer snart) lar deg bruke et eksisterende klipp som stilguide for å generere nytt innhold som matcher dets visuelle språk.

For enklere scener med et enkelt motiv der du også trenger lyd, kan modeller som Kling 3.0 eller Veo 3.1 fortsatt være det bedre valget. Planleggingsoverheaden i Thinking Mode tilfører spesifikt verdi når prompts er komplekse.

Hva dette betyr for bransjen

Wan 2.7s Thinking Mode peker mot et bredere skifte i hvordan generative modeller vil fungere. I stedet for å tvinge resultater ut av støy, vil fremtidige modeller sannsynligvis inkorporere eksplisitte planleggingsfaser for ulike aspekter av genereringen.

Vi ser allerede dette mønsteret i andre domener. Kodegenereringsmodeller planlegger før de skriver. Bildemodeller bruker layoutkondisjonering. Nå lærer videomodeller å tenke før de skaper.

💡

Det raske tempoet av modelllanseringer i 2026 gjør det risikabelt å binde seg til en enkelt leverandør. Pipeline-baserte tilnærminger som kan bytte genereringsbackend når bedre modeller lanseres, beskytter arbeidsflyten din mot leverandørinnlåsing.

Konkurransepresset er reelt. Med Sora som legges ned, Google som kutter priser og kinesiske modeller som Wan 2.7 og Kling 3.0 som skyver kvalitetsgrensene, har skapere aldri hatt flere alternativer, eller mer grunn til å forbli fleksible.

For en dypere titt på hvordan disse modellene presterer på spesifikke benchmarks, sjekk ut vår analyse av Runway Gen-4.5-ytelse. Og hvis du er interessert i hvordan Seedance 2.0-utrullingen omformer CapCut-økosystemet, dekket vi det i detalj forrige måned.