Alibaba Wan 2.7: Como o Thinking Mode muda a geração de vídeo por IA

O Tongyi Lab da Alibaba lançou o Wan 2.7 em 6 de abril de 2026, introduzindo um "Thinking Mode" que muda fundamentalmente a forma como os modelos de vídeo por IA processam prompts. Em vez de gerar fotogramas diretamente a partir de texto, o modelo primeiro cria um plano interno da cena e depois o executa. Os resultados falam por si: menos artefactos, melhor coerência e composições visivelmente mais intencionais.

O que é o Thinking Mode?

A maioria dos modelos de geração de vídeo funciona numa única passagem. Escreve um prompt, o modelo começa a difundir ruído em pixels e obtém o que surgir. Isto funciona razoavelmente bem para cenas simples, mas falha quando os prompts envolvem vários sujeitos, relações espaciais específicas ou ações complexas.

O Wan 2.7 adiciona uma etapa intermédia. Antes de qualquer pixel ser gerado, o modelo:

Analisa o prompt em componentes semânticos (sujeitos, ações, ambiente, iluminação)
Planeia a composição ao determinar onde os elementos devem aparecer e como devem interagir
Gera o resultado usando este plano como guia estrutural

💡

Pense nisto como a diferença entre improvisar uma pintura e primeiro esboçar um estudo de composição. O esboço não aparece na obra final, mas orienta cada pincelada.

Isto é semelhante à forma como o raciocínio "chain-of-thought" melhorou os grandes modelos de linguagem. Ao forçar o modelo a pensar antes de agir, a qualidade do resultado melhora drasticamente, especialmente em prompts complexos.

A suite completa Wan 2.7

O Wan 2.7 não é apenas um modelo. É lançado como uma suite de quatro modelos que abrange diferentes fluxos de trabalho de geração:

Suite de modelos

$0.10/s

Preço da API

Apr 6

Data de lançamento

Modelo	Entrada	Resultado	Ideal para
Texto para vídeo	Prompt de texto	Clipe de vídeo	Criar do zero
Imagem para vídeo	Imagem + prompt	Clipe de vídeo	Animar imagens estáticas, concept art
Referência para vídeo	Vídeo de referência + prompt	Novo vídeo	Transferência de estilo, recriação
Edição de vídeo	Vídeo + instruções de edição	Vídeo modificado	Pós-produção, correções

O modelo de texto para vídeo já está disponível na Together AI desde 3 de abril. Os três modelos restantes serão lançados nas próximas semanas.

Nos bastidores: informações sobre a arquitetura

Embora a Alibaba ainda não tenha publicado um artigo completo, vários detalhes técnicos surgiram na documentação da API e nos primeiros benchmarks.

O que sabemos	O que o diferencia
Construído sobre a linhagem de arquitetura Wan (Wanxiang)	Primeiro modelo de produção com planeamento composicional explícito
O Thinking Mode adiciona uma passagem de planeamento antes da difusão	Cenas com vários elementos tratam 5+ sujeitos de forma limpa
Consistência hiper-realista de personagens entre fotogramas	O texto em vídeos gerados é legível, não distorcido
Controlo preciso de cores através do condicionamento do prompt	A precisão das cores mantém-se consistente entre alterações de iluminação
Renderização superior de textos longos (texto em vídeos)	Movimentos complexos de câmara mantêm a coerência espacial

A capacidade de renderização de textos longos é particularmente notável. Modelos anteriores tinham dificuldade em gerar texto legível dentro de fotogramas de vídeo. O Wan 2.7 lida com sinais, etiquetas e até parágrafos curtos com uma precisão surpreendente. Para criadores que precisam de sobreposições de texto integradas no material gerado, isto representa um avanço significativo.

Comparação com o mercado

O panorama dos vídeos por IA mudou consideravelmente esta semana, com a chegada do Wan 2.7 precisamente quando a OpenAI confirmou o encerramento do Sora e a Google reduziu drasticamente os preços do Veo 3.1.

Modelo	Preço	Áudio	Duração máxima	Consistência de personagens	Pensamento/planeamento
Wan 2.7	$0.10/s	Não	~10s	Forte	Sim
Veo 3.1 Lite	$0.05/s	Sim	~8s	Boa	Não
Veo 3.1 Fast	$0.12/s	Sim	~8s	Forte	Não
Kling 3.0	~$0.08-0.17/s	Sim	~10s	Forte	Não
Seedance 2.0	Incluído	Sim	15s	Boa	Não
Runway Gen-4.5	~$0.15/s	Não	~10s	Forte	Não

⚠️

O Wan 2.7 não inclui geração de áudio nativa. Para projetos que exigem som sincronizado, precisará de um pipeline de áudio separado ou de um modelo como o Kling 3.0 ou o Veo 3.1, que gera áudio nativamente.

O preço de $0.10 por segundo coloca o Wan 2.7 no nível intermédio competitivo. Custa o dobro da opção Lite económica da Google, é competitivo com o Kling 3.0 (cujo preço varia consoante a plataforma) e é significativamente mais barato do que o Runway.

Quando usar o Wan 2.7

Com base nos primeiros testes e nos pontos fortes do modelo, estes são os cenários em que o Wan 2.7 faz mais sentido:

🎬

Cenas complexas com vários sujeitos

O Thinking Mode destaca-se quando o seu prompt envolve várias personagens ou objetos a interagir. A etapa de planeamento evita a confusão espacial que afeta outros modelos.

📝

Conteúdo com muito texto

Se o seu vídeo precisa de texto legível, sinais ou elementos de interface, a renderização de texto do Wan 2.7 é atualmente a melhor da categoria.

🎨

Controlo preciso de cor e estilo

O sistema de condicionamento de cor permite especificar paletas exatas e mantê-las entre fotogramas, útil para conteúdo consistente com a marca.

🔄

Transferência de estilo por referência

O modelo de referência para vídeo (em breve) permitirá fornecer um clipe existente como guia de estilo, gerando novo conteúdo que corresponde à sua linguagem visual.

Para cenas mais simples, com um único sujeito, em que também precisa de áudio, modelos como o Kling 3.0 ou o Veo 3.1 podem continuar a ser a melhor escolha. A sobrecarga de planeamento do Thinking Mode acrescenta valor especificamente quando os prompts são complexos.

O que isto significa para o setor

O Thinking Mode do Wan 2.7 aponta para uma mudança mais ampla na forma como os modelos generativos irão funcionar. Em vez de produzir resultados à força a partir de ruído, os modelos futuros irão provavelmente incorporar etapas explícitas de planeamento para diferentes aspetos da geração.

Já vemos este padrão noutros domínios. Os modelos de geração de código planeiam antes de escrever. Os modelos de imagem usam condicionamento de layout. Agora, os modelos de vídeo estão a aprender a pensar antes de criar.

💡

O ritmo acelerado dos lançamentos de modelos em 2026 torna arriscado comprometer-se com um único fornecedor. Abordagens baseadas em pipelines, que podem trocar os backends de geração à medida que surgem modelos melhores, protegem o seu fluxo de trabalho contra a dependência de fornecedores.

A pressão competitiva é real. Com a saída do Sora, a Google a reduzir preços e modelos chineses como o Wan 2.7 e o Kling 3.0 a ultrapassarem limites de qualidade, os criadores nunca tiveram tantas opções, nem tantos motivos para se manterem flexíveis.

Para uma análise mais aprofundada de como estes modelos se comparam em benchmarks específicos, consulte a nossa análise do desempenho do Runway Gen-4.5. E, se tiver interesse em saber como o lançamento do Seedance 2.0 está a remodelar o ecossistema CapCut, abordámos o tema em detalhe no mês passado.