Alibaba Wan 2.7: Thinking Mode เปลี่ยนแปลงการสร้างวิดีโอ AI อย่างไร

Tongyi Lab ของ Alibaba เปิดตัว Wan 2.7 เมื่อวันที่ 6 เมษายน 2026 พร้อมนำเสนอ "Thinking Mode" ที่เปลี่ยนแปลงวิธีการประมวลผล prompt ของโมเดลวิดีโอ AI อย่างสิ้นเชิง แทนที่จะสร้างเฟรมจากข้อความโดยตรง โมเดลจะสร้างแผนภายในของฉากก่อน แล้วจึงดำเนินการตามแผนนั้น ผลลัพธ์พูดเพื่อตัวเอง: artifact น้อยลง, coherence ดีขึ้น, และองค์ประกอบภาพที่ตั้งใจวางแผนมาอย่างชัดเจน

Thinking Mode คืออะไร?

โมเดลสร้างวิดีโอส่วนใหญ่ทำงานแบบ single pass คุณพิมพ์ prompt, โมเดลเริ่ม diffuse noise ให้เป็นพิกเซล, และคุณก็ได้ผลลัพธ์ที่ออกมา วิธีนี้ใช้ได้ดีพอสมควรสำหรับฉากง่ายๆ แต่จะมีปัญหาเมื่อ prompt มีหลาย subject, ความสัมพันธ์เชิงพื้นที่เฉพาะเจาะจง, หรือการเคลื่อนไหวที่ซับซ้อน

Wan 2.7 เพิ่มขั้นตอนกลางเข้ามา ก่อนที่จะสร้างพิกเซลใดๆ โมเดลจะ:

แยกวิเคราะห์ prompt ออกเป็นส่วนประกอบเชิงความหมาย (subject, การกระทำ, สภาพแวดล้อม, แสง)
วางแผนองค์ประกอบภาพ โดยกำหนดว่าองค์ประกอบต่างๆ ควรปรากฏที่ใดและมีปฏิสัมพันธ์กันอย่างไร
สร้างผลลัพธ์ โดยใช้แผนนี้เป็นโครงสร้างนำทาง

💡

ลองนึกภาพความแตกต่างระหว่างการวาดภาพแบบ improvise กับการร่างแบบองค์ประกอบก่อน ภาพร่างไม่ปรากฏในผลงานสุดท้าย แต่กำหนดทิศทางของทุกฝีแปรง

หลักการนี้คล้ายกับที่ "chain-of-thought" reasoning ช่วยปรับปรุง large language model การบังคับให้โมเดลคิดก่อนลงมือทำ ทำให้คุณภาพผลลัพธ์ดีขึ้นอย่างมาก โดยเฉพาะสำหรับ prompt ที่ซับซ้อน

ชุดโมเดล Wan 2.7 ทั้งหมด

Wan 2.7 ไม่ใช่แค่โมเดลเดียว แต่มาเป็นชุด 4 โมเดลที่ครอบคลุม workflow การสร้างวิดีโอที่แตกต่างกัน:

Model Suite

$0.10/s

API Pricing

Apr 6

Release Date

Model	Input	Output	เหมาะสำหรับ
Text-to-Video	Text prompt	Video clip	สร้างจากศูนย์
Image-to-Video	Image + prompt	Video clip	ทำให้ภาพนิ่งเคลื่อนไหว, concept art
Reference-to-Video	Reference video + prompt	New video	Style transfer, สร้างใหม่
Video Editing	Video + edit instructions	Modified video	Post-production, แก้ไข

โมเดล text-to-video ใช้งานได้แล้วบน Together AI ตั้งแต่วันที่ 3 เมษายน อีก 3 โมเดลที่เหลือจะทยอยเปิดให้บริการในสัปดาห์ต่อๆ ไป

เบื้องหลัง: ข้อมูลเชิงสถาปัตยกรรม

แม้ว่า Alibaba ยังไม่ได้ตีพิมพ์ paper ฉบับเต็ม แต่รายละเอียดทางเทคนิคหลายอย่างปรากฏจาก API documentation และ benchmark เบื้องต้น

สิ่งที่ทราบ	สิ่งที่ทำให้แตกต่าง
สร้างบนสถาปัตยกรรม Wan (Wanxiang)	โมเดล production ตัวแรกที่มี explicit compositional planning
Thinking Mode เพิ่ม planning pass ก่อน diffusion	ฉากที่มีหลายองค์ประกอบรองรับ 5+ subject ได้อย่างดี
Character consistency แบบ hyper-realistic ตลอดทุกเฟรม	ข้อความในวิดีโอที่สร้างขึ้นอ่านได้ชัด ไม่เพี้ยน
ควบคุมสีได้แม่นยำผ่าน prompt conditioning	ความแม่นยำของสีคงที่แม้แสงเปลี่ยน
การแสดงข้อความยาวที่เหนือกว่า (ข้อความในวิดีโอ)	การเคลื่อนกล้องที่ซับซ้อนยังคง spatial coherence

ความสามารถในการแสดงข้อความยาวเป็นจุดที่น่าสนใจเป็นพิเศษ โมเดลก่อนหน้าประสบปัญหาในการสร้างข้อความที่อ่านได้ในเฟรมวิดีโอ Wan 2.7 จัดการป้าย, ฉลาก, และแม้แต่ย่อหน้าสั้นๆ ได้อย่างแม่นยำน่าประทับใจ สำหรับครีเอเตอร์ที่ต้องการฝัง text overlay ลงในฟุตเทจที่สร้างขึ้น นี่คือก้าวสำคัญไปข้างหน้า

เปรียบเทียบกับคู่แข่ง

ภูมิทัศน์วิดีโอ AI เปลี่ยนแปลงอย่างมากในสัปดาห์นี้ Wan 2.7 มาถึงพอดีกับที่ OpenAI ยืนยันการปิด Sora และ Google ลดราคา Veo 3.1

Model	Pricing	Audio	Max Length	Character Consistency	Thinking/Planning
Wan 2.7	$0.10/s	No	~10s	Strong	Yes
Veo 3.1 Lite	$0.05/s	Yes	~8s	Good	No
Veo 3.1 Fast	$0.12/s	Yes	~8s	Strong	No
Kling 3.0	~$0.08-0.17/s	Yes	~10s	Strong	No
Seedance 2.0	Bundled	Yes	15s	Good	No
Runway Gen-4.5	~$0.15/s	No	~10s	Strong	No

⚠️

Wan 2.7 ไม่มี native audio generation หากโปรเจกต์ของคุณต้องการเสียงที่ซิงโครไนซ์ คุณจะต้องใช้ audio pipeline แยกต่างหาก หรือโมเดลอย่าง Kling 3.0 หรือ Veo 3.1 ที่สร้างเสียงได้โดยตรง

ราคาที่ $0.10 ต่อวินาทีทำให้ Wan 2.7 อยู่ในระดับกลางที่แข่งขันได้ แพงเป็นสองเท่าของตัวเลือก Lite ราคาประหยัดของ Google, แข่งขันได้กับ Kling 3.0 (ซึ่งราคาแตกต่างตามแพลตฟอร์ม), และถูกกว่า Runway อย่างเห็นได้ชัด

ควรใช้ Wan 2.7 เมื่อใด

จากการทดสอบเบื้องต้นและจุดแข็งของโมเดล สถานการณ์ที่ Wan 2.7 เหมาะสมที่สุดมีดังนี้:

🎬

ฉากที่มีหลาย Subject ซับซ้อน

Thinking Mode ทำงานได้ดีที่สุดเมื่อ prompt ของคุณมีหลายตัวละครหรือวัตถุที่มีปฏิสัมพันธ์กัน ขั้นตอนการวางแผนป้องกันความสับสนเชิงพื้นที่ที่เป็นปัญหาในโมเดลอื่นๆ

📝

เนื้อหาที่มีข้อความมาก

หากวิดีโอของคุณต้องการข้อความที่อ่านได้, ป้าย, หรือ UI element, การแสดงข้อความของ Wan 2.7 ถือว่าดีที่สุดในขณะนี้

🎨

ควบคุมสีและสไตล์ได้แม่นยำ

ระบบ color conditioning ให้คุณกำหนด palette ที่ต้องการและรักษาไว้ตลอดทุกเฟรม เหมาะสำหรับเนื้อหาที่ต้องสอดคล้องกับแบรนด์

🔄

Style Transfer ผ่าน Reference

โมเดล reference-to-video (เร็วๆ นี้) จะให้คุณป้อนคลิปที่มีอยู่เป็น style guide เพื่อสร้างเนื้อหาใหม่ที่ตรงกับภาษาภาพของคลิปนั้น

สำหรับฉากง่ายๆ ที่มี subject เดียวและต้องการเสียงด้วย โมเดลอย่าง Kling 3.0 หรือ Veo 3.1 อาจยังเป็นตัวเลือกที่ดีกว่า overhead จากการวางแผนใน Thinking Mode ให้คุณค่าเพิ่มเฉพาะเมื่อ prompt มีความซับซ้อน

สิ่งนี้มีความหมายอย่างไรต่ออุตสาหกรรม

Thinking Mode ของ Wan 2.7 ชี้ไปยังการเปลี่ยนแปลงที่ใหญ่ขึ้นในวิธีการทำงานของ generative model แทนที่จะ brute-force ผลลัพธ์จาก noise, โมเดลในอนาคตน่าจะรวม explicit planning stage สำหรับด้านต่างๆ ของการสร้างเนื้อหา

เราเห็นรูปแบบนี้ในด้านอื่นๆ แล้ว โมเดลสร้างโค้ดวางแผนก่อนเขียน โมเดลสร้างภาพใช้ layout conditioning ตอนนี้โมเดลวิดีโอก็กำลังเรียนรู้ที่จะคิดก่อนสร้าง

💡

อัตราการเปิดตัวโมเดลที่รวดเร็วในปี 2026 ทำให้การผูกมัดกับผู้ให้บริการรายเดียวมีความเสี่ยง แนวทาง pipeline-based ที่สามารถสลับ generation backend ได้เมื่อโมเดลที่ดีกว่าออกมา จะปกป้อง workflow ของคุณจาก vendor lock-in

แรงกดดันจากการแข่งขันเป็นเรื่องจริง เมื่อ Sora ถอนตัว, Google ลดราคา, และโมเดลจีนอย่าง Wan 2.7 และ Kling 3.0 ผลักดันขีดจำกัดคุณภาพ ครีเอเตอร์ไม่เคยมีตัวเลือกมากขนาดนี้ และไม่เคยมีเหตุผลมากขนาดนี้ที่ต้องยืดหยุ่น

สำหรับการเปรียบเทียบ benchmark เฉพาะของโมเดลเหล่านี้ ดูการวิเคราะห์ประสิทธิภาพ Runway Gen-4.5 ของเรา และหากคุณสนใจว่า Seedance 2.0 rollout กำลังเปลี่ยนโฉม CapCut ecosystem อย่างไร เราได้เขียนถึงเรื่องนี้อย่างละเอียดเมื่อเดือนที่แล้ว