阿里巴巴 Wan 2.7：思考模式如何改变 AI 视频生成

什么是思考模式？

大多数视频生成模型采用单次处理方式。你输入提示词，模型开始将噪声扩散为像素，然后你得到生成的结果。对于简单场景，这种方式效果尚可，但当提示词涉及多个主体、特定空间关系或复杂动作时，效果往往不尽人意。

Wan 2.7 增加了一个中间步骤。在生成任何像素之前，模型会：

1. 解析提示词，将其分解为语义组件（主体、动作、环境、光照）
2. 规划构图，确定各元素应出现的位置及交互方式
3. 执行生成，以该规划作为结构引导

这与"思维链"推理改善大语言模型的方式类似。通过迫使模型在行动前先思考，输出质量获得了显著提升，尤其是对于复杂提示词。

完整的 Wan 2.7 模型套件

Wan 2.7 并非单一模型，而是一个包含四个模型的套件，覆盖不同的生成工作流：

文本生成视频模型自 4 月 3 日起已在 Together AI 上线。其余三个模型将在未来几周内陆续推出。

技术细节：架构解析

虽然阿里巴巴尚未发布完整论文，但从 API 文档和早期基准测试中已透露出若干技术细节。

长文本渲染能力尤为值得关注。此前的模型在视频帧内生成清晰可读的文字方面表现不佳。Wan 2.7 能够以出色的准确度处理标牌、标签甚至短段落。对于需要在生成素材中嵌入文字叠加的创作者来说，这是一个重要的进步。

与同类模型的对比

本周 AI 视频领域发生了重大变化。Wan 2.7 发布的同时，OpenAI 确认关停 Sora，Google 也大幅下调了 Veo 3.1 的定价。

每秒 $0.10 的定价使 Wan 2.7 处于竞争力适中的价格区间。它是 Google 经济型 Lite 方案的两倍，与 Kling 3.0 价格相当（后者因平台而异），同时明显低于 Runway 的定价。

何时使用 Wan 2.7

根据早期测试及该模型的优势，以下是 Wan 2.7 最适合的应用场景：

对于较简单的单主体场景，如果同时需要音频，Kling 3.0 或 Veo 3.1 可能仍是更好的选择。思考模式的规划开销在提示词复杂时才能真正体现价值。

对行业的意义

Wan 2.7 的思考模式预示着生成模型工作方式的更广泛转变。未来的模型可能不再简单地从噪声中强行生成输出，而是在生成的各个环节引入显式规划阶段。

这种模式已在其他领域出现。代码生成模型在编写前会先规划，图像模型使用布局条件引导，如今视频模型也在学习先思考再创作。

竞争压力确实存在。随着 Sora 退出市场、Google 降价，以及 Wan 2.7 和 Kling 3.0 等中国模型不断推高质量标准，创作者拥有了前所未有的选择，也有了更多保持灵活性的理由。

如需深入了解这些模型在具体基准测试中的表现，请查看我们的 Runway Gen-4.5 性能分析。如果你对 Seedance 2.0 的推出如何重塑剪映生态感兴趣，我们上个月也做了详细报道。