阿里巴巴 Wan 2.7：思考模式如何改變 AI 影片生成

什麼是思考模式？

大多數影片生成模型採用單次處理方式。你輸入提示詞，模型開始將雜訊擴散為像素，然後你得到生成的結果。對於簡單場景，這種方式效果尚可，但當提示詞涉及多個主體、特定空間關係或複雜動作時，效果往往不盡理想。

Wan 2.7 增加了一個中間步驟。在生成任何像素之前，模型會：

1. 解析提示詞，將其分解為語義組件（主體、動作、環境、光照）
2. 規劃構圖，確定各元素應出現的位置及互動方式
3. 執行生成，以該規劃作為結構引導

這與「思維鏈」推理改善大型語言模型的方式類似。透過迫使模型在行動前先思考，輸出品質獲得了顯著提升，尤其是對於複雜提示詞。

完整的 Wan 2.7 模型套件

Wan 2.7 並非單一模型，而是一個包含四個模型的套件，涵蓋不同的生成工作流程：

文字生成影片模型自 4 月 3 日起已在 Together AI 上線。其餘三個模型將在未來幾週內陸續推出。

技術細節：架構解析

雖然阿里巴巴尚未發佈完整論文，但從 API 文件和早期基準測試中已透露出若干技術細節。

長文字渲染能力尤其值得關注。先前的模型在影片幀內生成清晰可讀的文字方面表現不佳。Wan 2.7 能夠以出色的準確度處理招牌、標籤甚至短段落。對於需要在生成素材中嵌入文字疊加的創作者來說，這是一項重要的進步。

與同類模型的對比

本週 AI 影片領域發生了重大變化。Wan 2.7 發佈的同時，OpenAI 確認關停 Sora，Google 也大幅下調了 Veo 3.1 的定價。

每秒 $0.10 的定價使 Wan 2.7 處於競爭力適中的價格區間。它是 Google 經濟型 Lite 方案的兩倍，與 Kling 3.0 價格相當（後者因平台而異），同時明顯低於 Runway 的定價。

何時使用 Wan 2.7

根據早期測試及該模型的優勢，以下是 Wan 2.7 最適合的應用場景：

對於較簡單的單主體場景，如果同時需要音訊，Kling 3.0 或 Veo 3.1 可能仍是更好的選擇。思考模式的規劃開銷在提示詞複雜時才能真正體現價值。

對產業的意義

Wan 2.7 的思考模式預示著生成模型運作方式的更廣泛轉變。未來的模型可能不再單純從雜訊中強行生成輸出，而是在生成的各個環節引入顯式規劃階段。

這種模式已在其他領域出現。程式碼生成模型在撰寫前會先規劃，影像模型使用佈局條件引導，如今影片模型也在學習先思考再創作。

競爭壓力確實存在。隨著 Sora 退出市場、Google 降價，以及 Wan 2.7 和 Kling 3.0 等中國模型不斷推高品質標準，創作者擁有了前所未有的選擇，也有了更多保持靈活性的理由。

如需深入了解這些模型在具體基準測試中的表現，請查看我們的 Runway Gen-4.5 效能分析。如果你對 Seedance 2.0 的推出如何重塑剪映生態感興趣，我們上個月也做了詳細報導。