把 Wan2.2 丢进国产视频生成模型的考场：这场"中国版 Sora"大横评该补上动画这一科

从 2024 年"中国版 Sora"口号满天飞，到如今阿里、腾讯、字节、快手、智谱等玩家轮流开源视频大模型，媒体与社区的横评几乎每月都在翻新：同一条 prompt 跑一遍，比文本一致性、比运动幅度、比画质清晰度、比 720P 还是 1080P、比几秒能出片。这场考试看似热闹，考卷却始终缺了一科——动画。绝大多数横评的题目取自实拍风格的 prompt（"人在海边行走""无人机掠过城市"），而真正考验视频生成模型上限的二次元角色、卡通夸张动作、多视角镜头语言，几乎无人出题。

答案其实就在考场上：当我们把 Wan2.2 家族的最新成员 Wan-Animate-2（仓库 Wan2.2-Animate-2-14B）丢进这套评分框架时，会发现它不但答完了传统视频科目，还自带了一套动画科目的专属答卷。本文结合仓库源码与社区横评现状，拆解这套"动画考卷"应该怎么出、Wan2.2 家族凭什么接得住。

既有横评的评分框架回顾：为什么动画维度被漏掉

复盘最近几轮国产视频生成模型横评（例如奥一网"实测 8 款视频生成大模型"一类评测），评分维度高度趋同：指令遵循（prompt 描述是否在画面中兑现）、运动质量（动作是否自然、幅度是否合理）、主体一致性（身份与外观是否漂移）、画质与帧率、生成成本（步数、显存、推理时延）。这套框架源自文生视频（T2V）与图生视频（I2V）评测，考题也几乎全部是写实影像。

动画维度被系统性漏掉，有三个客观原因：

其一，动画是"故意不真实"的分布。 写实视频模型训练数据里，人类动作遵循物理规律——重力的落点、肌肉的起伏、呼吸的节律都可在帧间验证。而动画角色的动作是"夸张的物理"：头发违背重力飘动、表情跨越人类面部极限、走位在 0.1 秒内瞬移。主流模型在训练语料中鲜见这种分布，评测方自然也不敢出题。

其二，动画考题需要"双输入"范式。 角色动画（character animation）不同于文生视频，它的标准输入是"一张参考图 + 一段驱动视频"——考的是模型能否把参考角色"穿上"驱动视频的动作，再叠加文本指令控制视角与细节。横评通常只给一条 prompt，出题成本低，但也测不出这类任务的真实能力。

其三，评测标准没有跟上工程化速度。 动画生成在工业界是刚需——虚拟数字人、短剧、直播带货的虚拟主播都需要"一张人设图 + 一段动作模板"批量产出内容。横评把动画排除在外，等于把最接近商业闭环的那一科划出了考场。

动画科目：指令遵循、动作质量、角色一致性的新考卷

如果为动画单开一科，考卷应当如何设计？Wan-Animate-2 的架构设计恰好给出了三个可量化的维度。

仓库 README 对模型定位的描述非常直白：

We present Wan-Animate-2, a novel end-to-end character animation framework that directly consumes driving videos in a redesigned Diffusion Transformer, which achieves high-fidelity motion generation and strong identity preservation by eliminating intermediate motion extractors.

三个关键词对应三科考题：

1. 指令遵循（含视角控制）。 动画考试的第一题是"听不听得懂镜头语言"。Wan-Animate-2 引入了文本驱动的视角控制（text-driven viewpoint control），将输出相机视角与驱动视频解耦——也就是说，驱动视频只负责动作，镜头怎么摆由文本说了算。传统角色动画方案（如基于 DWPose、OpenPose 提取骨架再重绘的两阶段管线）无法做到这一点，因为中间运动提取器已经把驱动视频"翻译"成骨架，相机信息在翻译中丢失。端到端架构天然保留并复用了更多时序信息，文本指令才有机会介入镜头层面。

2. 动作质量。 第二题考"动作的保真度与流畅度"。Wan-Animate-2 的核心手段是消除中间运动提取器（eliminating intermediate motion extractors）：参考图与驱动视频直接进入重新设计的 Diffusion Transformer 参与去噪。这条技术路线的意义在于，传统管线中骨架提取（SMPL、DWPose）的误差会逐级放大到最终画面——关节点抖动、肢体穿模、手部扭曲大多源于中间表示的精度瓶颈。端到端方案把动作"理解"交给扩散模型在潜空间直接完成，动作质量的上限取决于模型容量而非骨架精度。

3. 角色一致性。 第三题考"换装不换人"。README 将其表述为 strong identity preservation。在动画场景里这比写实场景更难：卡通角色通常有夸张的配色、固定的发型与服饰标志（蝴蝶结、制服、兽耳），任何细节漂移都会被一眼识破。仓库的示例 prompt 也印证了这一点——参考图 caption 被规定为"人物外观描述 + 背景描述"的严格范式，且明确要求"只描述外观、不描述动作行为"（见 README 中的 LLM 生成 caption 提示词），目的就是把外观特征作为稳定锚点注入生成过程，让身份信息与动作信息在特征空间分离。

值得一提的还有配套考卷工具：videomodel/Wan-AI/ 目录下同时携带了 umt5-xxl 文本编码器（models_t5_umt5-xxl-enc-bf16.pth）与 OpenCLIP 视觉编码器（models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth），外加 VAE（videomodel/Wan-AI/vae.pth）。CLIP 负责把参考图外观"锁"进条件空间，T5 负责把文本指令与 caption 语义对齐——这正是"指令遵循 + 角色一致性"两科试题背后的作答引擎。

同台实测：Wan2.2 家族在视频与动画两科的交叉成绩

把 Wan2.2 家族放进考场，首先要注意它考的不是一张卷子，而是两个卷种。仓库 wan_animate_2/ 目录下并排躺着两套权重：

• wan_animate_2/wan_animate_2_bf16.safetensors（Base 版）
• wan_animate_2/wan_animate_2_bf16_distillation.safetensors（蒸馏版）

这对应 README 中 Release Notes 的同日双发（2026-08-07）：Base 权重与 Distillation 权重同日开源。两套卷子的考法截然不同：

Base 卷（标准步数）：默认 40 步去噪，采用常规 CFG 引导。README 给出的推理命令同时喂入参考图（--refer-img-file）与驱动视频（--refer-video-file），提示词直接复用 LLM 生成的"人物外观描述 + 背景描述"caption。这是把驱动视频"翻译"成新角色的标准答题方式。

蒸馏卷（10 步无 CFG）：蒸馏版只走 10 步去噪，且 guidance_scale=1.0（完全关闭 classifier-free guidance）、采样器指定为 Euler，全程不依赖 CFG 的两路并行去噪。在传统横评的"生成成本"科目里，这属于降维打击：当其他模型还在为 30-50 步的 CFG 推理买单时，Wan-Animate-2 蒸馏版把步数压到 10，理论上推理时延直接对半再对半砍。

更值得注意的是 README 中点名的 Wan-Animate-2-Lite：一个将推理延迟压到"流式角色动画实时阈值"的轻量变体。这解释了蒸馏版存在的意义——动画科目不只考质量，还考能不能在直播、视频通话这类实时场景里"边驱动边出片"。

交叉成绩还体现在工程生态上。README 的 Todo List 显示 Wan-Animate-2 已完成四路集成：官方推理脚本、HuggingFace Diffusers 管线（WanAnimate2Pipeline）、DiffSynth-Studio 与 ComfyUI。以 Diffusers 方式作答只需三行核心调用：加载 WanAnimate2Pipeline、传入参考图与驱动视频、指定分辨率与步数后导出视频。这种"考卷标准化"的意义在于：横评机构无需搭建各家私有推理环境，直接用同一套 Diffusers 接口对所有参赛模型统一出题，动画科目才能真正纳入横评。

硬件门槛同样需要纳入评分表：仓库默认配置面向 8×A800（720P 生成），也实测了 2×A800（480P）。相对写实视频模型动辄"百卡训练、多卡推理"的配置，这套 14B 规模的开源模型把动画生成压到了 A800 双卡可跑的区间——与社区里"国产开源视频模型 8G 显卡即可运行"的讨论趋势同向。

结语：补上这一科，横评才算完整

回顾这场"中国版 Sora"大横评，缺的不是好模型，而是好考卷。当同质化的写实 prompt 已经难以拉开差距时，动画科目——指令遵循、动作质量、角色一致性——恰好是一面照妖镜：骨架提取误差会在这里现形，身份漂移会在这里放大，镜头控制能力会在这里分出高下。Wan-Animate-2 以端到端 Diffusion Transformer 消解中间提取器、以文本驱动视角控制改写镜头语法、以 Base/Distillation 双权重划定性价比分档，等于同时提供了考卷设计和参考答案。

把 Wan2.2 丢进考场，动画这一科不仅该补上，而且已经有了第一个实力派选手。下一轮横评，建议出题人带上参考图和驱动视频再来。