阿里云还公开了多个万相2.1生成视频的Demo。 以红色新年宣纸为背景，出现一滴水墨，晕染墨汁缓缓晕染开来。文字的笔画边缘模糊且自然，随着晕染的进行，水墨在纸上呈现“福”字，墨色从深到浅过渡，呈现出独特的东方韵味。背景高级简洁，杂志摄影感。
不过，纸上福字左上角的一点并没有书写过程，而是突然在视频后期出现。 纪实摄影风格，低空追踪视角，一辆宝马M3在蜿蜒的山路上疾驰，车轮扬起滚滚尘土云。高速摄像机定格每个惊险过弯瞬间，展现车辆极致的操控性能。背景是连绵起伏的山脉和蓝天。画面充满动感，轮胎与地面摩擦产生的烟雾四散。中景，运动模糊效果，强调速度感。
可以看到，视频镜头随着汽车的漂移加速，捕捉到了每一个画面，并且在漂移时路边还有与地面摩擦飞扬的尘土。 微观摄影，珊瑚管虫和霓虹刺鳍鱼在五彩斑斓的海底世界中游弋。珊瑚管虫色彩鲜艳，触手轻轻摇曳，仿佛在水中舞蹈；霓虹刺鳍鱼身体闪耀着荧光，快速穿梭于珊瑚之间。画面充满奇幻视觉效果，真实自然，4k高清画质，展现海底世界的奇妙与美丽。近景特写，水下环境细节丰富。
整个画面色彩鲜艳，对提示词中的细节基本都表现到了。 中国古典风格的动画角色，一个身穿淡紫色汉服的女孩站在樱花树下。她有着大大的眼睛和精致的五官，头发上装饰着粉色的花朵。女孩表情温柔，眼神中带着一丝忧郁，仿佛在思考什么。背景是朦胧的古建筑轮廓，花瓣在空中轻轻飘落，营造出一种宁静而梦幻的氛围。近景特写镜头，强调女孩的面部表情和细腻的光影效果。
视频对“眼神中带着一丝忧郁，仿佛在思考什么”这类复杂的指令，也在女孩的眼神中得到了呈现。 二、优于其他开闭源模型，可兼容消费级显卡 为了评估万相2.1的性能，研发人员基于1035个内部提示集，在14个主要维度和26个子维度上进行了测试，然后通过对每个维度的得分进行加权计算来计算总分，其中利用了匹配过程中人类偏好得出的权重。详细结果如下表所示：
研发人员还对文生视频、图生视频以及模型在不同GPU上的计算效率进行了评估。 文生视频的评估结果：
图生视频的评估结果：
其结果显示，万相2.1均优于其他开源、闭源模型。 不同GPU上的计算效率：
可以看到，13亿参数模型可兼容消费级显卡，并实现较快的生成速度。 三、模型性能提升大杀器：3D VAE、可扩展预训练策略、大规模数据链路构建…… 基于主流的DiT和线性噪声轨迹Flow Matching范式，万相2.1基于自研因果3D VAE、可扩展的预训练策略、大规模数据链路构建以及自动化评估指标提升了模型最终性能表现。 VAE是视频生成领域广泛使用的模块，可以使得视频模型在接近无损情况下有效降低资源占用。 在算法设计上，万相基于主流DiT架构和线性噪声轨迹Flow Matching范式，研发了高效的因果3D VAE、可扩展的预训练策略等。以3D VAE为例，为了高效支持任意长度视频的编码和解码，万相在3D VAE的因果卷积模块中实现了特征缓存机制，从而代替直接对长视频端到端的编解码过程，实现了无限长1080P视频的高效编解码。 |
