Wan 2.7 擅長什麼——又不擅長什麼

Wan 2.7 是打破了旗艦級視訊閉源護城河的模型。過去 18 個月，AI 視訊排行榜的頂部一直由閉源權重控制——Veo、Kling、Seedance、Runway——開源生態系統落後一代。阿里巴巴的通義實驗室於 2026 年 4 月在 Apache 2.0 下發布了 Wan 2.7，打包為完整套件：文字轉視訊、圖像轉視訊、首/尾幀控制和基於指令的視訊編輯。結果真正在解析度、動態保真度和音訊上與閉源旗艦競爭——同時在 Apache 2.0 下保持開放權重。

背後的架構選擇是 270 億參數的混合專家 (MoE) 模型，每次生成僅啟用約 140 億參數。MoE 設計賦予 Wan 2.7 更大密集模型的容量優勢——更好的世界知識、更好的風格覆蓋、更好的動態物理——同時保持推理延遲更接近 14B 密集模型。對於高批量生產工作（廣告技術生成、批量分鏡、大型內容庫），這是可擴展的模型。

功能上使 Wan 2.7 與眾不同的能力是基於指令的視訊編輯。傳遞現有片段加文字指令——「將夾克改為紅色」、「將背景改為海灘」、「轉換為黃金時刻」——Wan 在保持原始動態、角色身份和場景幾何的同時應用編輯。最接近的競爭者是 Veo 的重新風格化流程，但 Wan 的指令解析器更靈活。對於需要重新混合客戶素材而無需重拍的代理商，這是閉合循環的模型。

其他值得注意的能力：首/尾幀控制讓你鎖定開場和結束幀，讓 Wan 生成橋接動態——對於達到特定敘事節拍和串聯需要乾淨連接的片段很有用。原生同步音訊——對話、環境音和音樂——與畫面在同一次流程中生成，口型同步無需額外音效步驟。

弱點：在單鏡頭工作的頂級視覺保真度上，Veo 3.1 在 1080p+ 和 4K 升頻路徑上仍有優勢。在多模態參考 Elo 上，Seedance 2.0 領先公開基準。在一個 prompt 中帶硬切的明確多鏡頭分鏡上，Kling V3 更可控。Wan 的甜蜜點是開源友好、指令編輯和批量生產。

一個實用的判斷原則：當你需要開放權重來源、高批量生產或編輯密集工作流程時，預設選 Wan 2.7。最高保真度，Veo 3.1。參考密集的鏡頭，Seedance 2.0。