什麼是 Wan 2.7？Alibaba 思考模式模型指南（2026）

Wan 2.7 的真實面貌

Wan 2.7 並不是單一模型，而是 Alibaba Tongyi Lab 在 2026 年 4 月初推出的一波版本更新，同時涵蓋兩種媒體。影像方面有 Wan2.7-Image，以及另一個獨立的 Wan2.7-Image Pro，發布資料將其日期標示在 4 月 1 日左右；影片方面則是一套四模型系列，涵蓋文字轉影片、影像轉影片、參考圖轉影片，以及以指令為基礎的影片編輯，並在接下來幾天陸續推出。正是這種雙重範圍，導致搜尋結果頁面對 Wan 2.7 究竟是「影像模型」還是「影片模型」各說各話。答案是兩者皆是，只是以同一個版本號一併發布。

這個名稱本身值得釐清，因為很容易讓人混淆。「Wan」是 Tongyi Wanxiang（通義萬相）的國際簡稱，也是 Alibaba 的創意 AI 產品線。它與 Qwen 語言模型同屬一個企業體系，但屬於不同的產品家族。因此，當託管平台將 Wan 歸在 qwen 路徑下時，那是目錄分類的選擇，並不表示 Wan 是 Qwen 模型。

一句話版本：Wan 2.7 是 Alibaba 在 2026 年 4 月推出的影像與影片生成系列，主打其稱為 Thinking Mode 的功能。

Thinking Mode 的運作方式

先談機制之前，先說明它為何存在。標準影片模型會將提示詞直接映射為影格。它不會停下來思考你的要求——讀取文字、在潛在空間中選擇一條路徑，然後進行解碼。對於單一且乾淨的鏡頭，這樣就足夠了。但當你要求的是具有結構的內容時，情況會立即變得脆弱：多鏡頭序列、必須在第三個鏡頭和第一個鏡頭中保持外觀一致的角色，或必須在特定節拍上完成的攝影機移動。模型匆忙處理簡報，接縫便會暴露出來。

按照 Alibaba 的說法，Thinking Mode 會在生成前加入規劃階段。模型首先建立構圖規劃——理解提示詞的意圖、元素在空間與時間上的關係，以及鏡頭邏輯應如何安排——然後才進行生成。其主張是能減少瑕疵，並提升整個序列的一致性。

我會把這項提升的幅度視為尚未定論的問題，而不是已確定的數字，稍後也會回來說明原因。不過，這個設計理念是合理的，也是這裡真正新穎的部分。重點是：Thinking Mode 以少許速度換取一次規劃流程，當你的提示詞包含不只一個動態元素時，這一點最為重要。

主要能力——以及各項數字該相信多少

這裡需要區分信心層級，因為 Wan 2.7 的能力清單幾乎完全來自 Alibaba 自己的發布說明，而供應商提供的數字應該明確標註來源。

Alibaba 提到以下能力：足以讓臉部在整段影片中保持一致的角色一致性（用來解決「AI 千人一面」問題）；接受 HEX 值與調色盤的精確色彩控制；可在 12 種語言中渲染超過 3,000 個 token 的長文本，並將表格與公式繪製到影格中；多鏡頭敘事控制；首尾影格引導；最多接受九張參考影像的參考圖轉影片；以及在同一個流程中生成原生音訊。這些都是供應商的主張，我會以供應商的主張來呈現。我目前無法透過中立測試驗證它們。

至於硬體規格，實際情況比多數文章承認的更加模糊。輸出解析度會依執行位置不同而標示為 720p 或 1080p，片段長度約在 2 至 15 秒之間，而 4K 數字則是影像模型具備的能力。這些數值會因託管平台而異，因此應將你看到的單一數字理解為「在該平台上為真」，而非「模型本身的固定規格」。生成也不是即時完成的——早期實測報告指出，它明顯比輕量影片模型更慢；這是規劃流程帶來的低調成本，如果你要大量渲染，值得預先納入預算。

坦白說，仍存在一個明顯缺口：截至本文撰寫時，我找不到 Wan 2.7 出現在任何中立排行榜上——沒有 Artificial Analysis Video Arena 項目，也沒有這個版本已發布的 VBench 分數。這不代表它不好，而是代表目前流傳的品質主張仍全部由供應商自行報告，僅此而已。最接近可驗證的參考點是其產品沿革：Wan 2.1 在 2025 年 2 月發布時登上 VBench 首位；那是較早模型的真實結果，不能代替 2.7。

Wan 2.7 是開源的嗎？

先說簡短答案：不是以 Wan 系列過去讓大家形成的期待方式開放。

以下是第一個事實。Wan 2.1（2025 年 2 月）與 Wan 2.2（2025 年 7 月）以 Apache 2.0 授權的開放權重形式發布——可下載、自行託管、微調，且沒有商業限制。你可以在 Hugging Face 上的 Wan-AI 組織以及 GitHub 上的 Wan-Video 組織自行確認。這段開放權重的歷史是真實的，也正是許多指南想當然認為 2.7 同樣開放的原因。

以下是第二個事實。那些相同的官方管道——GitHub 組織、Hugging Face 組織，以及 Alibaba 自己的 ModelScope——都沒有列出 Wan 2.7 權重。截至本文撰寫時，第一方資訊中最新的開放權重版本仍是 Wan 2.2 系列（A14B 文字轉影片與影像轉影片模型、5B TI2V，以及後來的 S2V 和 Animate 變體）。該儲存庫的官方新聞記錄也早在任何 2.7 項目之前就停止更新。

因此，當某個頁面告訴你 Wan 2.7 是「Apache 2.0 授權的開放權重」時，請確認它是否連結到真正的第一方權重儲存庫。在我追查的每個案例中，答案都是否定的——這項主張只是借用了該系列的聲譽，而且至少有一個廣受引用的來源在自己的不同頁面之間互相矛盾。我的判斷是：Wan 2.7 遵循 Alibaba 在 Wan 2.5 與 2.6 上採取的僅限 API 路線，而不是 2.1 與 2.2 的開放路線。我會把這視為判斷，而非絕對真理——如果 Alibaba 下週上傳權重，情況就會改變——但截至今天，可驗證證據都指向同一個方向。

實際上，這代表一個很清楚的決策。如果你的專案確實需要權重——本機推論、微調，或不能離開基礎設施的資料——Wan 2.7 今天無法提供這些，你真正的開放選項仍是 Wan 2.2。如果你可以透過 API 使用，2.5、2.6 與 2.7 都能以這種方式取得。不要因為期待一個不存在的下載檔而選擇 2.7。

你實際上應該使用哪個 Wan？

一旦你不再把「最新」等同於「最適合你」，這個系列就能清楚區分開來。

Wan 2.7 與非 Wan 模型相比處於什麼位置？在開源影片領域，自 2.1 以來 Wan 系列一直是參考基準——這段產品沿革才是它真正的主張。在封閉式 API 模型之間，2.7 的差異化優勢是 Thinking Mode 加上共用的影像與影片技術堆疊，而不是已證實的品質領先於其他目前的 API 競爭者。我刻意不在這裡製作 Wan 2.7 與 Seedance 或 Kling 的比較表，因為目前沒有中立基準能支持其中任何一方，我也不會捏造一個。如果你想要真正的正面比較，應該進行獨立測試，而不是在說明文章中隨意加入一列。

今天如何透過 API 使用 Wan 模型

直說吧：如果你是在 GPT Proto 上閱讀本文，請注意目錄中目前沒有 2.7——具有相同定位（1080p、多鏡頭、原生音訊）的最接近託管版本是 Wan 2.6，每次執行 $0.45。以下是一個確實可以對它執行的請求。

在貼上任何內容前，有幾個容易踩雷的地方值得提醒，因為它們曾讓人浪費時間。第一，驗證使用 Bearer token——這些 Wan 端點位於 /api/v3/alibaba/ 路徑，要求使用 Authorization: Bearer $KEY，而不是原始金鑰。第二，網站 URL 將模型歸在 /qwen/ 下，但 API 路徑使用 alibaba——區段不同，但模型相同。第三，這是兩步驟的非同步呼叫：先以 POST 提交並取得 id，再以 GET 取得結果端點進行輪詢。第四，不同模型的參數不同——2.6 接受 audio 與 shot_type，而 2.2-plus 與 2.5 使用 enable_prompt_expansion，且不使用前述參數。

# 1. 提交工作
curl --request POST "https://gptproto.com/api/v3/alibaba/wan-2.6/text-to-video" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "prompt": "A first-person POV gliding through a damp stone tunnel toward a bright exit. [0-3s] fast forward motion, light at the end growing. [3-5s] emerge into a sunlit forest, a waterfall on the right. Sound: heavy breathing, then birdsong.",
    "negative_prompt": "",
    "size": "1920*1080",
    "duration": 5,
    "prompt_extend": true,
    "audio": "",
    "shot_type": "",
    "seed": 1
  }'
# -> returns a prediction id
 
# 2. 輪詢結果
curl --request GET "https://gptproto.com/api/v3/predictions/$RESULT_ID/result" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY"

以下是使用 Python 實作相同流程的方式，並完整寫出輪詢迴圈：

import os, time, requests
 
KEY = os.environ["GPTPROTO_API_KEY"]
HEADERS = {"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"}
BASE = "https://gptproto.com/api/v3"
 
payload = {
    "prompt": (
        "A first-person POV gliding through a damp stone tunnel toward a bright exit. "
        "[0-3s] fast forward motion, light at the end growing. "
        "[3-5s] emerge into a sunlit forest, a waterfall on the right. "
        "Sound: heavy breathing, then birdsong."
    ),
    "negative_prompt": "",
    "size": "1920*1080",
    "duration": 5,
    "prompt_extend": True,
    "audio": "",
    "shot_type": "",
    "seed": 1,
}
 
submit = requests.post(f"{BASE}/alibaba/wan-2.6/text-to-video",
                       headers=HEADERS, json=payload).json()
result_id = submit["id"]
 
while True:
    r = requests.get(f"{BASE}/predictions/{result_id}/result", headers=HEADERS).json()
    if r.get("status") in ("succeeded", "failed"):
        print(r)
        break
    time.sleep(5)

計費會隨配置調整，而不是採用固定的每片段費率——解析度、時長與音訊都會影響價格，這也是為什麼 1080p／10 秒的預覽報價會高於 $0.45 基本費率。每個託管 Wan 模型都會在自己的模型頁面顯示目前費率，而且它們與 catalog 中的其他模型共用同一個餘額，因此測試 2.5 與 2.6 時不必管理不同帳戶。

Thinking Mode 的提示詞寫法

由於 2.7 會先規劃再渲染，效果最好的提示詞不像關鍵字堆疊，更像一份簡報。請提供意圖與結構。帶有時間戳的節拍表——[0-3s] … [3-5s] …——能為規劃流程提供具體的組織依據，這也是上方可執行程式碼使用的相同模式。音訊是同一個提示詞的一部分：簡短的 Sound:提示（「喘息聲，接著是鳥鳴」）會驅動原生音訊軌，而不需要額外呼叫。你也可以使用 negative_prompt 排除真正預期會出現的失敗——「不要發光植物，不要扭曲的手」——而不是將其留白。這些做法並不特別；只是要對一個會在開始前讀完整份簡報的模型進行描述。

誰該使用它——誰不該使用它

如果你需要開放權重——自行託管、微調，或讓資料留在自己的基礎設施內——Wan 2.7 今天不是正確選擇，Wan 2.2 才是。如果你希望透過 API 進行可控的影像與影片生成，並且能接受封閉模型與較慢的渲染速度，2.7 是合理選擇，但必須誠實說明：目前它的品質領先仍只是 Alibaba 的主張，而非經過測量的結果。如果你正在以有限預算製作原型，較便宜的託管 Wan 方案可以讓你以每次幾美分的成本先開始，再決定是否投入。請根據限制選擇模型，而不是根據版本號。