Wan2.2 拆开看：MoE 双专家为什么能同时要画质要速度
主流视频模型大多是一个网络跑完全部去噪步：从纯噪声一步步推到清晰画面。问题在于，这个过程前后两半干的是完全不同的活——前半段在决定「拍什么、怎么动」，后半段在决定「质感、细节、纹理」。让同一个网络同时擅长两件事，等于让它分心。
Wan2.2 的解法很直接：拆成两个权重。高噪声专家负责前一半步数，低噪声专家负责后一半。听起来只是工程细节，实际影响的是三件事——画质上限、显存占用、以及你的工作流怎么连。
一、为什么按噪声阶段拆是合理的
去噪的 0%–50% 阶段，画面还是模糊的色块，模型做的是全局结构决策：主体在左还是右、镜头推还是拉、运动幅度多大。这个阶段犯错，后面再多的步数也救不回来。
50%–100% 阶段，结构已经定了，模型做的是局部细化：皮肤纹理、发丝边缘、玻璃反光、布料褶皱。这个阶段需要的是分辨力，不是想象力。
两种能力对网络容量的需求不一样：前者要「宽」（理解语义和空间关系），后者要「深」（还原高频细节）。拆开之后，每个网络可以按自己的需求长，而不是取折中。
二、三档规格，各自解决什么问题
| 版本 | 结构 | 解决的问题 | 典型显存 |
|---|---|---|---|
| T2V-A14B | MoE，总参 27B、激活 14B | 纯文本出片，电影级构图与运动 | 48 GB 原生 / 24 GB 量化 |
| I2V-A14B | 同上，带首帧输入 | 可控构图，做分镜最常用的档 | 同上 |
| TI2V-5B | 稠密 5B | 单卡 720P，出片速度优先 | 12–16 GB |
5B 这一档常被忽略，但它才是大多数人的实际起点：单张 24G 卡、720P、24fps，一条 5 秒视频十几分钟。A14B 是「确定的镜头要出终稿」时才上的。
三、双专家带来的两个硬约束
1. 必须两段采样，start/end 要互补
两个网络各跑一段，中间交接。第一个采样器的结束点必须等于第二个的起始点——写成 0 到 0.5 和 0.5 到 1。写成 0 到 0.6 加 0.4 到 1，重叠那 20% 被采样两次，出来全是噪点；写成 0 到 0.5 加 0.6 到 1，中间 10% 没人管，画面发糊。
高噪声 KSampler: steps 0 → 10 (start 0.0, end 0.5)
低噪声 KSampler: steps 10 → 20 (start 0.5, end 1.0)2. VAE 不能混用
2.2 的 VAE 和 2.1 的不通用。把 2.1 的解码器接到 2.2 的潜空间上，轻则颜色发灰，重则直接报形状错误。换模型版本的时候，VAE 一定要跟着换。
四、和其他模型怎么分工
实际生产中很少有人只用一支模型。比较顺的分工是：
- LTX 出草稿：2B 档秒级出片，用来快速试构图和机位，改二十次 prompt 也不心疼；
- Wan2.2-5B 出可用片：构图确定后用 5B 重跑，画质能直接用；
- Wan2.2-A14B 出终稿：广告、封面、关键镜头才值得花十几分钟。
这套分工的收益在于：把 80% 的试错成本压在最快的模型上，把算力留给那 20% 真正要用的镜头。
五、生态为什么重要过跑分
一个模型能不能用得顺手，取决于三样东西能不能及时跟上：官方节点的支持、量化包、以及社区训好的 LoRA。
Wan 系在这三项上目前是最齐的：ComfyUI 有原生节点，不需要第三方封装；4-bit 量化包有现成的；角色 LoRA、风格 LoRA 在社区里能找到大量训练好的成品。相比之下，一些跑分更高的新模型，因为没人做量化，24G 卡压根跑不起来——对你而言等于不存在。
六、什么时候不该用它
- 要长镜头：它出的是 5 秒段，超过就要靠尾帧续接，衔接处仍会有细微跳变；
- 要文字：招牌、字幕、包装上的字，目前所有开源模型的文字渲染都不可靠，别指望；
- 要人物一致性跨镜头：模型本身不保证，得靠参考图加 LoRA 锁，那是另一套流程。
