从 ModelScope 拉模型到本地出片一条龙配置清单显卡、显存、依赖全给你排好【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B开源视频生成赛道近一年的主旋律是本地化轻量视频模型不断把显存门槛下探到 8GB 级别让个人创作者也能在自己机器上出片。但如果你要的是角色动画——拿一张参考图、一段驱动视频生成人跟着动、身份不丢的完整动画——量级就完全不同了。Wan-Animate-2 就是这样一款 14B 参数规模的端到端角色动画模型它砍掉了中间的动作提取器直接在 Diffusion Transformer 里消费驱动视频同时加入文本控制的视角解耦。模型很强但很强也意味着它的下载、部署、出片有相当明确的硬性门槛。这篇文章不做概念科普只做一件事基于 ModelScope 上Wan-AI/Wan2.2-Animate-2-14B仓库的真实文件清单与源码 README把从拉模型到本地推理出片的整条链路排清楚——仓库里到底有什么、每个文件多大、用什么命令下载、怎么校验、环境版本怎么对齐、显存预算怎么算、首跑会在哪里翻车。先看清仓库里到底装了什么打开仓库目录README.md 同级的文件树你会发现它不是一个单文件模型而是一个五组件模型仓库结构非常接近 Wan 系列的惯例把视频 DiT 主干与文本/视觉编码器分开管理方便复用与替换wan_animate_2/ DiT 主干Base 与 Distillation 两个版本 videomodel/Wan-AI/ VAE UMT5-XXL 文本编码器 CLIP 视觉编码器 assets/ 架构图等资源各文件的真实大小与 SHA256来自 ModelScope 文件清单本地 LFS 指针中的 oid 与之逐一对应文件仓库相对路径大小SHA256前 12 位角色wan_animate_2/wan_animate_2_bf16.safetensors32,789,901,704 B约 30.54 GiB48abc389b8d9Base 版 DiT 主干BF16wan_animate_2/wan_animate_2_bf16_distillation.safetensors32,789,901,704 B约 30.54 GiB66161359fc58Distillation 版 DiT 主干10 步出片videomodel/Wan-AI/models_t5_umt5-xxl-enc-bf16.pth11,361,920,418 B约 10.58 GiB7cace0da2b44UMT5-XXL 文本编码器提示词理解videomodel/Wan-AI/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth4,772,359,047 B约 4.44 GiB628c9998b613CLIP 视觉编码器参考图语义对齐videomodel/Wan-AI/vae.pth783,806,166 B约 0.73 GiB93154080ec82VAE 编解码器加上两套 tokenizer 配套文件umt5-xxl 与 xlm-roberta-large 各约 17 MB、两个 sentencepiece 词表、tokenizer_config / special_tokens_map整个仓库合计82,541,426,480 B约 76.87 GiB82.5 GB。这个体量决定了第一件事这不是下载个 zip 就能跑的玩具而是需要按组件规划下载、按磁盘空间做预算的正式部署任务。两个 DiT 主干各 30.5 GiB如果你两种都想体验Base 40 步全质量 / 蒸馏 10 步快速出片存储开销还要再加一倍。模型的整体管线可以参考仓库内的架构图assets/pipeline-v2.png参考图与驱动视频直接输入 Diffusion Transformer中间不再有独立的动作提取器文本控制负责解耦相机视角下载与校验从 ModelScope 拿模型的正确姿势官方推荐的下载路径有 HuggingFace 与 ModelScope 两个渠道国内网络环境下 ModelScope 显然更顺。README 给出的命令是pip install modelscope modelscope download --model Wan-AI/Wan2.2-Animate-2-14B --local_dir ./ckpts/第一个必踩的坑在这里就会出现千万别用普通git clone去下载模型。我直接检查了本地仓库的文件内容wan_animate_2/wan_animate_2_bf16.safetensors这类文件只有136 字节——内容是一行 Git LFS 指针version https://git-lfs.github.com/spec/v1oid sha256:...size 32789901704。也就是说你用 git 拉下来的不是 30 GiB 的权重而是一张提货券。之后推理代码去读这个文件会直接报 safetensors 头解析失败。正确做法就是上面那条modelscope download它会按 LFS 规则把真实内容落盘。下载时的实操建议断点续传32.8 GB 的单文件在普通宽带上动辄数小时ModelScope CLI 支持断点续传中断后重跑同一条命令即可接着下载不要删掉半成品重来。磁盘预算模型本体 76.87 GiB。如果你的--local_dir与系统盘共用分区务必预留 90 GB 以上想同时保留 Base 与蒸馏两套主干则按 107 GiB 规划。校验下载完成后对照上方表格核对 SHA256。ModelScope 文件清单接口会返回每个文件的Sha256字段本地用sha256sum计算后比对即可这也是识别下载了一半的指针文件/损坏文件最可靠的手段。推理环境清单版本矩阵一次对齐模型是 BF16 权重、依赖 flash-attention 加速环境对齐要求非常具体。README 的安装章节给出的版本矩阵可以原样照抄依赖指定版本 / 渠道说明Python3.11conda create -n wan_animate_2 python3.11官方创建环境时锁定PyTorchtorch2.7.0torchvision0.22.0torchaudio2.7.0--index-url https://download.pytorch.org/whl/cu126cu126 CUDA 12.6 编译版与源码版本强绑定flash-attnpip install flash-attn --no-build-isolation需本机编译耗时较长项目依赖pip install -r requirements.txtREADME 引用的依赖清单仓库本体pip install -e .以本地可编辑包安装diffusers可选路径源码安装PR #14412 合入后支持WanAnimate2Pipeline走 diffusers 推理时的前提由此可以反推两条硬件/系统结论驱动基线cu126 wheel 需要显卡驱动能承载 CUDA 12.6 运行时。用nvidia-smi看右上角 CUDA Version 字段低于 12.6 的驱动需要先升级否则 torch 会报 CUDA 初始化失败或 kernel 不兼容。显存预算这是选题里最该算清的一笔账把全部权重以 BF16 常驻显存计算——30.54DiT 10.58T5 4.44CLIP 0.73VAE≈46.3 GiB 起。这只是权重坐满的量还没算 DiT 推理时的激活值、KV cache 与中间张量。README 里写得很直白默认配置面向 8×A800即 8×80 GB跑 720P官方实测过的下限是 2×A800 跑 480P。所以理性选卡逻辑是单张 24 GB4090/3090直接出局权重都装不下除非未来出现 INT4/INT8 量化版单张 80 GBA100/A800/H100权重能坐下但 720P 的激活峰值大概率溢出可尝试 480P 并自行裁剪 YAML 并行配置2×80 GB官方验证过的 480P 配置双卡张量并行8×80 GB回到官方默认720P 全速。行业里8G 显卡就能跑视频模型的新闻很多但那类轻量模型与 14B 角色动画模型完全是两套规格选购前别被误导。首跑命令Base 与蒸馏是两套参数模型准备妥当、环境对齐后推理脚本在infer/目录README 明确给出命令结构需自行准备参考图与驱动视频。注意两条路径的参数差异Base 版40 步全质量export PYTHONPATH$(pwd) cd infer python wan_animate_2_demo.py \ --prompt 人物外观描述…… 背景描述…… \ --refer-img-file 参考图路径 \ --refer-video-file 驱动视频路径 \ --config ./wan_animate_2.yamlDistillation 版10 步无 CFGpython wan_animate_2_demo.py \ --prompt 人物外观描述…… 背景描述…… \ --refer-img-file 参考图路径 \ --refer-video-file 驱动视频路径 \ --config ./wan_animate_2_distillation.yaml \ --sample_guide_scale 1.0 \ --step 10两个版本的参数差异本身就是最容易静默翻车的地方蒸馏版必须显式带上--sample_guide_scale 1.0关闭 classifier-free guidance与--step 10若把 Base 的参数习惯带过来出片要么糊要么慢得没有意义。用 diffusers 路径时同理蒸馏版要num_inference_steps10, guidance_scale1.0, flow_solvereulerEuler 调度器专配蒸馏模型。还有一个前置步骤常被忽略prompt 不是随意写的一句话。README 要求先用 LLM例如 Qwen3.7-Plus按固定范式生成人物外观描述 背景描述的中文客观描述再作为模型的 prompt 输入。仓库里默认示例都是银灰色虎斑纹小猫穿深蓝制服这类严格的外观背景描述不描述动作行为——因为动作由驱动视频提供文本只负责身份与场景。首跑常见报错与静默翻车点把最容易踩的坑按报错表现 → 根因 → 解法列一遍报错 1safetensors 读取失败 / 权重加载即崩根因多半是权重根本没下载——本地只有 136 字节的 Git LFS 指针文件上文已实锤。解法改用modelscope download落盘真实权重并核对 SHA256。报错 2CUDA out of memory显存溢出按上文预算单卡 80 GB 跑 720P 都紧张。解法降到 480P、剪 YAML 里的并行配置、或先跑蒸馏版10 步的激活峰值远低于 40 步的 Base。README 明确提示硬件与官方不同时请调整 YAML 中的并行配置。报错 3flash-attn 编译失败--no-build-isolation是必须的避免 pip 重新拉取隔离依赖导致与已装 torch 冲突同时保证 CUDA 12.6 编译工具链可用。若编译反复失败检查 torch 版本是否严格是 2.7.0 的 cu126 wheel——版本错配是 flash-attn 编译失败的高频原因。报错 4ModuleNotFoundError / 找不到项目模块README 在推理前有一行export PYTHONPATH$(pwd)且要求先pip install -e .。两个都做了再进infer/跑脚本否则wan_animate_2_demo.py找不到仓库内的包。静默翻车点 1并行配置不适配。YAML 默认面向 8×A800单卡/双卡直接跑会要么 OOM、要么并行初始化报错。先读 YAML 改parallel相关配置再跑。静默翻车点 2参数混用。Base 与蒸馏的步骤数、CFG、调度器三者绑定混用不会报错但出片质量/速度会看起来不对劲这类问题最难排查。静默翻车点 3prompt 写成了动作描述。模型需要的是外观背景的静态描述动作交给驱动视频。写错方向往往导致脸对但动作怪、身份漂移返工成本极高。最后给一张速查清单照着核对一遍基本就能顺利出片磁盘 ≥90 GB双主干 ≥107 GB→modelscope download拉全五组件并校验 SHA256 → Python 3.11 torch 2.7.0cu126 flash-attn →pip install -e .→export PYTHONPATH$(pwd)→ 用 LLM 按范式生成外观描述 prompt → 按显存档位80GB 单卡 / 2×80GB / 8×80GB调整 YAML → 分清楚 Base40 步与蒸馏10 步、CFG1.0、euler两套参数。每一步都有据可查、有文件可验剩下的就是把出片结果发出来了。【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/10 14:25:38 · 阅读 1.2k 从 ModelScope 拉模型到本地出片，一条龙配置清单：显卡、显存、依赖全给你排好
从 ModelScope 拉模型到本地出片一条龙配置清单显卡、显存、依赖全给你排好【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B开源视频生成赛道近一年的主旋律是本地化轻量视频模型不断把显存门槛下探到 8GB 级别让个人创作者也能在自己机器上出片。但如果你要的是角色动画——拿一张参考图、一段驱动视频生成人跟着动、身份不丢的完整动画——量级就完全不同了。Wan-Animate-2 就是这样一款 14B 参数规模的端到端角色动画模型它砍掉了中间的动作提取器直接在 Diffusion Transformer 里消费驱动视频同时加入文本控制的视角解耦。模型很强但很强也意味着它的下载、部署、出片有相当明确的硬性门槛。这篇文章不做概念科普只做一件事基于 ModelScope 上Wan-AI/Wan2.2-Animate-2-14B仓库的真实文件清单与源码 README把从拉模型到本地推理出片的整条链路排清楚——仓库里到底有什么、每个文件多大、用什么命令下载、怎么校验、环境版本怎么对齐、显存预算怎么算、首跑会在哪里翻车。先看清仓库里到底装了什么打开仓库目录README.md 同级的文件树你会发现它不是一个单文件模型而是一个五组件模型仓库结构非常接近 Wan 系列的惯例把视频 DiT 主干与文本/视觉编码器分开管理方便复用与替换wan_animate_2/ DiT 主干Base 与 Distillation 两个版本 videomodel/Wan-AI/ VAE UMT5-XXL 文本编码器 CLIP 视觉编码器 assets/ 架构图等资源各文件的真实大小与 SHA256来自 ModelScope 文件清单本地 LFS 指针中的 oid 与之逐一对应文件仓库相对路径大小SHA256前 12 位角色wan_animate_2/wan_animate_2_bf16.safetensors32,789,901,704 B约 30.54 GiB48abc389b8d9Base 版 DiT 主干BF16wan_animate_2/wan_animate_2_bf16_distillation.safetensors32,789,901,704 B约 30.54 GiB66161359fc58Distillation 版 DiT 主干10 步出片videomodel/Wan-AI/models_t5_umt5-xxl-enc-bf16.pth11,361,920,418 B约 10.58 GiB7cace0da2b44UMT5-XXL 文本编码器提示词理解videomodel/Wan-AI/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth4,772,359,047 B约 4.44 GiB628c9998b613CLIP 视觉编码器参考图语义对齐videomodel/Wan-AI/vae.pth783,806,166 B约 0.73 GiB93154080ec82VAE 编解码器加上两套 tokenizer 配套文件umt5-xxl 与 xlm-roberta-large 各约 17 MB、两个 sentencepiece 词表、tokenizer_config / special_tokens_map整个仓库合计82,541,426,480 B约 76.87 GiB82.5 GB。这个体量决定了第一件事这不是下载个 zip 就能跑的玩具而是需要按组件规划下载、按磁盘空间做预算的正式部署任务。两个 DiT 主干各 30.5 GiB如果你两种都想体验Base 40 步全质量 / 蒸馏 10 步快速出片存储开销还要再加一倍。模型的整体管线可以参考仓库内的架构图assets/pipeline-v2.png参考图与驱动视频直接输入 Diffusion Transformer中间不再有独立的动作提取器文本控制负责解耦相机视角下载与校验从 ModelScope 拿模型的正确姿势官方推荐的下载路径有 HuggingFace 与 ModelScope 两个渠道国内网络环境下 ModelScope 显然更顺。README 给出的命令是pip install modelscope modelscope download --model Wan-AI/Wan2.2-Animate-2-14B --local_dir ./ckpts/第一个必踩的坑在这里就会出现千万别用普通git clone去下载模型。我直接检查了本地仓库的文件内容wan_animate_2/wan_animate_2_bf16.safetensors这类文件只有136 字节——内容是一行 Git LFS 指针version https://git-lfs.github.com/spec/v1oid sha256:...size 32789901704。也就是说你用 git 拉下来的不是 30 GiB 的权重而是一张提货券。之后推理代码去读这个文件会直接报 safetensors 头解析失败。正确做法就是上面那条modelscope download它会按 LFS 规则把真实内容落盘。下载时的实操建议断点续传32.8 GB 的单文件在普通宽带上动辄数小时ModelScope CLI 支持断点续传中断后重跑同一条命令即可接着下载不要删掉半成品重来。磁盘预算模型本体 76.87 GiB。如果你的--local_dir与系统盘共用分区务必预留 90 GB 以上想同时保留 Base 与蒸馏两套主干则按 107 GiB 规划。校验下载完成后对照上方表格核对 SHA256。ModelScope 文件清单接口会返回每个文件的Sha256字段本地用sha256sum计算后比对即可这也是识别下载了一半的指针文件/损坏文件最可靠的手段。推理环境清单版本矩阵一次对齐模型是 BF16 权重、依赖 flash-attention 加速环境对齐要求非常具体。README 的安装章节给出的版本矩阵可以原样照抄依赖指定版本 / 渠道说明Python3.11conda create -n wan_animate_2 python3.11官方创建环境时锁定PyTorchtorch2.7.0torchvision0.22.0torchaudio2.7.0--index-url https://download.pytorch.org/whl/cu126cu126 CUDA 12.6 编译版与源码版本强绑定flash-attnpip install flash-attn --no-build-isolation需本机编译耗时较长项目依赖pip install -r requirements.txtREADME 引用的依赖清单仓库本体pip install -e .以本地可编辑包安装diffusers可选路径源码安装PR #14412 合入后支持WanAnimate2Pipeline走 diffusers 推理时的前提由此可以反推两条硬件/系统结论驱动基线cu126 wheel 需要显卡驱动能承载 CUDA 12.6 运行时。用nvidia-smi看右上角 CUDA Version 字段低于 12.6 的驱动需要先升级否则 torch 会报 CUDA 初始化失败或 kernel 不兼容。显存预算这是选题里最该算清的一笔账把全部权重以 BF16 常驻显存计算——30.54DiT 10.58T5 4.44CLIP 0.73VAE≈46.3 GiB 起。这只是权重坐满的量还没算 DiT 推理时的激活值、KV cache 与中间张量。README 里写得很直白默认配置面向 8×A800即 8×80 GB跑 720P官方实测过的下限是 2×A800 跑 480P。所以理性选卡逻辑是单张 24 GB4090/3090直接出局权重都装不下除非未来出现 INT4/INT8 量化版单张 80 GBA100/A800/H100权重能坐下但 720P 的激活峰值大概率溢出可尝试 480P 并自行裁剪 YAML 并行配置2×80 GB官方验证过的 480P 配置双卡张量并行8×80 GB回到官方默认720P 全速。行业里8G 显卡就能跑视频模型的新闻很多但那类轻量模型与 14B 角色动画模型完全是两套规格选购前别被误导。首跑命令Base 与蒸馏是两套参数模型准备妥当、环境对齐后推理脚本在infer/目录README 明确给出命令结构需自行准备参考图与驱动视频。注意两条路径的参数差异Base 版40 步全质量export PYTHONPATH$(pwd) cd infer python wan_animate_2_demo.py \ --prompt 人物外观描述…… 背景描述…… \ --refer-img-file 参考图路径 \ --refer-video-file 驱动视频路径 \ --config ./wan_animate_2.yamlDistillation 版10 步无 CFGpython wan_animate_2_demo.py \ --prompt 人物外观描述…… 背景描述…… \ --refer-img-file 参考图路径 \ --refer-video-file 驱动视频路径 \ --config ./wan_animate_2_distillation.yaml \ --sample_guide_scale 1.0 \ --step 10两个版本的参数差异本身就是最容易静默翻车的地方蒸馏版必须显式带上--sample_guide_scale 1.0关闭 classifier-free guidance与--step 10若把 Base 的参数习惯带过来出片要么糊要么慢得没有意义。用 diffusers 路径时同理蒸馏版要num_inference_steps10, guidance_scale1.0, flow_solvereulerEuler 调度器专配蒸馏模型。还有一个前置步骤常被忽略prompt 不是随意写的一句话。README 要求先用 LLM例如 Qwen3.7-Plus按固定范式生成人物外观描述 背景描述的中文客观描述再作为模型的 prompt 输入。仓库里默认示例都是银灰色虎斑纹小猫穿深蓝制服这类严格的外观背景描述不描述动作行为——因为动作由驱动视频提供文本只负责身份与场景。首跑常见报错与静默翻车点把最容易踩的坑按报错表现 → 根因 → 解法列一遍报错 1safetensors 读取失败 / 权重加载即崩根因多半是权重根本没下载——本地只有 136 字节的 Git LFS 指针文件上文已实锤。解法改用modelscope download落盘真实权重并核对 SHA256。报错 2CUDA out of memory显存溢出按上文预算单卡 80 GB 跑 720P 都紧张。解法降到 480P、剪 YAML 里的并行配置、或先跑蒸馏版10 步的激活峰值远低于 40 步的 Base。README 明确提示硬件与官方不同时请调整 YAML 中的并行配置。报错 3flash-attn 编译失败--no-build-isolation是必须的避免 pip 重新拉取隔离依赖导致与已装 torch 冲突同时保证 CUDA 12.6 编译工具链可用。若编译反复失败检查 torch 版本是否严格是 2.7.0 的 cu126 wheel——版本错配是 flash-attn 编译失败的高频原因。报错 4ModuleNotFoundError / 找不到项目模块README 在推理前有一行export PYTHONPATH$(pwd)且要求先pip install -e .。两个都做了再进infer/跑脚本否则wan_animate_2_demo.py找不到仓库内的包。静默翻车点 1并行配置不适配。YAML 默认面向 8×A800单卡/双卡直接跑会要么 OOM、要么并行初始化报错。先读 YAML 改parallel相关配置再跑。静默翻车点 2参数混用。Base 与蒸馏的步骤数、CFG、调度器三者绑定混用不会报错但出片质量/速度会看起来不对劲这类问题最难排查。静默翻车点 3prompt 写成了动作描述。模型需要的是外观背景的静态描述动作交给驱动视频。写错方向往往导致脸对但动作怪、身份漂移返工成本极高。最后给一张速查清单照着核对一遍基本就能顺利出片磁盘 ≥90 GB双主干 ≥107 GB→modelscope download拉全五组件并校验 SHA256 → Python 3.11 torch 2.7.0cu126 flash-attn →pip install -e .→export PYTHONPATH$(pwd)→ 用 LLM 按范式生成外观描述 prompt → 按显存档位80GB 单卡 / 2×80GB / 8×80GB调整 YAML → 分清楚 Base40 步与蒸馏10 步、CFG1.0、euler两套参数。每一步都有据可查、有文件可验剩下的就是把出片结果发出来了。【免费下载链接】Wan2.2-Animate-2-14B项目地址: https://ai.gitcode.com/hf_mirrors/Wan-AI/Wan2.2-Animate-2-14B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考