擴散 Transformer

為什麼不是 U-Net

經典影象擴散用卷積 U-Net。DiT（Peebles & Xie）把骨幹換成補丁潛變數上的 Transformer 塊。影片把補丁網格伸到時間維。Wan 走這條線（與 2024–2025 多數影片模型相同），注意力才能建模長程運動和運鏡。

流匹配，不只是 ε 預測

官方程式碼使用流匹配 / 整流流風格求解器（UniPC、Flow DPM）。網路預測從噪聲到資料的速度場，而不只是 ε。README 與 ComfyUI 模板裡的步數預設這套排程。

條件怎麼進網路

• 文字：UMT5-XXL 嵌入，每塊交叉注意力。
• 影象（I2V/FLF2V）：CLIP-vision + VAE token，外加 MLP 投影（Wan2.1 的 FLF2V 還有 257×2 的首尾位置嵌入）。
• 音訊（S2V）：獨立注入路徑（見官方 S2V 音訊圖）。
• 時間步 / SNR：AdaLN；在 A14B 上還決定當前啟用哪位專家。

常見問題

Wan 是自迴歸影片 LLM 嗎？

不是。它是潛變數網格上的迭代去噪器。時間軸是擴散時間，不是從左到右的詞。

U-Net 在哪？

Wan2.2 裡沒有。ComfyUI 圖裡若出現 UNetLoader，只是載入器名字——權重仍是 DiT 塊。