先讀官方那一行
| VAE | T×H×W | 特徵維 | 資訊率 | PSNR↑ | SSIM↑ | LPIPS↓ |
|---|---|---|---|---|---|---|
| SVD | 1×8×8 | 4 | 48 | 28.307 | 0.816 | 0.067 |
| Cosmos | 4×8×8 | 16 | 48 | 29.632 | 0.863 | 0.132 |
| Hunyuan | 4×8×8 | 16 | 48 | 33.298 | 0.922 | 0.023 |
| CogVideoX1.5 | 4×8×8 | 16 | 48 | 32.955 | 0.922 | 0.040 |
| Wan2.1-VAE | 4×8×8 | 16 | 48 | 32.222 | 0.911 | 0.026 |
| Wan2.2-VAE | 4×16×16 | 48 | 64 | 33.223 | 0.922 | 0.022 |
2.2 VAE 空間壓得更狠（16 vs 8），潛變數通道更寬（48 vs 16）。在這張表上重建的 SSIM / LPIPS 仍持平或優於 4×8×8 一組。要重複的是這句實測，而不是自制的「強 64 倍」口號。
TI2V-5B 上的 patchify
README：再加一層 patchify 後，TI2V-5B 總壓縮達到 4×32×32。配合 5B 稠密 DiT，官方稱在單張消費級 GPU、無額外編譯最佳化時，5 秒 720P 可低於 9 分鐘。
A14B 仍走前一代 VAE 家族
高壓縮 VAE 是為 5B 混合模型點名的。27B MoE 的 T2V/I2V 保持與 14B 級棧相容的潛變數（Wan2.1 風格 4×8×8）。跨家族混用 VAE 權重會解出破圖。
常見問題
- 時間維為什麼是 4？
- 因果 3D VAE：大約四幀（加邊界）收成一個時間潛變數。所以影片長度常取 4n+1 幀。
- 2.2 潛變數能用 2.1 VAE 解碼嗎？
- 不能。通道數和空間步長都不同（48 vs 16，16 vs 8）。
一手來源
已對照 Wan-Video/Wan2.2 README 核對 · 2026-08-28
