先读官方那一行
| VAE | T×H×W | 特征维 | 信息率 | 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 空间压得更狠（16 vs 8），潜变量通道更宽（48 vs 16）。在这张表上重建的 SSIM / LPIPS 仍持平或优于 4×8×8 一组。要重复的是这句实测，而不是自制的「强 64 倍」口号。
TI2V-5B 上的 patchify
README：再加一层 patchify 后，TI2V-5B 总压缩达到 4×32×32。配合 5B 稠密 DiT，官方称在单张消费级 GPU、无额外编译优化时，5 秒 720P 可低于 9 分钟。
A14B 仍走前一代 VAE 家族
高压缩 VAE 是为 5B 混合模型点名的。27B MoE 的 T2V/I2V 保持与 14B 级栈兼容的潜变量（Wan2.1 风格 4×8×8）。跨家族混用 VAE 权重会解出花屏。
常见问题
- 时间维为什么是 4？
- 因果 3D VAE：大约四帧（加边界）收成一个时间潜变量。所以视频长度常取 4n+1 帧。
- 2.2 潜变量能用 2.1 VAE 解码吗？
- 不能。通道数和空间步长都不同（48 vs 16，16 vs 8）。
一手来源
对照 Wan-Video/Wan2.2 README 核对 · 2026-08-28
