在阿里云 GPU 服务器上部署 Wan 2.2：24G 显存就能跑的开源文生视频模型

阿里通义实验室开源的 Wan 2.2 是目前部署门槛最低的高质量文生视频模型之一。其中 TI2V-5B 单卡 24G 显存就能跑 720P @ 24fps，相比腾讯 HunyuanVideo 动辄 80G 的需求友好太多。本文记录在阿里云 GPU 服务器上从零部署的完整过程。

同样想跑 HunyuanVideo 的读者可以看上一篇：在阿里云 GPU 服务器上部署腾讯混元 HunyuanVideo。

一、模型版本选择

Wan 2.2 一共有三个版本，先选对再开机：

版本	参数量	类型	分辨率	显存建议
TI2V-5B	5B	文生视频 + 图生视频	720P @ 24fps	24GB ✅ 入门
T2V-A14B	14B MoE	文生视频	480P / 720P	80GB
I2V-A14B	14B MoE	图生视频	480P / 720P	80GB

先用 TI2V-5B 跑通，效果不满意再上 14B。本文以 TI2V-5B 为主。

二、阿里云实例选型

按 TI2V-5B 推荐：

ecs.gn7i（A10，24G）✅ 性价比最高，按量约 5–8 元/小时
自建 4090 / 4090D（24G）✅ 本地有卡的话最划算
ecs.gn7e / ebmgn7ex（A100 80G）✅ 想跑 14B 选这个

系统：Ubuntu 22.04 / 20.04 CUDA：12.1+（PyTorch 2.4 要求）磁盘：≥ 100GB（5B 权重约 20GB，14B 约 60GB）

调试阶段强烈建议用抢占式实例，价格通常是按量的 1/3 到 1/5。

三、基础环境

sudo apt update && sudo apt install -y \
  git git-lfs wget curl build-essential
git lfs install
nvidia-smi

如果 nvidia-smi 报错，先到阿里云控制台用带 GPU 驱动的镜像，或装 NVIDIA 官方驱动。

四、安装 Miniconda

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda3
source $HOME/miniconda3/bin/activate
conda init bash && exec bash

五、克隆仓库

git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2

六、创建 Conda 环境

conda create -n wan22 python=3.10 -y
conda activate wan22

七、安装 PyTorch 与项目依赖

国内服务器先把 pip 源换成阿里云镜像：

pip config set global.index-url \
  https://mirrors.aliyun.com/pypi/simple/

安装 PyTorch（CUDA 12.4，要求 ≥ 2.4.0）：

pip install \
  torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 \
  --index-url https://download.pytorch.org/whl/cu124

安装项目依赖：

pip install -r requirements.txt

Wan 2.2 不强制要求 Flash Attention 3。FA3 仅在 H100/H800 这类 Hopper 架构上自动启用，A10/4090 跑普通 attention 也能正常出图。

八、下载模型权重

国内强烈推荐用 ModelScope，速度比 HuggingFace 镜像还稳：

pip install modelscope
modelscope download Wan-AI/Wan2.2-TI2V-5B \
  --local_dir ./Wan2.2-TI2V-5B

也可以走 HuggingFace 镜像：

export HF_ENDPOINT=https://hf-mirror.com
pip install -U "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B \
  --local-dir ./Wan2.2-TI2V-5B

5B 模型大约 20GB，A10 实例的 1.5–3 Gbps 带宽下几分钟就能拉完。

九、首次推理：文生视频

24G 显存（A10 / 4090）跑 720P：

python generate.py \
  --task ti2v-5B \
  --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --offload_model True \
  --convert_model_dtype \
  --t5_cpu \
  --prompt "夜晚的东京街头，霓虹灯倒映在湿润的柏油路上，一只黑猫从巷子里慢慢走出，电影感运镜"

关键参数解释：

--offload_model True：模型分块卸载到 CPU，省显存
--convert_model_dtype：把权重转低精度
--t5_cpu：T5 文本编码器放 CPU 跑（节约 5G+ 显存）

如果是 80G A100，把上面三个参数全去掉，速度会快不少：

python generate.py \
  --task ti2v-5B \
  --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --prompt "夜晚的东京街头，霓虹灯倒映在湿润的柏油路上，一只黑猫从巷子里慢慢走出，电影感运镜"

性能参考：单张消费级 GPU 出 5 秒 720P 视频约 9 分钟。

十、图生视频

加 --image 参数即可切到 I2V 模式：

python generate.py \
  --task ti2v-5B \
  --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --offload_model True \
  --convert_model_dtype \
  --t5_cpu \
  --image ./my_photo.jpg \
  --prompt "镜头缓慢推进，主角微笑回头，背景光斑虚化"

十一、多卡并行（可选）

8 卡 FSDP + Ulysses，跑大批量或 14B 时用：

torchrun --nproc_per_node=8 generate.py \
  --task ti2v-5B \
  --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --dit_fsdp \
  --t5_fsdp \
  --ulysses_size 8 \
  --prompt "你的提示词"

十二、常见坑

OOM：24G 卡必须带 --offload_model True --convert_model_dtype --t5_cpu 三件套，少一个都可能爆。
torch 版本太低：Wan 2.2 要求 ≥ 2.4.0，仓库里默认 requirements 不一定固定版本，最好按本文方式先装 2.4.0 再装其他依赖。
首次推理特别慢：第一次会编译 kernel、加载权重，第二次开始才是正常速度。别看到 9 分钟以为卡死。
中文 prompt 效果差：Wan 2.2 中文支持比 Hunyuan 好，但精细镜头描述用英文仍更稳，可中英混写。
ModelScope 下载断开：modelscope download 自带断点续传，断了直接重跑同一条命令即可。

十三、Wan 2.2 vs HunyuanVideo：怎么选

简单结论：

入门 / 调试 prompt：Wan 2.2 TI2V-5B（24G 卡就能跑）
想要更好的中文理解和稳定运镜：Wan 2.2 14B（80G）
追求极限画质和复杂镜头语言：HunyuanVideo（80G+，环境更复杂）

我自己的工作流是先在 A10 24G 上用 5B 反复迭代 prompt，确认方向后再上 80G 跑高质量版本。这样能把成本压到最低。

关于

关注我获取更多资讯

📢 公众号

💬 个人号