Wan-Move生态版图：ComfyUI集成、Wan2GP低显存方案与可灵Motion Brush差距分析-优快云博客

【免费下载链接】Wan-Move

[NeurIPS 2025] Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance

项目地址： https://gitcode.com/gh_mirrors/wa/Wan-Move

Wan-Move 是 NeurIPS 2025 论文开源的运动控制视频生成框架：它通过"潜空间轨迹引导"，让图生视频模型精确控制画面中每个点的运动。本文帮你理清它的生态版图——ComfyUI 节点集成、Wan2GP 低显存方案，以及它和可灵 Motion Brush 的真实差距，新手也能快速选到最适合自己的用法。

🧭 先看懂 Wan-Move：用一条轨迹控制 5 秒视频

Wan-Move 是在 Wan2.1 代码库上的最小化扩展（迁移成本很低），核心思想很简洁：

运动条件 = 轨迹：在首帧上画一组带方向的点轨迹（支持多个物体、多条轨迹）；
潜空间轨迹引导（Latent Trajectory Guidance）：把首帧特征沿轨迹"复制扩展"到后续帧，作为条件注入 DiT，不改动原模型架构、不额外增加运动模块；
输出：5 秒、480p（832×480）的图生视频，支持物体运动、相机运动、多物体联动、3D 旋转等细粒度控制。

下面这张图展示了它支持的典型场景：多物体运动、复杂动作、物体+相机联动、基础控制、运动迁移、3D 旋转——全部由轨迹控制。

🧩 生态版图一：ComfyUI 中的 WanMove 节点

如果你不想碰命令行，ComfyUI 是目前最友好的入口。社区开发者 Kijai 已将 Wan-Move 集成进 ComfyUI 封装（WanVideo_comfy_fp8_scaled 包的 WanMove 目录），主要优点：

优点	说明
节点式工作流	拖拽连线即可画轨迹、出视频，无需写命令
FP8 量化支持	进一步压低显存占用，中端显卡更从容
无缝复用	可接入你现有的 Wan2.1 ComfyUI 管线

💡 使用前提：模型权重（Wan-Move-14B-480P）仍需自行下载并放到封装要求的目录中。

🧩 生态版图二：Wan2GP 低显存视频生成方案

社区项目 Wan2GP（deepbeepmeep 开发）同样支持了 Wan-Move，主打低显存运行：通过模型分块 offload 等优化，把 14B 大模型装进消费级显卡。

和官方仓库的省显存手段对比一下：

方案	显存门槛	特点
官方仓库 `--t5_cpu --offload_model True --dtype bf16`	单张 40GB 显卡	官方验证，速度相对更快
Wan2GP	更低（消费级显卡）	以速度换显存，适合显存紧张的用户

🚀 官方仓库快速上手：画轨迹，一键出片

git clone https://gitcode.com/gh_mirrors/wa/Wan-Move
cd Wan-Move
pip install -r requirements.txt

依赖安装细节可参考 INSTALL.md，依赖清单在 requirements.txt。然后下载模型权重（HuggingFace 的 Ruihang/Wan-Move-14B-480P 或 ModelScope 的 churuihang/Wan-Move-14B-480P）到 ./Wan-Move-14B-480P。

方式 A：Gradio 交互界面（推荐新手）

python gradio_app.py --task wan-move-i2v --size 480*832 \
  --ckpt_dir ./Wan-Move-14B-480P --t5_cpu --offload_model True --dtype bf16

打开网页即可：上传图片 → 点击画面添加轨迹点 → 调节速度曲线 → 生成视频。支持多轨迹分色绘制、实时 GIF 预览和历史画廊，实现在 gradio_app.py。

方式 B：命令行生成

官方内置了一个开箱即用的示例（下图就是示例首帧，一台连接移动硬盘的笔记本）：

python generate.py --task wan-move-i2v --size 480*832 \
  --ckpt_dir ./Wan-Move-14B-480P \
  --image examples/example.jpg \
  --track examples/example_tracks.npy \
  --track_visibility examples/example_visibility.npy \
  --prompt "A laptop is placed on a wooden table. ..." \
  --save_file example.mp4

小技巧：加 --vis_track 可在输出视频上叠加轨迹可视化；scripts/visualize.py 还支持自定义可视化（比如鼠标按键效果）；轨迹绘制与数据格式见 wan/modules/trajectory.py，模型结构配置见 wan/configs/wan_move_14B.py。

⚖️ 与可灵 Motion Brush 差距分析：谁更强？

官方与学术方法、商业方案做了直接对比。左侧刨木场景四个方法基本都跟随轨迹，Wan-Move 的木屑细节最真实；右侧多物体 VR 场景中，Image Conductor 与 LeviTor 出现明显错位（红框标注），可灵 1.5 Pro 只驱动了单一轨迹，只有 Wan-Move 同时贴合多组点的运动：

差距与优势总结：

维度	Wan-Move	可灵 Motion Brush
控制粒度	点级密集轨迹，多物体精确控制	笔刷涂抹区域，更直觉但更粗粒度
运动准确度	用户研究中达到与商业方案相当的水平	商业打磨成熟
分辨率/时长	5s / 480p	更高分辨率、更长时长
开放程度	权重开放（Apache 2.0）、可复现、可魔改	闭源在线服务
使用成本	40GB 单卡或多卡	订阅费用

一句话结论：运动控制精度上 Wan-Move 已追平可灵 Motion Brush，差距主要在画质上限（480p/5s）与交互便捷性；而开放权重 + 社区生态是商业方案给不了的。

📊 MoveBench：量化评测运动控制的专用基准

官方还发布了 MoveBench：1018 段视频、每段 81 帧、40+ 内容类别，提供高质量轨迹标注（已补充首帧 mask 标注，可评测 mask 驱动的运动控制模型）：

相比 DAVIS、VIPSeg、MagicBench，只有 MoveBench 同时具备视频分类、mask 轨迹和点轨迹标注。想复现评测，下载数据集后运行：

python generate.py --task wan-move-i2v --size 480*832 \
  --ckpt_dir ./Wan-Move-14B-480P --mode single --language en \
  --save_path results/en --eval_bench

💡 多卡批量评测时记得设 --ulysses_size 1，并关闭 prompt 扩展以保证公平。

✅ 选型建议总结

你的情况	推荐方案
已在用 ComfyUI，不想写代码	Kijai 的 WanMove 节点封装
消费级显卡、显存紧张	Wan2GP 低显存方案
想复现研究、跑 MoveBench 评测	官方仓库 + 多卡推理
快速体验轨迹控制效果	官方 Gradio demo

Wan-Move 的意义在于：它证明了不改架构、不加工具模块，仅靠轨迹引导就能把开源图生视频推到商业级运动控制水平。随着 ComfyUI 与 Wan2GP 生态成熟，这套运动控制视频生成方案正变得前所未有的易用。