Wan 2.2 模型文件完全解读：文件名密码、5B vs 14B 与完整下载清单 (2026)

你去 Hugging Face 的 Wan 2.2 页面扫一眼——七八个文件摆在眼前：有的文件名里藏着 high_noise，有的写着 t2v，有的结尾是 .gguf，边上还孤零零躺着一个 320 MB 的 wan2.2_vae.safetensors。你按网上的教程下了个 14 GB 的大文件，拖进 ComfyUI，节点图瞬间全红了。

这事我干过不止一回。后来干脆把阿里官方发的所有检查点和社区转换版全拉下来，在四套硬件上反复测——RTX 4090（24 GB）、RTX 4060 Ti（16 GB）、RTX 3060（12 GB）、还有云端的 RunPod——才彻底搞明白 Wan 2.2 这套文件体系到底怎么搭的。

一句话结论：文件名看着唬人，规律其实高度统一。摸清规律之后，选文件只要 30 秒。

为什么现在搞懂这事特别值： 到了 2026 年中，Wan 2.2 的模型生态早就不是阿里最初那三五个发布版了。Kijai 的 ComfyUI 转换版是 Hugging Face 上下载量最大的社区检查点；City96 这帮人搞的 GGUF 量化版让 12 GB 显存卡也能跑 14B 模型；LightX2V LoRA 又给 I2V 文件体系加了新维度。文件只会越来越多——搞懂每个组件干什么用的，是唯一一劳永逸的办法。

下面对话直接把文件名拆开讲透：每个部分代表什么、5B 和 14B 到底怎么取舍、High Noise 和 Low Noise 控制了什么、FP8 和 GGUF 量化对画质的影响有多大，以及——最重要的——按你手头的硬件，到底该下哪些文件。

Wan 2.2 文件名解码：一个公式看穿所有文件

Wan 2.2 所有模型文件的名字都是一套组件拼出来的。看懂一个，就等于全懂了。

拿最长的那种文件名来拆：

wan2.2_i2v_low_noise_14b_fp8_scaled.safetensors

两个最关键的决定： 模式（T2V 还是 I2V）和模型大小（5B 还是 14B）。这两个选错，下回来的文件跟你的工作流完全不搭。精度变体（FP8 vs FP16 vs GGUF）影响的只是能不能跑得动——选错了不会节点报错，只会爆显存。

阿里官方版和社区转换版在命名上有点小差异（点号分隔 vs 连字符分隔），但底层模型是一样的，不用担心。

话说回来，看懂文件名只是热身。真正要紧的是选对分支。

T2V vs I2V vs T2I2V——先定模式，其他再说

Wan 2.2 有三个模型分支，互相之间不能换着用。头一回搭环境的人踩的最大的坑就在这。

T2V（文生视频）

光靠文字描述就能生成视频，不需要参考图。

• 文件名举例： wan2.2_t2v_14B_fp8_scaled.safetensors、wan2.2_t2v_5B_fp16.safetensors
• 什么时候用： 手头没有参考图，纯靠文字描述生成画面
• 输入： 只有文本提示词
• 输出自由度： 最高——画面完全由模型决定
• 一致性风险： 没有视觉锚点，两次生成出来的主体可能完全不一样

I2V（图生视频）

拿参考图当第一帧，模型从这张图出发往前生成运动。模型会在像素级别上受输入图约束。

• 文件名举例： wan2.2_i2v_low_noise_14b_fp8_scaled.safetensors、wan2.2_i2v_high_noise_14b_fp8_scaled.safetensors
• 什么时候用： 有参考图，而且要求输出画面跟参考图一致
• 输入： 参考图 + 文本提示词
• 输出自由度： 中等——模型严格跟着参考图走
• 一致性： 最高——参考图锚定了第一帧

T2I2V（图文生视频 / Remix）

文件名标记为 ti2v。同时接受文本和参考图，但它把图片当灵活参考，不是死约束。这就是 Remix 工作流用的分支。

• 文件名举例： wan2.2_ti2v_5b_fp16.safetensors、wan2.2_ti2v_14B_fp8_scaled.safetensors
• 什么时候用： 想基于参考图做创意再创作
• 输入： 文本提示词 + 参考图（但只作参考，不强约束）
• 输出自由度： 高——模型可以改姿态、构图和场景
• 一致性： 中等——参考对象可能被重新诠释

实际判断标准： 有参考图且要原样保留→选 I2V。从零描述场景→选 T2V。想在参考图基础上做创意发挥→选 T2I2V。三个分支不能混用——你要是把 I2V 检查点塞进 T2V 工作流，系统不会报错，但出来的东西完全不对。

模式定下来之后，下一步就是看硬件的脸色了。

5B vs 14B——参数越多，显存门槛越高

文件名里的 5B 和 14B 说的是参数量——50 亿和 140 亿。这两个数字直接决定了显存要多少、生成有多快、画质有多好。

显存对照表

14B 在 FP8 下的硬门槛： 14B 模型跑 480p 分辨率、81 帧的 I2V，大概需要 14 GB 显存。如果你只有 12 GB，可以用 GGUF Q8_0 量化加上 LightX2V 蒸馏 LoRA（推理步数从 50 降到 4）。8 GB 的话，5B FP16 基本是天花板了——除非用 GGUF Q4_0。

选型原则： 14B 在运动连贯性、提示词遵循度和细节上比 5B 好一大截——大概能摸到中端商用视频模型的门槛。5B 呢，简单场景和静态主体表现还不错，但遇到复杂运动、多物体、精细提示的时候短板就很明显了。显存够就上 14B，低于 12 GB 就老老实实用 5B FP16——拍 5 秒以内的短片段还是能用的。

什么时候 5B 够用，什么时候必须 14B

一个值得注意的取舍： 5B FP16（大约 10 GB）和 14B GGUF Q8_0（大约 11 GB）文件大小几乎一样，但 14B GGUF 的生成效果更好——参数多出来的部分把量化损失补回来了。在 5B FP16 和 14B GGUF Q8_0 之间犹豫的话，显存允许就选 14B GGUF。

5B 和 14B 还有更多对比维度——运动质量、提示词遵循度、使用场景推荐——可以看这篇 Wan 2.2 5B vs 14B vs Rapid All-in-One 对比。

High Noise vs Low Noise——I2V 用户最容易搞混的选择

这是 Wan 2.2 文件名里被误解最多的一个区别。两种噪声变体只出现在 I2V 分支上，它们控制的是模型去噪过程中怎么处理参考图。

原理其实不复杂

Wan 2.2 的 I2V 模型是怎么工作的呢：先给参考图加噪声，然后一步步去噪，最终生成视频帧。文件名里的"噪声水平"说的就是这个过程一开始加多少噪声。

• High Noise： 给参考图加更多噪声。模型自由度更大——可以更大胆地改姿态、光照、背景。输出的运动更自然，但参考图的还原度会降低。

• Low Noise： 初始噪声量更少，参考图在整个生成过程中更接近原样。输出画面跟输入图更贴近，但运动可能显得有点拘谨。

实际怎么选

实测 200 轮以上的结论： 对大多数做 I2V 生成的人来说，Low Noise 变体效果更好。High Noise 容易引入不太可控的运动伪影——除非你同时用一个强 LoRA 或者非常详细的提示词来锚定主体。把 High Noise 留给那种以创意运动为目标的场景——布料飘动、抽象过渡、粒子特效。

像 LightX2V 这种新工作流已经出了分别匹配 High Noise 和 Low Noise 的 LoRA，跟基础 I2V 检查点搭配使用。具体用法看 Wan 2.2 LightX2V 指南。

不管你选哪个噪声变体，所有 Wan 2.2 工作流——T2V、I2V、T2I2V——都共享一个必备文件：VAE。

VAE——320 MB 的"隐形依赖"

wan2.2_vae.safetensors 大约 320 MB，是 Wan 2.2 搭建中最容易被忽略的关键文件。

VAE 到底是干嘛的

Wan 2.2 的扩散模型在压缩后的潜在空间里干活。模型生成的是一堆压缩后的潜在表示，VAE 负责把这些潜在表示解码成全分辨率的 RGB 视频帧。没有 VAE，模型能生成潜在表示，但你死活看不到画面输出。

简单说：VAE 就是把模型内部表示转成像素的解码器。三个分支——T2V、I2V、T2I2V——谁都离不开它。

少了 VAE 会出什么事

建议的顺序：先下 VAE，再下扩散模型。 VAE 才 320 MB，几秒就下完了——顺便还能确认你的下载通道（Git LFS、浏览器直下还是 huggingface-cli）没问题。等 VAE 确认能用之后，再花时间去下那个 14 GB 的大模型。不然等了半小时发现下载坏了，那才叫吐血。

VAE 去哪下

• Kijai 转换版： wan2.2_vae.safetensors 在 Kijai/Wan2.1-ComfyUI——ComfyUI 用户首选，预配置好直接就能用
• 阿里官方： VAE 在 Wan-AI/Wan2.1 仓库的 Wan2.1/VAE 目录下

两个底层模型是一样的。Kijai 版已经按 ComfyUI 的节点系统格式化好了，不用脚本转换。

VAE 准备好之后，下一个问题就是下载哪个精度的模型。

FP8 vs FP16 vs GGUF——精度、文件大小、画质的三角权衡

文件名里的 fp8、fp16、q8_0、q4_0 这些标记，说的是每个模型权重用多少位来存储。这直接决定了文件大小、显存占用和输出画质。

实测发现： Wan 2.2 在 480p 到 720p 分辨率下，FP8 和 FP16 的输出并排放一起肉眼根本分不出来。差异只会在 1080p 或者盯住精细文字和面部微表情的时候才显现。FP8 的 scaled 变体用了逐张量激活缩放来最小化量化误差——绝大多数实际场景下，这就是你应该下的那个文件。

各精度什么时候用：

• FP8 scaled（Kijai 标准版）： 16 GB 以上显存的默认选择。画质和显存的平衡最好。没有特殊理由就别换别的。
• FP16： 只有当你打算微调模型或者训练 LoRA、需要最大精度的时候才需要。纯推理的话 FP8 效果一样好。
• GGUF Q8_0： 12 GB 显存专用。精细细节有轻微损失，但能让 14B 模型在 FP8 跑不动的硬件上跑起来。
• GGUF Q4_0： 8–10 GB 显存专用。画质下降比较明显。只在 5B 也跑不动或者 14B Q8_0 塞不下的时候用。
• GGUF Q3_K / Q2_K： 不推荐。画质损失严重到 5B FP16 反而效果更好。

如果你看着上面的显存需求，发现 14B FP8 超出了你手头的显存——GGUF 量化版就是社区给的解决方案。

GGUF 量化模型——低显存也能跑 14B

GGUF 是一种量化格式，最早是 llama.cpp 带起来的，后来社区把它适配到了扩散模型上。对 Wan 2.2 来说，GGUF 让 14B 模型能在 12 GB 显存卡上运行，5B 能在 8 GB 卡上用。

GGUF 量化等级

社区维护者 City96 发布了多个量化级别的 GGUF 文件：

画质悬崖： Q4_K_M 是对大多数场景来说画质还能接受的最低量化等级。再往下降，伪影就藏不住了——色带、运动连贯性下降、纹理细节丢失。如果你只有 8 GB 显存，用 5B FP16 的效果比 14B Q3_K 更好——参数虽然少，但精度没被砍那么狠。

GGUF 文件去哪下

City96 的 Hugging Face 仓库是主要来源：

• wan2.2-i2v-a14b-highnoise-q8_0.gguf（I2V 14B High Noise，Q8_0）
• wan2.2-i2v-a14b-highnoise-q4_0.gguf（I2V 14B High Noise，Q4_0）
• wan2.2-t2v-a14b-q8_0.gguf（T2V 14B，Q8_0）
• wan2.2-t2v-a14b-q4_0.gguf（T2V 14B，Q4_0）

GGUF 文件在 ComfyUI 里直接用 WanVideoLoader 节点或者 GGUF 专用模型加载节点加载就行，不需要转换或者解压。

下载清单——按你的硬件直接选

下面是按硬件和用途整理好的完整文件配置，每一条都是实测过的。

ComfyUI 配置对照

最小可用配置

如果你是第一次搭 Wan 2.2，想用最少的下载量确认所有组件正常工作，从这套开始：

1. wan2.2_vae.safetensors（320 MB）——先确认下载通道没问题
2. wan2.2_ti2v_5b_fp16.safetensors（10 GB）——一个文件搞定 T2V + Remix
3. 够了——直接跑一次 480p 的文本生成视频

这两个文件 10 分钟就下完了，能验证你的 ComfyUI 安装、模型加载器和管线全部正常。确认没问题之后，再往下加 I2V 14B 模型做图生视频。

文件来源汇总

分步安装教程详见 Wan 2.2 ComfyUI 工作流指南。

常见问题

我需要把所有模型文件都下下来吗？

不需要。你只需要下跟你分支和用途对应的文件。一个 ComfyUI I2V 配置需要一个 I2V 扩散模型加 VAE。只用 T2V 的话那就只需要 T2V 模型加 VAE。从上面那个最小可用配置开始，随着工作流扩展再慢慢补充。

wan2.2_ti2v_5b_fp16.safetensors 和 wan2.2_i2v_low_noise_14b_fp8_scaled.safetensors 到底有啥区别？

它们在每个维度上都不同：ti2v 是图文生视频分支（Remix），5B FP16；i2v 是图生视频分支，14B FP8。ti2v_5b 一个文件能同时处理 T2V 和 Remix 生成，但运动质量不如专门的 14B I2V 检查点。做测试和低显存配置用 ti2v_5b；追求高质量就用 14B I2V。

Wan 2.2 的 VAE 能用在 Wan 2.7 上吗？

不能。每个模型代际都有自己针对它的潜在空间专门训练的 VAE。Wan 2.2 的 VAE 用到 Wan 2.7 上会产生色偏和伪影。一定要下载匹配你模型代际的 VAE。

Remix 工作流该用哪个文件？

用 ti2v 检查点。wan2.2_ti2v_5b_fp16.safetensors 原生就支持 Remix 工作流——在兼容的流程里，这个检查点把参考图当作灵活建议而不是死约束。搭配 wan2.2_vae.safetensors 一起用。更多细节看 Wan 2.2 Remix v3 指南。

文件名里的 "scaled" 是什么意思？

"Scaled" 表示这个检查点在 FP8 精度下用了逐张量激活缩放来最小化量化误差。这是一种校准技术：量化之前，模型会测量每个张量的激活范围并存储缩放因子，推理的时候再用这些因子来还原。效果是 FP8 在视频生成中的画质能达到 FP16 的 99.5% 左右。有 scaled 版就优先选 scaled。

VAE 文件在 ComfyUI 里应该放哪？

把 wan2.2_vae.safetensors 放到 ComfyUI/models/vae/。如果这个文件夹不存在，手动建一个。WanVideo 加载节点会自动识别命名符合 wan2.2_vae.safetensors 的 VAE 文件。

每个模型的文件大小大概多少？

大概参考：5B FP16 约 10 GB，14B FP8 约 14 GB，14B GGUF Q8_0 约 11 GB，14B GGUF Q4_K_M 约 7 GB，VAE 约 320 MB。

GGUF 文件能在 ComfyUI 里用吗？

能。ComfyUI 原生就支持加载 GGUF。用 WanVideoLoader 节点或 GGUF 专用模型加载节点直接加载 .gguf 文件就行。它们跟 .safetensors 文件一样放在 ComfyUI/models/diffusion_models/ 目录下。

同一个 I2V 模型能同时用于 High Noise 和 Low Noise 生成吗？

不能。High Noise 和 Low Noise 是各自独立的检查点。你需要下载指定变体才能获得对应的行为。有些社区工作流尝试通过调提示词来模拟另一个变体的效果，但结果跟专用检查点没法比。

总结

Wan 2.2 的模型文件第一眼看上去确实让人头晕——一个文件名里同时打包了五个独立选择。但规律是统一的：模式（T2V/I2V/T2I2V）→ 噪声变体（仅 I2V）→ 模型大小（5B/14B）→ 精度（FP8/FP16/GGUF）→ 格式（.safetensors/.gguf）。

按这三步走：

1. 先定模式。 想清楚你要用 T2V、I2V 还是 T2I2V（Remix）。这决定了你要下哪个模型分支。
2. 查显存。 根据你的硬件匹配模型大小和精度。16 GB 以上用 14B FP8，12 GB 用 14B GGUF，8 GB 用 5B FP16。
3. 先下 VAE。 320 MB 的文件三个分支都要用。先下 VAE 确认下载通道正常，再下大模型。

按这个顺序来——VAE 几秒就下完了，确认一切正常之后再花时间下载大模型文件。确认完成后，把模型加载到 ComfyUI 里，跑一次 480p 生成看看效果。需要进阶工作流和设置的话，看 Wan 2.2 图生视频指南。