Wan 2.2 5B TI2V在24 GB笔记本上被描述为“质量最好”，LTX-Video 19.2秒出5秒1216×704视频“比Wan 2.2 5B快18倍”但“运动幅度明显偏小”，当速度和运动幅度被放在同一个天平上时，一个做自动化流水线的人到底该按“单位时间出片量”选LTX还是按“单条可用性”选Wan？

一、问题的重新定义：从“快多少倍”到“有效出片率”

原始描述中有三个关键事实：Wan 2.2 5B TI2V 在 24 GB 笔记本上被评价为“质量最好”；LTX-Video 以 19.2 秒生成 5 秒 1216×704 视频，被描述为“比 Wan 2.2 5B 快 18 倍”；同时 LTX 的“运动幅度明显偏小”。这三个事实分别指向质量、延迟、动态表现三个维度，但它们并不是同一量纲上的可比量。把“快 18 倍”和“运动幅度偏小”放进同一个天平，本质上是把一个吞吐指标和一个质量指标直接相减，这在工程决策上是无效操作。

笔者认为，正确的重构方式是引入一个中间变量：有效出片率（Effective Yield Rate, EYR）。定义为在给定时间窗口 T 内，经过质检门限后判定为可用的视频条数除以 T。它同时吸收了速度（分母）与可用性（分子），从而把“选快的还是选好的”转化为“在什么可用率阈值下，哪种模型的 EYR 更高”。这一重构的价值在于：它把一个看似主观的取舍，变成了一个可以用少量实测数据拟合的决策函数。

本文评述：业界常见的“快 N 倍”表述，通常只统计模型前向时间，忽略了排队、编解码、后处理与重试成本。在流水线语境下，重试成本恰恰是速度优势被侵蚀的主要通道——一条被判定不可用的快视频，其真实成本等于生成时间加上判定时间再加上重生成时间。

为了让后续讨论有明确的锚点，先给出本文使用的符号体系。设单条生成的前向时间为 t_gen，编解码与封装时间为 t_io，质检判定时间为 t_qc，单条首次通过率为 p，最大重试次数为 R。则单条可用视频的期望时间成本为：

E[cost] = (t_gen + t_io + t_qc) * (1 - p^(R+1)) / (1 - p) / p   （简化式，假设重试独立同分布）

这个式子的直接含义是：当 p 从 0.9 降到 0.5 时，即使 t_gen 缩小 18 倍，期望成本也可能被重试项拉平甚至反超。举例说明（以下为模拟数据，用于演示量级关系，非实测）：若 Wan 的 t_gen=345 秒、p=0.85，LTX 的 t_gen=19.2 秒、p=0.45，取 t_io+t_qc=8 秒、R=2，则 Wan 的 E[cost] 约为 415 秒，LTX 约为 96 秒。此时 LTX 仍占优，但优势从 18 倍收窄到约 4.3 倍。若 p 进一步降到 0.3，LTX 的 E[cost] 升至约 152 秒，优势收窄到约 2.7 倍。这说明“快 18 倍”是一个上限值，真实收益高度依赖可用率。

需要强调的是，上述 p 并不是一个固定常数，它随提示词复杂度、镜头类型、运动强度要求而显著变化。因此工程上不应追求一个全局的 p，而应按内容类型分层统计。这一点在第七节的决策模型中会被形式化为条件可用率 p(c)，其中 c 为内容类别。

二、背景与技术路线：两条扩散视频生成范式的分野

2.1 扩散视频生成的基本机制

当前主流视频生成模型大多建立在扩散模型（Diffusion Model）框架之上。其基本机制是：在训练阶段对真实视频施加逐步加噪，学习一个去噪网络；在推理阶段从纯噪声出发，通过多步迭代去噪还原出视频。视频相对于图像的核心增量在于时间维度的建模——潜空间被扩展为三维张量（时间×高度×宽度），注意力机制需要在时间轴上建立关联，以保证帧间一致性。这一增量直接导致计算量随帧数近似线性甚至超线性增长，也是视频生成延迟远高于图像生成的根源。

在这一共同框架下，不同模型的差异主要体现在三处：潜空间压缩率、去噪步数与调度器、以及时间建模的注意力结构。压缩率越高，单步计算越便宜，但细节与运动信息损失越大；去噪步数越少，延迟越低，但对调度器与蒸馏质量的要求越高；时间注意力越稀疏，长视频越可行，但运动连贯性越难保证。本文评述：把这三个变量放在一起看，就能理解为什么“快”和“运动幅度大”在架构层面存在结构性张力——它们争夺的是同一份计算预算。

2.2 Wan 2.2 5B TI2V 的定位

Wan 系列是开源视频生成模型中的重要一支，其 5B 参数版本面向消费级与单卡工作站场景，TI2V 指文本+图像到视频（Text-Image-to-Video）的联合条件输入能力。5B 参数量在视频生成模型中属于中等偏小，其设计目标是在有限显存下保持可用的生成质量。在 24 GB 显存条件下，5B 规模使得模型权重、激活值与注意力缓存可以较从容地驻留，减少了 CPU 卸载（offload）带来的额外延迟。

“质量最好”这一评价需要被谨慎对待。它通常是在特定对比集合、特定分辨率与帧数下的相对结论，而非绝对属性。笔者认为，更准确的表述是：在 24 GB 约束下，Wan 2.2 5B 在运动幅度、帧间一致性与细节保真度上取得了较好的折中，其单条输出的“可直接使用”概率较高。这一判断与后文将讨论的可用率指标方向一致。

2.3 LTX-Video 的定位

LTX-Video 的核心卖点是实时级生成能力，其技术路线强调高压缩率的视频潜空间与高效的去噪调度，从而把生成延迟压到秒级。19.2 秒生成 5 秒 1216×704 视频，意味着生成速度约为实时的 0.26 倍（即生成 1 秒视频约需 3.84 秒），这在消费级硬件上属于相当激进的指标。其代价通常体现在运动幅度、复杂场景的稳定性以及长镜头的连贯性上。

“运动幅度明显偏小”这一观察，与高压缩率潜空间的设计取向是自洽的：压缩率越高，高频运动信息越容易被平滑掉，模型倾向于生成更保守、更静态的画面。本文评述：这不是一个“缺陷”，而是一个可预期的设计权衡。把它称为缺陷，会误导工程决策；把它称为特性，又容易掩盖其在动态场景下的真实局限。准确的定位是：LTX 在低动态、以构图与风格为主的内容上性价比极高，在高动态内容上则需要额外的提示词工程或后处理补偿。

三、延迟分解：19.2 秒与“18 倍”背后的真实构成

要判断“快 18 倍”在流水线中是否成立，必须先把延迟拆开。一次完整的视频生成请求，其端到端延迟至少包含以下环节：提示词编码、潜空间初始化、去噪迭代、VAE 解码、视频编码封装、以及可能的显存换入换出。不同模型在这些环节上的占比差异很大，而“18 倍”通常只反映去噪迭代这一段的比值。

注：上表为基于公开模型卡与社区实测报告的相对量级归纳，非单一来源精确测量；具体数值随驱动、精度与分辨率变化。

从表中可以看出，去噪迭代是两者差距的主要来源，但 VAE 解码与固定开销在小批量场景下会稀释这一差距。本文评述：当单条视频只有 5 秒、分辨率 1216×704 时，VAE 解码与封装的固定成本占比不容忽视，这意味着“18 倍”在端到端口径下通常会被压缩到个位数倍数。工程上应以端到端实测为准，而非引用模型卡上的单段指标。

另一个常被忽略的因素是批处理效应。LTX 的低延迟使其更容易通过批处理提升吞吐，但 24 GB 显存在高分辨率下对批大小构成硬约束。Wan 2.2 5B 由于单条占用更高，批大小通常更小，但其单条质量较高，重试需求低，二者在吞吐上的实际差距需要按批大小分别测算。建议在基准测试中固定批大小变量，分别测 batch=1 与 batch=2 的端到端时间，避免用不同批大小的数字做比较。

四、运动幅度的量化：为什么“偏小”是一个可测量指标

“运动幅度明显偏小”如果停留在主观描述，就无法进入决策模型。好在这一指标可以被量化。常用的可计算代理指标包括：光流平均幅值、帧间像素差分均值、以及基于特征点追踪的位移统计。其中光流法最为稳健，因为它能区分“整体平移”与“局部形变”，而简单的帧差会把亮度变化误判为运动。

具体做法是：对生成视频逐帧计算稠密光流（如 Farneback 或 RAFT 类方法），取光流矢量的模长在空间与时间上的均值，记为平均运动能量（Average Motion Energy, AME）。AME 越高，画面动态越强。为了消除分辨率影响，应先把视频统一缩放到固定短边（如 512），再计算光流。这一预处理步骤在跨模型比较时是必需的，否则高分辨率视频会因为像素位移更大而虚高。

import cv2, numpy as np

def average_motion_energy(path, short_side=512):
    cap = cv2.VideoCapture(path)
    frames = []
    while True:
        ok, f = cap.read()
        if not ok: break
        h, w = f.shape[:2]
        s = short_side / min(h, w)
        f = cv2.resize(f, (int(w*s), int(h*s)))
        frames.append(cv2.cvtColor(f, cv2.COLOR_BGR2GRAY))
    cap.release()
    mags = []
    for a, b in zip(frames[:-1], frames[1:]):
        flow = cv2.calcOpticalFlowFarneback(a, b, None, 0.5, 3, 15, 3, 5, 1.2, 0)
        mags.append(np.linalg.norm(flow, axis=2).mean())
    return float(np.mean(mags)) if mags else 0.0

需要说明的是，AME 只是运动幅度的代理，不等于“运动质量”。一段画面可能 AME 很高但充满抖动与伪影，也可能 AME 适中但运动自然流畅。因此 AME 应与帧间一致性指标联合使用，例如光流的时间方差（衡量运动是否突变）与结构相似性（SSIM）的帧间均值。本文评述：把运动幅度单一指标当作质量判据是危险的，它更适合作为“是否满足内容需求”的门限，而非“好坏”的排序依据。

在内容层面，运动幅度需求与内容类型强相关。产品展示、口播、静态构图类内容对 AME 要求低，LTX 的保守运动反而减少伪影；而动作演示、体育、舞蹈、转场类内容对 AME 要求高，LTX 的短板会被放大。这意味着“运动幅度偏小”是否构成问题，取决于流水线服务的内容分布，而非模型的绝对属性。这一判断直接支撑了第七节的分层决策模型。

五、可用性判定：把主观“能用”变成可执行的门限

可用率 p 是整个决策模型的核心参数，也是最容易被拍脑袋估计的参数。要让 p 可信，必须把“能用”拆成可自动判定的门限。实践中可分解为四类检查：技术合规（分辨率、帧率、时长、编码格式）、内容合规（无违规元素）、结构完整（无严重形变、无闪烁、主体不消失）、以及内容匹配（是否满足提示词的关键要素）。前三类可高度自动化，第四类需要多模态模型或人工抽检。

工程上建议采用两级门限：硬门限（技术合规、内容合规）直接拒绝，软门限（结构完整、内容匹配）给出分数并进入重试或人工队列。这样做的原因是：硬门限的误判代价低且可解释，软门限的误判代价高，需要保留人工复核通道。本文评述：很多团队把可用率做成一个黑箱百分比，导致无法定位失败原因，也无法针对性优化提示词或参数。把 p 拆成四类分别统计，才能知道 LTX 的低可用率究竟来自运动不足、结构崩坏还是内容不匹配。

另一个实践要点是重试策略与 p 的耦合。如果重试时只换随机种子而不改提示词，p 近似独立，第三节的期望成本公式成立；如果重试时修改提示词或参数，p 会随重试次数变化，公式需要修正。建议在流水线中记录每次重试的输入差异，以便后续做因果分析。这一数据积累在数周后就能显著提升 p 的估计精度。

六、可复现基准：24 GB 笔记本上的测试方法与脚本

要让选型结论经得起检验，基准测试必须可复现。以下给出一套最小可行的测试协议，适用于单卡 24 GB 笔记本。协议的核心原则是：固定变量、分层采样、记录尾延迟、并同时采集质量与运动指标。

6.1 测试集构造

测试集应按内容类型分层，建议至少四层：静态构图（产品、风景）、中等动态（人物口播、轻微运镜）、高动态（动作、运动镜头）、复杂场景（多主体、快速转场）。每层不少于 20 条提示词，提示词应来自真实业务需求而非模型演示样例，以避免乐观偏差。每条提示词固定随机种子集合（如 3 个种子），以便区分“提示词难度”与“种子方差”。

6.2 采集脚本

# 伪代码：端到端计时与指标采集
for layer in layers:
    for prompt in layer.prompts:
        for seed in seeds:
            t0 = time.perf_counter()
            video = model.generate(prompt, seed=seed, ...)
            t1 = time.perf_counter()
            path = save(video)
            t2 = time.perf_counter()
            metrics = {
                "gen_s": t1 - t0,
                "io_s": t2 - t1,
                "ame": average_motion_energy(path),
                "ssim_mean": frame_ssim_mean(path),
                "flow_var": flow_temporal_variance(path),
            }
            record(layer.name, prompt.id, seed, metrics)

采集时需注意三点：第一，首次运行包含模型加载与编译开销，应单独标记并排除在稳态统计之外；第二，显存压力会随批大小与分辨率非线性变化，应记录峰值显存；第三，笔记本的功耗墙与温度墙会导致长时间运行降频，建议每测 10 条休息 30 秒，或记录 GPU 时钟以校正。本文评述：很多“快 N 倍”的争议源于测试条件不一致，把功耗与热状态纳入记录，能显著提升结论的可信度。

6.3 指标汇总

汇总阶段应报告分层的 p50 与 p95 延迟，而非仅均值。尾延迟对流水线吞吐的影响往往被低估：一条 95 分位耗时 3 倍的请求，会阻塞后续排队，放大整体周期。同时应报告分层的可用率与 AME 分布，用箱线图或分位数表呈现，避免用单一均值掩盖分布差异。

七、决策模型：单位时间出片量 vs 单条可用性的形式化

有了延迟与可用率数据，就可以把选型问题形式化。设内容类别为 c，模型为 m，则模型 m 在类别 c 上的有效出片率为：

EYR(m, c) = p(m, c) / E[cost(m, c)]

决策规则是：对每个类别 c，选择 EYR 更高的模型。但这一规则有两个重要修正。第一，价值加权：不同类别的单条视频商业价值不同，高价值类别应允许更低的 EYR 以换取更高的单条质量。第二，产能约束：当总需求超过单模型产能时，需要按边际收益分配，而非简单按 EYR 排序。这两个修正把纯吞吐问题转化为带约束的优化问题。

注：上表为基于机制推理的定性建议，具体阈值需以第六节基准测试的实测 p 与 AME 为准。

本文评述：这张表的价值不在于给出固定答案，而在于示范一种“按类别分治”的思维方式。很多团队试图找一个“万能模型”，结果在两类内容上都只能拿到中等表现。更优的做法是承认模型的能力边界，用路由把不同内容分派到最合适的模型，从而在整体上逼近帕累托前沿。

八、工程落地：混合路由流水线的操作路径

混合路由不是把两个模型简单并列，而是需要一套调度、质检与回退机制。以下给出可执行的操作路径，按实施顺序排列。

第一步：建立内容分类器。在请求进入生成队列前，先用轻量规则或小模型判断内容类别（静态/中动态/高动态）与运动需求等级。分类器不需要很准，但必须可解释、可调阈值。初期可用关键词规则，积累数据后再替换为分类模型。

第二步：实现统一生成接口。把 Wan 与 LTX 封装为同一接口，输入提示词、种子、分辨率、时长，输出视频路径与元数据。接口层负责显存检查、批大小选择与超时控制。统一接口是后续做 A/B 与灰度切换的前提。

第三步：接入两级质检。硬门限用 ffprobe 与内容分类器，软门限用光流与 SSIM 指标。质检结果写入结构化日志，字段包括模型、类别、种子、各指标值、判定结果。日志是后续优化 p 估计的唯一依据。

第四步：配置路由与回退。默认按第七节表格路由；当主模型连续失败超过阈值时，自动回退到备选模型，并记录回退原因。回退率本身是一个重要监控指标，它反映了路由规则的准确性。

第五步：建立产能看板。按类别统计 EYR、p50/p95 延迟、回退率、人工复核率。看板应支持下钻到单条请求，便于定位问题。建议每周复盘一次，调整路由阈值与提示词模板。

笔者认为：混合路由的最大风险不是技术复杂度，而是“路由规则腐化”——随着内容分布变化，原本准确的规则逐渐失效却无人维护。对策是把路由规则纳入版本管理，并设置定期重估机制，用最新数据重新拟合阈值。

在 24 GB 硬件上，还有一个现实约束：两个模型同时驻留显存通常不可行。因此路由需要在请求级别串行切换，切换成本（模型加载）必须计入延迟。缓解办法包括：按批次集中调度同类请求以减少切换次数；使用量化版本降低驻留占用；或在夜间批量跑 Wan、白天实时跑 LTX 的时间分区策略。本文评述：时间分区是一种被低估的工程手段，它把显存约束转化为调度约束，往往比强行同驻更划算。

九、局限、边界条件与前沿预判

本文的分析框架有三个明确局限。第一，可用率 p 的估计依赖质检门限，门限本身带有主观性，不同团队对“可用”的定义不同，跨团队比较需谨慎。第二，AME 作为运动幅度代理，无法区分“自然运动”与“抖动伪影”，需与一致性指标联合解读。第三，延迟数据受硬件、驱动、精度设置影响显著，本文引用的量级关系应视为方向性参考，落地前必须本地复测。

边界条件方面，当内容以静态构图为主时，LTX 的吞吐优势几乎无衰减，此时“选 LTX”是明确占优；当内容以高动态为主时，LTX 的可用率下降会迅速抵消速度优势，此时“选 Wan”更稳；当内容混合且产能紧张时，混合路由的收益最大。这一三段式判断可以作为快速决策的启发式规则，但不应替代实测。

前沿预判方面，笔者认为未来 12 个月有三个值得关注的方向。其一，视频模型的蒸馏与步数压缩仍在快速演进，LTX 类模型的运动短板有望通过更好的调度器与训练目标缓解。其二，运动控制的可控生成（如轨迹条件、光流条件）正在成熟，若能在推理阶段注入运动先验，速度与动态的张力会被部分解开。其三，质检自动化水平提升会直接改变 p 的估计精度，进而改变选型结论——这意味着选型不是一次性决策，而是需要持续重估的动态过程。

本文评述：把选型当作一次性技术选型是常见的认知误区。在模型快速迭代的领域，更合理的做法是建立“可重估的决策基础设施”——统一的接口、结构化的日志、可复现的基准。基础设施建好后，换模型只是换一个参数，而不是重做一遍工程。

十、结论

回到最初的问题：按“单位时间出片量”选 LTX，还是按“单条可用性”选 Wan？本文的答案是：这个问题本身需要被重构。正确的决策变量是有效出片率 EYR，它同时包含速度与可用性；而 EYR 随内容类别变化，因此不存在全局最优的单一模型。在 24 GB 笔记本的约束下，稳态解是混合路由：低动态内容交给 LTX 释放吞吐，高动态内容交给 Wan 保证可用性，并用统一接口、两级质检与结构化日志支撑持续重估。

“快 18 倍”是一个真实但局部的指标，它的实际价值取决于可用率衰减的程度；“运动幅度偏小”是一个可测量、可补偿的特性，而非不可逾越的缺陷。把两者放进同一个天平的正确方式，不是比较数字大小，而是把它们折算到同一个成本函数里。笔者认为，这套以 EYR 为核心、以可复现基准为支撑、以混合路由为落地形态的方法论，比任何单一模型的推荐都更经得起时间检验。