一、Wan-Move介绍
阿里通义实验室、清华大学、香港大学、香港中文大学的研究团队提出了 Wan-Move —— 一个无需额外动作编码器、直接通过点轨迹注入动作信息的视频生成框架。该方法在保持模型架构简洁的同时，实现了商业级的动作精度与视觉保真度。Wan-Move 是一种视频生成框架，旨在通过潜在轨迹引导实现运动可控的视频生成。该框架专注于解决视频生成中动作控制的精度问题，避免了传统方法依赖额外模块（如光流估计器）带来的推理复杂性和误差累积。Wan-Move 是在Wan2.1代码库基础上实现的一个最小扩展。如果您已尝试过 Wan2.1，那么您几乎可以复用现有的大部分设置，迁移成本极低。
-
🎯 高质量5秒480p动作控制：通过规模化训练，Wan-Move能够生成5秒、480p的视频，其动作可控性达到SOTA水平，与Kling 1.5 Pro的Motion Brush等商用系统相当，这一点已通过用户研究得到验证。
-
🧩 新颖的潜在轨迹引导：我们的核心思想是通过沿轨迹传播第一帧的特征来表征运动状态，这一方法可无缝集成到现成的图像到视频模型中（例如，Wan-I2V-14B），无需任何架构改动或额外的运动模块。
-
️精细的点级控制：物体运动以密集的点轨迹表示，可实现对场景中每个元素运动方式的精确、区域级控制。
-
📊 专用运动控制基准测试MoveBench：MoveBench是一个精心策划的基准测试，拥有更大规模的样本、多样化的内容类别、更长的视频时长以及高质量的轨迹标注。
二、相关安装
1.插件
-
Wanvideowarpper：https://github.com/kijai/ComfyUI-WanVideoWrapper -
Kjnodes：https://github.com/kijai/ComfyUI-KJNodes
2.模型
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └─── Wan21-WanMove_fp8_scaled_e4m3fn_KJ.safetensors
│ └── loras/
│ └── lightx2v_I2V_14B_480p_cfg_step_distill_rank128_bf16.safetensors
│ ├── text_encoders/
│ │ └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│ └── vae/
│ │ └── wan_2.1_vae.safetensors三、工作流
模型加载还是一个主模型+一个加速模型，wan2.1那一套。
- 仅需微调现有 I2V 模型（如 Wan2.1）；
- 无需额外网络、无需光流预处理，推理流程与标准 I2V 一致；
- 已由开源社区开发者 kijai 集成至 ComfyUI 封装器，支持本地一键部署。
这里比较新的是一个轨迹线的描绘，上面让大家升级Kjnodes插件，就是这里要用到，用到的节点叫曲线编辑器，和以前的点编辑器类似，不过这个是用来画轨迹线的。
这种要画线条的，一般都是先把图加载进来，先执行一遍，等图片进来了，就停止运行，然后就可以点击底部的 New Canvas来重置下画布，就会看到一根线条了。
可以移动箭头，默认这条线里面有3个节点箭头，把箭头摆放到指定的位置就行。
视频生成部分
案例：
总结
Wan-Move由阿里通义实验室联合顶尖高校研发，其开源和标准化推动了行业技术进步。它不仅是学术上的突破，更通过实际应用（如复刻舞蹈、影视表演等）展现了巨大潜力，为低成本动捕提供了替代方案。
总之，Wan-Move通过技术革新解决了视频生成中的动作控制难题，为创作者提供了强大工具，推动了AI视频生成领域的发展。