阿里这次玩真的！12月初，阿里突然在千问APP上线了两大“核武器”：视频生成模型通义万相Wan2.5和图像生成模型Qwen-Image的满血特供版，最疯狂的是，全部免费，彻底降低用户的使用门槛。
如今它下放到手机端，再配上Qwen-Image 2511这张免王牌」一同下放到千问APP，可以说，这是阿里将B端沉淀的多模态技术向C端场景落地的重要尝试。
那么APP端视频生成的体验究竟是否能像此前网页端一样惊艳？还有，卷了这么多年的图片生成大模型，这次千问+Qwen-Image 2511又能带来什么惊喜？
带着两个核心疑问，我们用一周时间把这两个功能用到了极致，试图为大家解决以下问题：
Qwen-Image 2511是否能真正解决传统AI生图的人物崩脸、中文乱码等行业痛点？Wan 2.5在音画同步、长视频叙事上与国际主流模型的差距是否缩小？免费模式背后，阿里又在构建怎样的AI生态闭环？
01 视频能力实测：
Wan 2.5是谁，相信很多了解过AI视频生成的朋友已经对此并不陌生。
作为为数不多能够对标谷歌Veo3的视频生成大模型，Wan 2.5核心突破在于音画同步与10秒长视频生成以及更精细、好看的画面。
说的更直白一点，Wan2.5不仅是2025年国内最先进的多模态生成模型之一，绝对也是你用过最具性价比的一梯队AI视频生成产品。
接下来，我们从音画同步、场景化功能、细节表现三个层面，解析其实际表现。
测试一：音画同步、时长
音画不同步、短时长限制、细节不突出，是过去国产视频模型与Sora、Veo3等国际模型的主要差距。针对以上问题，我们直接让Wan2.5生成：在复杂场景中，生成两个不同风格人物对话的剧情。 看似简单，但这段提示词里，实际埋了三个坑：
第一，风格冲突：需兼顾古风与西方两种人物风格，避免不同穿着人物实际共用一张脸的情况；
第二，音画同步：两个角色的台词「人性本恶！争则乱，乱则穷」「人性本善，无人有意作恶」要对口型，还要匹配动作，并且两人的语气与神情各不相同。
第三，复杂画面，元素不丢：石质柱廊，青灰色石板、斑驳光影、阶前青草点缀，不能随着镜头的切换凭空消失。
可以看到，Wan2.5的音画同步准确率相当不错，而且我们一开始担心各种问题，Wan2.5都解决的很好。首先是高度一致的音画同步，细节上，不仅人物挥动衣袖的动作、身体、音画同步自然流畅，就连场景也有很高的一致性，整体画面切换调度也颇有动画电影的水平。
测试二：细节控制
如果说卡通测试是基础题，那电影级写实测试就是附加题。
此前在Wan2.5-Preview时期，我们就已经见识到了它在细节还原、氛围打造上的厉害之处。不过这次，我们让难度再升级，从黄昏树林中静止的男生，变成真实复杂场景中，两个运动中的主角。
这是最近各种AI视频测试中，最让我感到惊喜的一个。
先看必答题：女孩的棉麻长裙，袖口卷起的地方有自然的褶皱，不是熨烫平整的假质感；小鹿的头靠在女孩手臂上时，耳朵会轻轻晃动，不是焊死在头上；逆光的金色轮廓光，刚好勾勒在发丝和肩膀边缘，没有糊成一片。女孩转弯前真实的眼神变化，走路时自然飘动的发丝，真实到仿佛电影画面。背景虚化后的光斑是圆形斑驳，不是呆板的圆形光斑，这细节已经能吊打不少老法师了。
然后是彩蛋：我忘记了在提示词里写任何声音，但视频里居然有咔嚓咔嚓女孩和小鹿踩过落叶时的脚步声，声音会随着步伐的快慢变化；背景里还有清脆且有空间远近层进的鸟叫声。
据了解，这种画面审美突破的核心在于，Wan 2.5通过引入人类反馈的强化学习（RLHF），把用户对画面质感、动态效果、指令匹配度的反馈用于优化模型，从而彻底让AI视频生成摆脱了过去诡异中带着点赛博丑陋的标签。
测试三：场景化功能体验
不同于国际模型侧重各种技术极限，Wan 2.5更注重实用场景适配，此前通义推出的全民舞王一度让全中国的奶牛猫都突然站立开始跳印度舞，虽然魔性，但直指普通用户的创作痛点。
这里的测试，我们不再采用固定的模版，而是玩了个脑洞测试：上传一张小猫的照片，让它驮着孙悟空在非洲大草原狂奔。 这个需求的难点在于双重动态：小猫跑步时的肌肉形变、孙悟空的丝带飘动，还要保持小猫的原长相。毕竟，很多AI处理图生视频+复杂动作时，会把主体搞成橡皮泥，要么肌肉不动，要么脸崩了。
效果如下：
可以看到，这里的测试效果依然很稳定，小猫已经驮着孙悟空在非洲大草原奔驰，会有肌肉的运动，孙悟空的丝带飘向风的方向，不是360度乱转；最关键的是，小猫的脸和我上传的照片几乎一致——耳朵的弧度、眼睛的颜色，甚至额头的精细花纹全都没丢。
AI 速览
