前置条件
- 1已注册腾讯云账号并完成实名认证
- 2一台腾讯云 GPU 计算型实例（显存 16GB 起推荐，8GB 只能用 5B 版本）
- 3系统盘 ≥ 100GB（权重文件很大）
- 4已安装 NVIDIA 驱动与 nvidia-container-toolkit
读完想动手？新用户首单 8 折上云
服务器 + 大模型 API + 对象存储，新用户首购享 20% 补贴
Wan 2.2 通义万相开源版腾讯云 GPU 部署完整指南
Wan 2.2 是阿里通义万相团队开源的视频生成模型，也是目前开放权重里质量最高、许可最干净的国产视频方案之一——零地区限制、零营收门槛，社区实测指标在开放模型里属于第一梯队。
先说清楚一件事：官方发布到 2.2 为止。网上流传的「Wan 2.7 开放权重」并不存在于官方 HuggingFace 组织或 GitHub，那些下载页基本是 SEO 引流。本文全程使用官方 2.2 版本。
第一步：显存决定一切（先选型，再动手）
视频生成对显存的要求远高于图片。选错版本，要么跑不动，要么出片慢到没法用。
三档显存对照表
| 显存 | 可用版本 | 权重文件 | 出片能力 |
|---|---|---|---|
| 8GB | TI2V-5B（fp16 或 GGUF） | wan2.2_ti2v_5B_fp16.safetensors | 720p 短视频，较慢 |
| 12-16GB | 14B + GGUF 量化（Q5_K_M / Q6） | Wan2.2-T2V-A14B-GGUF | 720p，可用 |
| 24GB | 14B FP8（推荐） | wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors<br />wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors | 720p，流畅 |
| 40GB+ | 14B 高精度 + 长片段 | 同上，可调更高参数 | 1080p / 长视频 |
关于 14B 的两个专家模型
Wan 2.2 的 14B 版本采用 MoE 架构，需要两个权重文件：
high_noise：负责早期去噪步骤low_noise：负责后期去噪步骤
好消息是：它们按顺序加载，显存只需容纳其中一个。这就是为什么 24GB 的卡能跑 27B 参数规模的模型。
但磁盘要放下两个文件（FP8 约 2×14.3GB，Q5_K_M 约 2×10.8GB），所以系统盘建议 100GB 起。
机型与计费建议
警告
⚠️ GPU 实例关机仍然计费，只有控制台里「销毁」才真正停止收费。这是最容易烧钱的地方。
推荐用法：
- 按量计费开一台 GPU 实例
- 批量跑完要出的片
- 下载结果到对象存储或本地
- 立即销毁实例
在 腾讯云 GPU 机型与库存 页面查看各档机型与实时库存。同地域创建可以配合 COS 内网传输，几乎不花流量费。
第二步：环境准备
2.1 验证 GPU 可用
1nvidia-smi能看到显卡信息再往下走。看不到的话先排查驱动：
1# 检查驱动是否加载
2lsmod | grep nvidia
3
4# Ubuntu 自动安装推荐驱动
5sudo ubuntu-drivers autoinstall
6sudo reboot2.2 安装 nvidia-container-toolkit
Docker 容器要用 GPU，必须装这个工具包：
1sudo apt-get update
2sudo apt-get install -y curl gnupg
3
4curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey \
5 | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
6
7curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
8 | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' \
9 | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
10
11sudo apt-get update
12sudo apt-get install -y nvidia-container-toolkit
13
14sudo nvidia-ctk runtime configure --runtime=docker
15sudo systemctl restart docker验证容器能看到显卡（这一步不能跳）：
1docker run --rm --gpus all nvidia/cuda:12.1.1-base-ubuntu22.04 nvidia-smi能打印出显卡信息才算配置成功。很多人 CUDA 装了但容器里看不到卡，就是漏了 toolkit 这一步。
2.3 磁盘检查
1df -h /- 5B 版本：预留 ≥ 30GB
- 14B 版本：预留 ≥ 100GB
不够就先扩容，否则下载到一半失败很浪费时间。
第三步：部署 ComfyUI
ComfyUI 是运行 Wan 2.2 最省事的方式——节点式界面，官方提供现成工作流模板，不用自己写推理脚本。
3.1 用 Docker 启动
1docker run -d \
2 --name comfyui \
3 --restart unless-stopped \
4 --gpus all \
5 -p 8188:8188 \
6 -v /data/comfyui:/root \
7 -e CLI_ARGS="--listen 0.0.0.0" \
8 ai-dock/comfyui:latest-cuda警告
⚠️ --gpus all 不能少。少了它 ComfyUI 会退到 CPU，生成一段视频可能要几小时。
浏览器访问 http://服务器IP:8188，能看到节点画布就说明起来了。
3.2 安装必备自定义节点
Wan 2.2 需要专门的节点支持。打开 ComfyUI Manager（界面右侧「Manager」按钮）→「Install Custom Nodes」，搜索安装：
| 节点 | 用途 | 必要性 |
|---|---|---|
| ComfyUI-WanVideoWrapper（作者 Kijai） | Wan 视频模型加载与推理 | 强烈推荐 |
| ComfyUI-GGUF | 低显存跑量化模型 | 8-16GB 显存必装 |
装完重启 ComfyUI：
1docker restart comfyui警告
⚠️ Kijai 的 wrapper 节点通常比官方原生支持更新更快，想追新功能优先用它。
第四步：下载模型权重
4.1 目录结构（放错路径是高频坑）
ComfyUI 对权重存放位置有严格要求，放错了就加载不到：
1/data/comfyui/ComfyUI/models/
2├── diffusion_models/ ← Wan 主模型放这里
3├── text_encoders/ ← umt5 文本编码器放这里
4├── vae/ ← VAE 放这里
5└── lora/ ← LoRA（可选）4.2 必下文件清单
文本编码器（所有配置都要）
umt5_xxl_fp8_e4m3fn_scaled.safetensors → models/text_encoders/
VAE（按版本选一个）
1wan_2.1_vae.safetensors → 14B 版本用这个
2wan2.2_vae.safetensors → 5B 版本用这个
3 → 放 models/vae/主模型（按显存选）
| 显存 | 下载文件 | 放哪里 |
|---|---|---|
| 24GB+ | wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors<br />wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ |
| 12-16GB | QuantStack/Wan2.2-T2V-A14B-GGUF 的 Q5_K_M 或 Q6 版本（high/low 两个） | models/diffusion_models/ |
| 8GB | wan2.2_ti2v_5B_fp16.safetensors | models/diffusion_models/ |
4.3 国内下载方式
权重在 HuggingFace 上，国内机器建议走魔搭或镜像：
1# 方式一：ModelScope（国内速度快，推荐）
2pip install modelscope
3python -c "
4from modelscope import snapshot_download
5snapshot_download('Wan-AI/Wan2.2-T2V-A14B', cache_dir='/data/wan')
6"
7
8# 方式二：HuggingFace 镜像端点
9export HF_ENDPOINT=https://hf-mirror.com
10pip install huggingface-hub
11huggingface-cli download Wan-AI/Wan2.2-T2V-A14B \
12 --local-dir /data/wan/Wan2.2-T2V-A14B下载完手动移动到 ComfyUI 对应目录（注意别放错层）：
1cd /data/wan
2# 按 4.1 的目录结构移动文件，然后确认
3ls -lh /data/comfyui/ComfyUI/models/diffusion_models/
4ls -lh /data/comfyui/ComfyUI/models/text_encoders/
5ls -lh /data/comfyui/ComfyUI/models/vae/警告
⚠️ 下载中断可以重跑命令，支持断点续传。下载前先 df -h 确认磁盘够，14B 全套约 30GB+。
第五步：跑第一个视频
5.1 加载官方工作流
ComfyUI 内置了 Wan 2.2 的模板：
- 菜单栏 Workflow → Browse Templates → Video
- 选择 Wan2.2 14B T2V（5B 版本选对应的 5B 模板）
5.2 检查三个关键节点
工作流加载后，重点确认这几点（错了就出不了片）：
| 节点 | 检查项 |
|---|---|
| Load Diffusion Model | 加载的是你下载的 high_noise / low_noise 文件（14B 有两个加载节点） |
| Load CLIP | 指向 umt5_xxl_fp8_e4m3fn_scaled.safetensors |
| Load VAE | 指向对应版本的 VAE 文件 |
警告
⚠️ 14B 工作流有两个 Load Diffusion Model 节点，上面那个加载 high_noise，下面那个加载 low_noise，别装反。
5.3 出片参数设置
| 参数 | 建议值 | 说明 |
|---|---|---|
| 分辨率 | 832×480（测试）<br />1280×720（正式） | 必须是 16 的倍数 |
| 帧数 | 81 帧 ≈ 5 秒 @16fps | 帧数越多越吃显存 |
| 采样步数 | 30-40 | 少了质量差，多了慢 |
| 提示词 | 中文或英文均可 | umt5 编码器对中文支持不错 |
先用 832×480 + 81 帧跑通，确认能出片后再往上调。一上来就 720p 很容易 OOM，还浪费时间。
5.4 执行与等待
点「Queue Prompt」，第一次生成会慢（模型编译 + 加载），后续会快很多。
用 nvidia-smi 盯一眼显存：
1watch -n 2 nvidia-smi看到显存被占满且利用率在跑，说明正常工作。
第六步：参数调优与批量出片
6.1 显存不够时的降负方案
按这个顺序尝试：
- 降分辨率（720p → 480p）
- 减帧数（81 → 41）
- 换更激进的量化（Q6 → Q5 → Q4）
- 用 ComfyUI-GGUF 加载量化模型
6.2 加速
- 加 LoRA：社区有专门的加速 LoRA，能把 40 步压到 10 步左右
- 固定种子批量微调：同一工作流改种子批量出，避免重复加载模型
6.3 用 API 批量出片
不想一直点界面时，用 ComfyUI 的 API：
1curl -X POST http://127.0.0.1:8188/prompt \
2 -H "Content-Type: application/json" \
3 -d @workflow_api.json先用界面导出 API 格式的 JSON（菜单 → Save (API Format)），再用脚本循环提交，就能批量生产。
生产建议：把驱动视频或标准动作存成模板复用，换提示词即可批量出片，效率比每次重新配置高一个量级。
第七步：结果导出
生成的文件在：
1/data/comfyui/ComfyUI/output/建议同步到 COS（腾讯云对象存储）再销毁 GPU 实例：
1# 安装 coscli 后上传
2coscli cp /data/comfyui/ComfyUI/output/ cos://你的桶名/wan-output/ -r警告
⚠️ 先确认文件全部下载到本地或 COS，再销毁实例。实例销毁后数据无法找回。
18 条故障排查
| # | 现象 | 原因 | 解决 |
|---|---|---|---|
| 1 | 容器里 nvidia-smi 报错 | 没装 nvidia-container-toolkit | 按 2.2 装工具包并重启 docker |
| 2 | ComfyUI 跑在 CPU 上 | 启动缺 --gpus all | 加上参数重启容器 |
| 3 | 加载模型报 not found | 权重放错目录 | 严格按 4.1 目录结构摆放 |
| 4 | CUDA out of memory | 分辨率/帧数过高 | 降参数；或换量化版本 |
| 5 | 提示词不生效 | 用了错误的文本编码器 | 确认是 umt5_xxl，不是 SD 的 CLIP |
| 6 | 生成全黑或噪点 | VAE 版本不匹配 | 14B 用 wan_2.1_vae，5B 用 wan2.2_vae |
| 7 | 出片是静态图 | 帧数设成 1 或工作流不对 | 确认用 Video 模板，不是 Image |
| 8 | 节点报红找不到类型 | 自定义节点没装或没重启 | 装 WanVideoWrapper 后重启 ComfyUI |
| 9 | 下载权重中断 | 网络波动 | 重跑下载命令，支持断点续传 |
| 10 | 磁盘写满 | 权重 + 输出堆积 | 扩容；清理旧 output |
| 11 | 第一次生成卡很久 | 模型编译（正常现象） | 等；后续会快 |
| 12 | 两个专家模型装反 | 工作流节点配置错 | 上 high 下 low |
| 13 | 显存只用了不到一半但报 OOM | 碎片化 | 重启容器释放显存 |
| 14 | 中文提示词效果差 | 编码器或权重问题 | 换英文提示词对比测试 |
| 15 | 生成速度极慢 | CPU 推理或驱动问题 | 确认 nvidia-smi 有利用率 |
| 16 | ComfyUI 页面打不开 | 端口未放行或服务未起 | 检查防火墙；docker logs comfyui |
| 17 | GGUF 模型加载失败 | 没装 ComfyUI-GGUF | 装节点并重启 |
| 18 | 账单意外高 | 实例没销毁 | ⚠️ 控制台销毁实例，关机仍收费 |
落地建议
- 先小后大 —— 832×480 + 81 帧跑通，再上 720p。一上来就高参数必然 OOM，还浪费时间。
- 按量计费 + 用完销毁 —— 这是 GPU 实例唯一省钱的正确用法，关机不等于停费。
- 权重目录别放错 ——
diffusion_models/text_encoders/vae三个目录各归各位，放错是最常见的"模型找不到"原因。 - 批量出片走 API —— 界面点一次就够，批量生产用脚本提交，省人力。
- 出片前先备份 —— 结果同步到 COS 后再销毁实例，别赌。
常见问题
Q网上说的 Wan 2.7 是真的吗？
不是。截至 2026 年年中，Wan 官方（阿里巴巴通义万相团队）发布到 **2.2** 为止，HuggingFace 官方组织与 GitHub 上不存在 Wan 2.7 的开放权重。凡是提供「Wan 2.7 下载」的站点基本都是 SEO 引流页面，下载来的可能是来路不明的文件。本文只使用官方 2.2 版本。
Q我的显卡只有 8GB 显存，能跑吗？
能，但要用 **5B 的 TI2V 版本**（`wan2.2_ti2v_5B`），出 720p 短视频没问题。14B 版本需要 16GB（走 GGUF 量化）或 24GB（FP8）才跑得动。6GB 及以下的卡不建议尝试视频生成，实测连模型都加载不进去，白花时间。
QGPU 实例太贵，有省钱的办法吗？
有，而且必须这么做：**按量计费 + 用完立刻销毁**。GPU 实例关机仍然计费，只有「销毁」才真正停费。建议流程是：按量开一台 → 批量出片 → 下载结果 → 立即销毁。长期常驻只在产量足够大时才划算，按实际用量算过再决定。