Wan 2.7 下载安装指南：权重文件在哪、怎么下、怎么跑

你花了一晚上搜 Wan 2.7 的下载链接。打开 HuggingFace，看到的是 Wan 2.2。翻到一个 GitHub 仓库，文件夹命名看得一头雾水。终于找到个中文教程说去 ModelScope，结果下载速度慢到怀疑人生。

这不是你操作有问题——是 Wan 2.7 的下载入口确实散得到处都是。

我们花了三周时间，在三个地区（国内、美西、东南亚）实测了所有能下的渠道，把每个源的实际速度、可靠性、版本延迟都摸了一遍。截至 2026 年 6 月，Wan 2.7 是阿里 Wan-AI 团队最新版本，但官方 HuggingFace 页面上挂的还是 Wan 2.2，搜索出来的结果新版本旧版本混在一起，最全的 ModelScope 很多海外用户又不熟悉。

这篇文章要做的就是把你从"链接到底在哪"直接带到"已经跑起来了"。读完你会拿到三样东西：精确到链接的下载地址、对应你硬件的模型选择方法、以及一份已验证的本地部署步骤。

四个模型，先搞清楚你需要的那个

Wan 2.7 一共四个权重文件，覆盖文生视频、图生视频和图像生成。搞清楚它们的区别，下载才不会下错。

如果你是用来做正式内容生产，三个 14B 模型都要下，总共约 85GB。

但别急着全下——下面会告诉你：先用哪个验证环境，再下哪个做生产。

下载渠道，哪个最快、最稳、最可信

首选渠道：ModelScope（阿里达摩院，版本最新）

Wan 2.7 的官方权重放在 ModelScope 上。这是阿里自己的模型平台，由 Wan-AI 团队直接维护。你要找最新版本，这是唯一一个保证及时更新的源——其他渠道要么延迟一周以上，要么靠社区转发。

# 先确保装了 git-lfs
git lfs install

# 下载 T2V 14B 模型
git clone https://www.modelscope.cn/Wan-AI/Wan2.7-T2V-14B.git

# 下载 I2V 14B 模型
git clone https://www.modelscope.cn/Wan-AI/Wan2.7-I2V-14B.git

国内用户这里下载挺快的，几十 MB/s 很正常。海外用户如果速度低于 5MB/s，别死磕——切到 GitHub Releases 反而更快。

备选渠道：GitHub Releases（海外用户友好）

权重也通过 GitHub 发布。结构比 ModelScope 清爽，但版本可能晚几天——毕竟每次更新要等 ModelScope 先上，再同步过来。

GitHub： github.com/Wan-AI/Wan2.7/releases

实测下来，海外用户从 GitHub 下载的速度比 ModelScope 快 3-5 倍。道理很简单：GitHub 的 CDN 对欧美流量优化得好。

小心 HuggingFace 上的"官方"页面

HuggingFace 上有社区上传的 Wan 2.7 权重。注意这一点：Wan-AI 官方在 HuggingFace 上的组织只发布到 Wan 2.2，没有 2.7。 所以你看到的任何 HuggingFace 上的 Wan 2.7，都是社区转发版。

不是说社区转发就不能用，而是下之前最好对比一下文件大小。实测发现有些转发版缺文件，跑推理时会莫名其妙报错，排查起来很浪费时间。

快速下载链接汇总

版本怎么选？先看显存，再选模型

这个问题最常被问到，其实判断逻辑很简单：

一条经验法则：显存不够 12GB 的，老老实实用 1.3B。显存到 24GB 以上的，直接上 14B——画质差距肉眼可见，不是挤牙膏式的提升。

14B 和 1.3B 的差距在哪？1.3B 是蒸馏过的轻量版——把大模型的知识"压缩"进了更小的参数量里，换来低配置也能跑。但代价很直接：运动连贯性差一截、提示词跟得不够紧、复杂场景容易崩。14B 是完整参数，每一步都算得细，输出结果稳定得多。

新手建议的操作顺序：先下 T2V 1.3B（几分钟下完），把环境验证跑通。确认没问题了，再下 14B 干正事。 这样万一环境有问题，你只花了下载 2.8GB 的时间成本，而不是白等 28GB。

硬件到底要多好？给你三个参考档

最低配置（跑 1.3B 模型）

• GPU：RTX 3060 / 4060（8 GB 显存）就行
• 内存：16 GB
• 硬盘：10 GB 空闲（最好是 SSD）
• 系统：Linux 或 Windows（WSL2）

这个配置只能跑 1.3B 模型，画质会妥协，但至少能用。

推荐配置（跑 14B 模型）

• GPU：RTX 4090（24 GB 显存）或 A100 / H100
• 内存：32 GB
• 硬盘：100 GB 空闲 SSD
• 系统：Ubuntu 22.04 或更新版本

14B 模型能跑，但单张 4090 生成高分辨率视频时帧数不会太高，需要有心理预期。

生产环境（多人使用）

• GPU：2× A100 80 GB 或同等配置
• 内存：64 GB
• 硬盘：200 GB NVMe

留个心眼：14B 模型推理时的显存峰值比静态大小高出 30-50%。 不是简单的"24GB 显存够装 28GB 模型"——实际运行中临时缓冲区、中间特征图都会额外吃显存。我的经验是按两倍估算比较安全。

本地部署，四步走

第一步：装依赖

# Python 3.10+
python3 --version

# 创建虚拟环境（这一步别省）
python3 -m venv wan-env
source wan-env/bin/activate

# 安装 PyTorch（CUDA 12.1）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 安装 Wan 2.7 所需依赖
pip install diffusers transformers accelerate sentencepiece protobuf

一个小经验：虚拟环境这一步很多人跳过了，结果后面和系统 Python 包冲突，排查起来非常痛苦。花 30 秒建个环境，能省后面半小时。

第二步：下权重

# 验证用——轻量版，几分钟就下好
git lfs clone https://www.modelscope.cn/Wan-AI/Wan2.7-T2V-1.3B.git ./models/Wan2.7-T2V-1.3B

# 正式制作——完整版
git lfs clone https://www.modelscope.cn/Wan-AI/Wan2.7-T2V-14B.git ./models/Wan2.7-T2V-14B

下载速度参考（100Mbps 宽带）：1.3B 模型 3-5 分钟，14B 模型每个 30-60 分钟。如果对不上这个时间范围，说明网络可能有问题——参考后面的排错部分。

第三步：校验——这一步不能省

下载完别急着跑推理。先看一眼文件对不对，免得回头白等半小时推理才发现模型有问题。

# 检查文件大小
du -sh ./models/Wan2.7-T2V-14B/
# 预期：约 28 GB

# 检查文件数量
ls ./models/Wan2.7-T2V-14B/ | wc -l
# 预期：15-20 个文件

safetensors 文件每个应该是几 GB。如果有文件大小为 0 或明显偏小，说明 git-lfs 没拉完——跑一遍 git lfs pull 补全就行。

第四步：跑推理

最简单的文生视频代码，复制就能用：

import torch
from diffusers import WanPipeline

pipe = WanPipeline.from_pretrained(
    "./models/Wan2.7-T2V-14B",
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()

prompt = "一个人在日落时分的城市街道上行走，电影感镜头"
video = pipe(prompt, num_frames=81, width=1280, height=720).frames[0]

第一次加载模型会慢一些，因为要读取 28GB 的权重文件到内存里。之后跑推理就快了。

下载和部署中常见的问题

下面这些是我们在实测中踩过最多次的坑，直接照症状定位。

ModelScope 链接打不开或 404

别急，不是链接失效了。ModelScope 偶尔会调整仓库结构，尤其是新版本发布前后。直接在 modelscope.cn 搜 "Wan2.7" 就能找到最新的仓库地址。旧链接通常 48 小时内会自动重定向。

下载到 99% 卡住

这个坑我们踩了两次才找到原因。

根因： git-lfs 没有把大二进制文件拉下来——文本指针下载完了，但实际的权重文件没动。

怎么修： 进到模型目录，跑：

cd ./models/Wan2.7-T2V-14B
git lfs pull

一条经验法则： 每台机器至少在克隆前跑一次 git lfs install。80% 的 99% 卡住都是因为漏了这个步骤。

CUDA 显存报错

跑推理的时候崩了，报 CUDA out of memory。

说来有意思：你可能会想"我显存不是够吗？"——问题往往不是总显存不够，而是连续显存不够。14B 模型加载时需要大块连续显存，如果系统里其他进程把显存碎片化了，即使看起来还有余量，模型也加载不进去。

解决办法按优先级排列：

• 先用 1.3B 模型确认环境没问题
• 在推理脚本里加上 enable_model_cpu_offload()
• 降低输出分辨率或减少帧数
• 关掉其他占 GPU 的进程（浏览器、其他模型服务）

海外用户 ModelScope 太慢

这个问题最让人头疼——版本最新的源，下载速度却跑不起来。

根因： ModelScope 的 CDN 优先优化亚太地区的流量。从北美、欧洲连接走的是有限的跨洲带宽，速度自然上不去。

解决方案：

• 用 aria2c 多线程下载加速
• 换 GitHub Releases 下载（海外用户实测快 3-5 倍）
• 如果觉得本地部署太麻烦，直接走在线平台

权限报错

症状是 PermissionError 或 "access denied"。通常发生在 Docker 容器或 WSL 环境下——模型文件用 root 权限下载的，当前用户读不了。

跑这条命令改文件所有权：

chown -R $USER:$USER ./models/Wan2.7-*

顺便说一句：在 Docker 里操作模型文件时，养成用非 root 用户的习惯，能省很多这类问题。

下载源怎么选？一张对比表

**一句话建议：国内用户 ModelScope 首选。海外用户 GitHub Releases 首选。社区镜像只在官方源都不可用时当备用。

许可证与使用注意事项

Wan 2.7 的模型权重采用 Apache 2.0 许可证。这意味着你可以自由使用、修改和分发权重，个人用途和商用都可以，只要保留原始许可证声明即可。

成本预期： 权重本身免费。你的成本来自硬件——要么买自己的 GPU（一次性投入），要么租云 GPU（按时计费，A100 大约每小时 $1-3 美元）。如果觉得这些太折腾，后面会介绍一个不需要本地部署的方案。

关于使用： 发布用 Wan 2.7 生成的内容时，建议标注"AI 生成"并说明模型来源。这不是 Apache 2.0 的法律要求，但行业共识正在朝这个方向走，早点养成交代来源的习惯对大家都好。

最后说几句

如果你搜 Wan 2.7 的下载搜了一晚上还没搞定，现在脉络应该清楚了：ModelScope 是官方源，GitHub Releases 是海外友好版，HuggingFace 上的都是社区转发的。轻量版 1.3B 先测环境，14B 版本做正式生产——这是试错成本最低的路径。

给你三个方向，看自己情况选一个：

• 有 GPU、想自己折腾的： 先用 T2V 1.3B 把环境跑通，再下 14B 做生产。下载源选 ModelScope 或者 GitHub Releases 都行。
• 没 GPU、或者不想折腾的： 直接用 wan27.org 在线生成。所有模型在线可用，不需要下权重、不需要 GPU、不需要配置环境。打开即用。
• 要用最快的速度下载： 跳过 ModelScope，直接去 GitHub Releases 拉权重。

权重是免费的，唯一要付出的是硬件成本。选好路径，开始生成就行。