由阿里云开发的 Wanx 2.1 是通义万相多模态大模型的最新版本，能够从文本输入生成高质量的图像和视频。在 VBench 指标榜单上，其得分达到 84.7%，在处理复杂动作、提升像素质量以及遵循物理规则方面表现优异。该模型支持中英文文本效果生成，可在 15 秒内生成 1 分钟 1080p 视频。其中文官网及 Model Studio 平台可免费使用，计划于 2025 年第二季度开源，同时开放训练数据集和工具包。