Wan 2.2 GGUF

GGUF 是一种用于存放量化模型权重的单文件格式——当你想在自己的机器上运行模型时，下载的就是这种文件。因此，Wan 2.2 GGUF 并不是本站提供的东西：wan2-6.net 是一个托管工作区，不分发权重，也不提供下载。 我们之所以写这一页，是因为这个问题被问得足够多，值得给出一个明确的回答：哪条路线更适合你。

量化到底带来了什么

全精度权重体积庞大，而且是为数据中心硬件设计的。GGUF 文件以更低的数值精度存储同一个模型，从而缩小文件体积，更重要的是缩小运行时的内存占用。不同的量化等级是在体积与保真度之间做取舍：量化得越狠，越能在弱一些的显卡上跑起来，但细节和运动稳定性也会相应打折扣。

实际上，决定一切的限制是显存，而不是硬盘。把权重、注意力工作区和 VAE 一起塞进显卡内存，这就是全部的关键所在，也正是同一个模型会提供多个量化等级、而不是只提供一个的原因。

本地运行确实更合适的情况

• 你要跑大量生成，边际成本很关键。 硬件钱付过之后，本地生成没有按条计费的成本。
• 你需要让素材保持私密。 任何数据都不离开这台机器。
• 你想改造整个流程——自定义节点、自己的 LoRA、完全由你掌控的工作流。

托管工作区更胜一筹的情况

• 你没有那块显卡。 量化模型依然需要一块像样的 GPU；一台能打开这个文件的笔记本，可能每条片段要跑上很多分钟。
• 你想迭代，而不是维护。 驱动、CUDA 版本、节点图和依赖冲突是本地安装的固定税，而且每次第一次渲染之前都得先交。
• 你需要在投入之前就知道成本。 走托管路线时，积分消耗会在提交前显示在表单旁边，所以试跑一条片段是一个决定，而不是一次猜测。积分价格见定价。

如何不浪费一个周末就做出选择

最省事的试验方式是先走托管，看看你在意的那些提示词能不能产出值得留下的东西，然后再判断这个使用量是否值得买硬件。反过来做，就意味着在还不知道模型是否适合你的想法之前，先花一个周末折腾安装。

如果你决定走托管，这里的路线有文生视频、图生视频，以及Wan 2.2 模型页，可以看到这一代开放了哪些能力。如果你特别关注量化的图生视频，请见 Wan 2.2 I2V GGUF。

常见问题

你们提供 GGUF 文件吗？ 不提供。本站替你运行模型，不分发权重。

我该选哪个量化等级？ 选你的显卡显存能装下的最大那个，并给注意力工作区留出余量。如果只能选更小的，就要接受细节变软。

我需要多少显存？ 这取决于量化等级、分辨率和片段长度。短时长、低分辨率的测试所需显存远低于网上人们为完整片段引用的那些数字。

托管运行的是同一个模型吗？ 实时表单会列出实际可用的路线和模型；请以它为准，不要想当然地认为它与某个特定的社区权重文件一致。