WAN 2.1 vs 2.2: T2V, I2V, CausVid, VACE en ComfyUI

WAN 2.1 y 2.2 son las dos familias de generación de video con pesos abiertos que corren en local en ComfyUI sin APIs comerciales. Ambas vienen de Alibaba bajo Apache 2.0, pero sus arquitecturas divergen lo suficiente para que el mismo prompt, LoRA o sampler produzca resultados opuestos. Esta guía mapea cada variante de flujo — texto-a-video nativo, imagen-a-video, primero-último fotograma, destilación CausVid y edición VACE — al hardware que tienes y al clip que necesitas.

TL;DR

• Empieza con WAN 2.1 T2V 1.3B si tienes ≤8 GB de VRAM; corre a 8 GB y solo necesita un archivo de modelo de difusión.
• Cambia a WAN 2.2 T2V/I2V 14B cuando tengas suficiente VRAM para el pipeline MoE de dos expertos (high-noise + low-noise) para un movimiento más nítido.
• Usa el LoRA CausVid en CFG 1.0 solo en el primer paso y luego retíralo para el muestreo normal; si no, el movimiento se colapsa.
• Elige VACE para cualquier edición que necesite un video de referencia más máscara (inpainting, cambio de sujeto, transferencia de movimiento); el I2V nativo solo condiciona sobre un único fotograma inicial.

Diferencia de arquitectura: modelo único vs expertos MoE

WAN 2.1 empaqueta cada tarea como un único modelo de difusión: wan2.1_t2v_1.3B_fp16.safetensors para texto-a-video, wan2.1_i2v_480p_14B_fp16.safetensors o wan2.1_i2v_720p_14B_fp16.safetensors para imagen-a-video. El codificador de texto (umt5_xxl_fp8_e4m3fn_scaled.safetensors), el VAE (wan_2.1_vae.safetensors) y el CLIP Vision (clip_vision_h.safetensors) se comparten entre tareas.

WAN 2.2 introduce una división Mixture-of-Experts. Para 14B T2V e I2V debes cargar dos modelos de difusión — un experto high-noise para los primeros timesteps y un experto low-noise para los tardíos:

El TI2V 5B (texto+imagen-a-video) sigue siendo modelo único. S2V (audio-a-video) usa wan2.2_s2v_14B_fp8_scaled.safetensors más un codificador de audio wav2vec2_large_english_fp16.safetensors.

Grafos nativos T2V e I2V en ComfyUI

ComfyUI incluye nodos nativos WanVideo — sin wrapper. Un grafo T2V mínimo encadena:

1. Load Diffusion Model → 2.1: wan2.1_t2v_1.3B_fp16.safetensors / 2.2: ambos modelos high/low noise
2. Load CLIP → umt5_xxl_fp8_e4m3fn_scaled.safetensors
3. Load VAE → wan_2.1_vae.safetensors (2.1) o wan_2.2_vae.safetensors (2.2 5B) / wan_2.1_vae.safetensors (2.2 14B)
4. EmptyHunyuanLatentVideo → configurar frames, ancho, alto
5. WanVideoSampler (2.1) o sampler de dos expertos (2.2)
6. VAE Decode → Save Video

Todos los archivos se descargan ya empaquetados desde los repositorios de Comfy-Org: WAN 2.1 repackaged y WAN 2.2 Repackaged.

Para I2V, inserta Load CLIP Vision → clip_vision_h.safetensors y Load Image antes del sampler; el nodo WanImageToVideo maneja el condicionamiento.

Todos los archivos se descargan ya empaquetados desde los repositorios de Comfy-Org: WAN 2.1 repackaged y WAN 2.2 Repackaged.

Muestreo en dos etapas de WAN 2.2: high-noise + low-noise

Como la 2.2 divide expertos por timestep, el sampler debe transitar entre ellos. Los flujos comunitarios usan una etapa high-noise seguida de una etapa low-noise:

Las pruebas comunitarias confirman que los LoRA de WAN 2.1 solo funcionan en la etapa low-noise — la distribución de pesos del experto high-noise diverge de la trayectoria del modelo único sobre la que se entrenaron esos LoRA. Un autor de flujo en Civitai anota: "Only Wan 2.2 High Noise LoRAs go here. Do not use any Wan 2.1 LoRA in the High Noise section" mientras "Use any Wan 2.1 LoRAs here. Also any Wan 2.2 Low Noise LoRAs."

CausVid: destilado por pasos, no un reemplazo directo

Los LoRA de CausVid (Wan2.1-T2V-14B-CausVid, Wan2.1-T2V-14B-StepDistill-CfgDistill) comprimen la difusión multietapa en menos pasos. Son CFG-destilados — entrenados en CFG 1.0 — así que ejecutarlos en CFG > 1.0 vuelve a aplicar la guía y crea artefactos. El repo de Kijai (WanVideo_comfy) los lista como "CFG and Step distill 14B" y la guía S2V de ComfyUI confirma el LoRA Lightning de 4 pasos en CFG 1.0.

El patrón que funciona según la experimentación en Reddit:

1. Activa el LoRA CausVid con fuerza 1.0 solo en el paso 1 (o los primeros N < pasos totales)
2. Desactívalo para los pasos restantes con un nodo "CausVid Remaining Steps Only" o lógica equivalente
3. Muestrea de forma normal con tu sampler preferido

Dejar CausVid activo en todos los pasos debilita el movimiento; el truco de solo primer paso preserva la dinámica y conserva la mayor parte de la ganancia de velocidad.

VACE: edición de video unificada, no generación desde cero

Los modelos VACE (Wan2.1-VACE-1.3B, Wan2.1-VACE-14B y los pares high/low noise de 2.2 Fun VACE) aceptan tres entradas simultáneamente:

• Video de referencia
• Señal de máscara / control (depth, pose, canny, personalizada)
• Prompt de texto

Esto habilita inpainting, outpainting, reemplazo de sujeto, transferencia de movimiento y transferencia de estilo en un solo grafo. El I2V nativo solo condiciona sobre el primer fotograma; el T2V nativo solo sobre texto. VACE es la única vía WAN para "cambia este objeto en los fotogramas 10–30 manteniendo el resto."

Los flujos de ComfyUI para VACE aún están emergiendo: los archivos de modelo están identificados, pero los grafos de nodos completos aún no están documentados en las guías oficiales.

Matriz de decisión: qué flujo para tu clip

Errores comunes y soluciones

FAQ

¿Por qué WAN 2.2 requiere dos modelos de difusión para T2V e I2V? Usa una arquitectura Mixture-of-Experts que divide el denoising en un experto high-noise (primeros timesteps) y un experto low-noise (timesteps tardíos). El modelo TI2V 5B es la excepción: sigue siendo modelo único.

¿Puedo usar mis LoRA de WAN 2.1 en WAN 2.2? Sí, pero solo en la etapa low-noise. La distribución de pesos del experto high-noise diverge de la trayectoria del modelo único sobre la que se entrenaron los LoRA de la 2.1.

¿Qué CFG debo usar con los LoRA Lightx2v / CausVid? CFG = 1.0 exactamente. Estos LoRA están CFG-destilados; valores mayores vuelven a aplicar la guía y crean artefactos.

¿Cómo consigo mejor movimiento con CausVid? Aplica el LoRA CausVid solo en el primer paso de muestreo (o los primeros N < pasos totales) y luego desactívalo para los pasos restantes. Esto preserva la dinámica del movimiento que la destilación completa de CausVid debilita.

¿Cuál es la diferencia entre I2V y FLF2V en WAN 2.2? I2V condiciona sobre un único fotograma inicial. FLF2V (nodo WanFirstLastFrameToVideo) condiciona sobre el primer y el último fotograma, dando control de límites temporales.

¿Reemplaza VACE a I2V para imagen-a-video? No. VACE sirve para editar un video existente con máscaras y señales de control. I2V genera video nuevo desde una imagen de referencia. Usa VACE cuando tengas un video fuente que modificar.

¿Por qué los prompts en chino funcionan mejor para WAN? La inclinación de los datos de entrenamiento hacia subtítulos en chino está documentada por usuarios, pero no se explica en fuentes primarias. Mecanismo desconocido.

Internal Links

• Guía de instalación de WAN 2.1 en ComfyUI
• Optimizar VRAM para modelos de difusión de video
• Tutorial del gestor de nodos personalizados de ComfyUI
• Fundamentos de entrenamiento LoRA para modelos de video

Image Placeholders

• ``
• ``