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

WAN 2.1 e 2.2 são as duas famílias de geração de vídeo com pesos abertos que rodam localmente no ComfyUI, sem APIs comerciais. Ambas vêm da Alibaba sob licença Apache 2.0, mas suas arquiteturas divergem o bastante para que o mesmo prompt, LoRA ou sampler possa produzir resultados opostos. Este guia mapeia cada variante de fluxo de trabalho — texto-para-vídeo nativo, imagem-para-vídeo, primeiro-último-frame, destilação CausVid e edição com VACE — para o hardware que você tem e o clipe que você precisa.

TL;DR

• Comece com WAN 2.1 T2V 1.3B se tiver ≤8 GB de VRAM; roda em 8 GB e precisa de apenas um arquivo de modelo de difusão.
• Mude para WAN 2.2 T2V/I2V 14B quando tiver VRAM suficiente para o pipeline MoE de dois especialistas (high-noise + low-noise) para movimento mais nítido.
• Use LoRA CausVid com CFG 1.0 apenas no primeiro passo, depois desative para a amostragem normal — senão o movimento colapsa.
• Escolha VACE para qualquer edição que precise de um vídeo de referência mais máscara (inpainting, troca de sujeito, transferência de movimento); o I2V nativo condiciona apenas em um único frame inicial.

WAN 2.1 empacota cada tarefa como um modelo de difusão único: wan2.1_t2v_1.3B_fp16.safetensors para texto-para-vídeo, wan2.1_i2v_480p_14B_fp16.safetensors ou wan2.1_i2v_720p_14B_fp16.safetensors para imagem-para-vídeo. O codificador de texto (umt5_xxl_fp8_e4m3fn_scaled.safetensors), o VAE (wan_2.1_vae.safetensors) e o CLIP Vision (clip_vision_h.safetensors) são compartilhados entre as tarefas (tutorial WAN).

Grafos T2V e I2V Nativos no ComfyUI

O ComfyUI oferece nós WanVideo nativos — sem wrapper. Um grafo T2V mínimo encadeia:

1. Load Diffusion Model → 2.1: wan2.1_t2v_1.3B_fp16.safetensors / 2.2: ambos os modelos high/low noise
2. Load CLIP → umt5_xxl_fp8_e4m3fn_scaled.safetensors
3. Load VAE → wan_2.1_vae.safetensors (2.1) ou wan_2.2_vae.safetensors (2.2 5B) / wan_2.1_vae.safetensors (2.2 14B)
4. EmptyHunyuanLatentVideo → definir frames, largura, altura
5. WanVideoSampler (2.1) ou sampler dual-expert (2.2)
6. VAE Decode → Save Video

Para I2V, insira Load CLIP Vision → clip_vision_h.safetensors e Load Image antes do sampler; o nó WanImageToVideo lida com o condicionamento.

WAN 2.2 Amostragem em Duas Etapas: High-Noise + Low-Noise

Como o 2.2 divide os especialistas por timestep, o sampler deve transferir entre eles. Fluxos comunitários usam uma etapa high-noise seguida de uma etapa low-noise:

Testes comunitários confirmam que as LoRAs de WAN 2.1 só funcionam na etapa low-noise — a distribuição de pesos do especialista high-noise diverge da trajetória de modelo único na qual as LoRAs foram treinadas. Um autor de fluxo no Civitai observa: "Only Wan 2.2 High Noise LoRAs go here. Do not use any Wan 2.1 LoRA in the High Noise section" enquanto "Use any Wan 2.1 LoRAs here. Also any Wan 2.2 Low Noise LoRAs."

As LoRAs CausVid (Wan2.1-T2V-14B-CausVid, Wan2.1-T2V-14B-StepDistill-CfgDistill) comprimem a difusão de múltiplos passos em menos passos. Elas são destiladas em CFG — treinadas em CFG 1.0 — então executá-las em CFG > 1.0 reaplica a orientação e cria artefatos. O repositório Kijai as lista como "CFG and Step distill 14B". Os modelos WAN estão nos repositórios Comfy-Org WAN 2.1 e Comfy-Org WAN 2.2; o guia ComfyUI S2V confirma LoRA Lightning de 4 passos em CFG 1.0 (guia S2V).

O padrão funcional da experimentação no Reddit:

1. Ative a LoRA CausVid com força 1.0 apenas no passo 1 (ou nos primeiros N < passos totais)
2. Desative-a para os passos restantes via um nó "CausVid Remaining Steps Only" ou lógica equivalente
3. Amostre normalmente com o sampler preferido

Deixar CausVid ativo em todos os passos enfraquece o movimento; o truque de apenas no primeiro passo preserva a dinâmica mantendo boa parte do ganho de velocidade.

VACE: Edição Unificada de Vídeo, Não Geração do Zero

Os modelos VACE (Wan2.1-VACE-1.3B, Wan2.1-VACE-14B e os pares high/low noise 2.2 Fun VACE) aceitam três entradas simultaneamente:

• Vídeo de referência
• Sinal de máscara / controle (depth, pose, canny, custom)
• Prompt de texto

Isso habilita inpainting, outpainting, substituição de sujeito, transferência de movimento e transferência de estilo em um mesmo grafo. O I2V nativo condiciona apenas no primeiro frame; o T2V nativo, apenas no texto. O VACE é o único caminho WAN para "mude este objeto nos frames 10–30 mantendo o resto."

Fluxos ComfyUI para VACE ainda emergem — os arquivos de modelo estão identificados, mas grafos completos de nós ainda não estão documentados em guias oficiais.

Matriz de Decisão: Qual Fluxo para Seu Clipe

Erros comuns e correções

FAQ

Por que o WAN 2.2 exige dois modelos de difusão para T2V e I2V? Ele usa uma arquitetura Mixture-of-Experts que divide a remoção de ruído em um especialista high-noise (timesteps iniciais) e um low-noise (timesteps tardios). O modelo 5B TI2V é a exceção — permanece um modelo único.

Posso usar minhas LoRAs de WAN 2.1 no WAN 2.2? Sim, mas apenas na etapa low-noise. A distribuição de pesos do especialista high-noise diverge da trajetória de modelo único em que as LoRAs 2.1 foram treinadas.

Qual CFG devo usar com LoRAs Lightx2v / CausVid? CFG = 1.0 exatamente. Essas LoRAs são destiladas em CFG; valores maiores reaplicam a orientação e criam artefatos.

Como obter melhor movimento com CausVid? Aplique a LoRA CausVid apenas no primeiro passo de amostragem (ou nos primeiros N < passos totais), depois desative-a para os passos restantes. Isso preserva a dinâmica de movimento que a destilação completa do CausVid enfraquece.

Qual a diferença entre I2V e FLF2V no WAN 2.2? I2V condiciona em um único frame inicial. O FLF2V (nó WanFirstLastFrameToVideo) condiciona em ambos os frames, primeiro e último, dando controle de fronteira temporal.

VACE substitui I2V para imagem-para-vídeo? Nao. O VACE é para edição de um vídeo existente com máscaras e sinais de controle. O I2V gera vídeo novo a partir de uma imagem de referência. Use VACE quando houver um vídeo fonte a modificar.

Por que prompts em chinês funcionam melhor para WAN? O viés dos dados de treinamento em direção a legendas chinesas é documentado por usuários, mas não explicado em fontes primárias. Mecanismo desconhecido.

Links internos

• Guia de instalação do WAN 2.1 ComfyUI
• Otimizando VRAM para modelos de difusão de vídeo
• Passo a passo do ComfyUI node manager
• Fundamentos de treino de LoRA para modelos de vídeo

Espaços de imagem

• ``
• ``