Wan 基于基础模型扩展 8 类下游任务，通过统一条件注入和适配器设计实现多任务复用。

图像到视频（I2V）

• 将输入图像作为第一帧
• 二进制掩码区分"保留帧"与"生成帧"
• 跨注意力注入 CLIP 图像特征

统一视频编辑（VACE）

• 视频条件单元（VCU）：统一输入格式 $[T; F; M]$
• 概念解耦：掩码分离"待修改帧"和"保留帧"
• 训练模式：全模型微调或上下文适配器微调

视频个性化生成

• 直接将人脸图像在 latent 空间扩展
• 训练时随机丢弃部分人脸帧，支持 0-K 个参考

其他扩展任务