企业官网建设流程全解析

最近在社群里看到不少朋友讨论通义万相 Wan 的视频生成效果，有人想本地部署 Wan 2.2，结果被显存大小、CUDA 版本、模型下载速度折腾到怀疑人生；也有人看到“阿里云 Wan 3.0 上线 Runware D0”的消息，跑来问 Runware 是什么、D0 是什么、这套方案和直接用阿里云 GPU 服务器有什么区别。网上关于 Wan 的资料虽然不少，但大多只讲某一个环节，要么是纯 ComfyUI 操作，要么是纯云平台介绍，真正能把“云端跑、本地搭、服务器部署”串成一条完整链路的内容很少。

这篇文章就把整条链路梳理清楚：先解释通义万相 Wan、Runware、D0 这几个概念之间的关系，再分别给出 Runware 云端推理、ComfyUI 本地搭建、阿里云 GPU 服务器部署三套可落地的方案，最后补充常见报错排查和工程实践建议。无论你是刚接触视频生成模型的新手，还是已经在做 AIGC 应用落地的开发同学，都能从里面找到可以直接复用的步骤。

1. 背景与核心概念

1.1 通义万相 Wan 是什么

通义万相 Wan 是阿里推出的开源视频生成大模型系列，和很多纯 API 的闭源模型不同，它把模型权重开放出来，开发者可以下载权重后在自己的 GPU 环境里部署推理，也可以在各类云平台上直接调用。这个开放策略让它成为社区里非常活跃的视频生成模型之一，尤其在 ComfyUI 节点生态中，Wan 相关的工作流数量增长很快。

从能力上看，Wan 系列主要覆盖两类生成任务：

• 文生视频（Text-to-Video）：输入一段文字描述，生成对应的视频片段。
• 图生视频（Image-to-Video）：输入一张图片加文字指令，生成以该图片为起点的动态视频。

模型的版本迭代也很快，从早期的 Wan2.1 到 Wan2.2，再到标题中提到的 Wan 3.0，每一代在视频分辨率、运动一致性、提示词遵循能力上都有明显提升。对于开发者来说，关注点不应该只在“哪个版本效果更好”，更要关注“当前版本的硬件需求、部署方式、生态支持是否匹配自己的项目”。

1.2 Runware 是什么

Runware 是一个面向 AI 推理场景的云 GPU 平台。它和传统云服务器的核心区别在于，平台会把模型运行环境提前封装好，用户不需要自己安装 CUDA、PyTorch、ComfyUI 这些依赖，而是直接在网页控制台或 API 里选择模型、上传提示词、选择 GPU 规格，就能完成推理任务。

这种模式对视频生成模型尤其友好。因为视频生成模型往往需要较大的显存和较长的推理时间，本地显卡不够用、或者不想为了偶尔跑一次实验去采购昂贵 GPU 的用户，都可以通过 Runware 这类平台按需付费。标题里提到的 D0，从命名习惯来看，大概率是 Runware 上的一个实例规格或模型部署入口，具体对应的 GPU 型号、显存大小、计费方式，要以 Runware 控制台实际展示的信息为准，网上传播的信息不一定准确。

1.3 “阿里云 Wan 3.0 上线 Runware D0”意味着什么

把三个概念连起来看，这条消息描述的是：阿里通义万相 Wan 3.0 模型在 Runware 平台上架，用户可以在该平台选择 D0 规格的实例来运行这个模型。

这件事对普通开发者的实际意义在于：

• 不需要自己准备高端显卡，降低体验门槛。
• 模型运行环境由平台维护，省去环境配置时间。
• 按次或按小时计费，适合验证模型效果和短期项目。

当然，如果你对数据可控性、成本敏感度、二次开发深度有更高要求，那么本地部署或阿里云 GPU 服务器仍然是更合适的选择。这也是本文后面要重点展开的内容。

2. 环境准备与版本说明

2.1 三条使用路径如何选择

在动手之前，先明确自己的使用场景，避免走弯路。我把常见的几种路径整理成了一张表：

我的建议是：第一次接触 Wan，先用 Runware 或百炼 API 跑通效果，确认模型符合业务预期后，再决定是否投入本地或 GPU 服务器部署。不要在模型效果还没验证的时候就先买一台高配 GPU 服务器，这是很多新手最容易犯的错。

2.2 本地部署的硬件要求

Wan 系列的官方权重分为多个尺寸，不同尺寸对显存的要求差别很大。以 Wan2.1 时代为例，1.3B 量级的模型在 16GB 显存左右的显卡上可以尝试运行，而更大的模型版本往往需要 24GB 甚至 80GB 显存才能获得流畅体验。视频生成还需要考虑生成帧数、分辨率、batch size 等因素，这些都会直接放大显存占用。

在版本选择上，建议遵循几个原则：

• 先看官方模型卡页面标注的显存要求，再对照自己的显卡。
• 如果显卡显存只有 8GB 到 12GB，优先选择小尺寸版本或降低输出分辨率。
• 注意 PyTorch 版本和 CUDA 版本匹配，不要盲目安装最新版。
• 视频生成耗时较长，建议准备足够的磁盘空间存放中间产物。

需要说明的是，Wan 3.0 的具体硬件要求我目前没有拿到官方确认的完整数据，大家在部署前一定要以模型官方仓库或 Runware 控制台的说明为准，本文的重点是演示整体配置思路。

2.3 账号与工具准备

无论走哪条路径，下面这几项准备工作是通用的：

• 阿里云账号：用于百炼 API 或 GPU ECS 服务器，如果只体验 Runware 可以先不注册。
• 魔搭 ModelScope 账号：用于下载 Wan 权重，国内网络环境下载模型最稳妥的渠道。
• Runware 账号：如果选择云端推理，需要注册并完成支付方式绑定。
• 本地环境：建议 Python 3.10 及以上版本，GPU 驱动已正确安装，能用nvidia-smi命令查看到显卡信息。

3. 云端推理：在 Runware 上运行 Wan

3.1 创建实例与选择模型

Runware 这类平台的操作路径通常比较统一，大致分为四步：注册登录、创建实例或推理任务、选择模型和 GPU 规格、填写提示词并运行。

如果 Runware 控制台提供了“模型市场”或“模型模板”入口，可以直接在其中搜索 Wan 或 Wan 3.0，平台会自动匹配对应的推理环境。选择 D0 或其它规格时，重点关注几个参数：

• GPU 显存：视频生成模型显存是硬约束，优先选择显存足够的规格。
• 单价与计费单位：确认是按小时还是按次计费。
• 是否包含预置模型：如果实例内部已经预置模型权重，可以省去下载时间。
• 存储空间：视频生成中间产物较多，确认实例自带磁盘够用。

由于平台界面更新较快，这里不贴具体截图和点击路径，避免误导。原则就是：先在官方文档或控制台帮助中心找到“部署模型”或“自定义模型”的说明，按照平台的规范操作。

3.2 调用 API 完成文生视频

除了网页控制台，Runware 通常也提供 API 方式调用。下面给出一个调用思路，具体字段名称以平台 API 文档为准：

# 示例思路：调用 Runware API 生成视频 import requests url = "https://api.runware.ai/v1/inference" # 以官方文档为准 headers = { "Authorization": "Bearer YOUR_RUNWARE_API_KEY", "Content-Type": "application/json" } payload = { "model": "wan-3-0", # 模型标识以平台文档为准 "instanceType": "D0", # 实例规格以平台控制台为准 "prompt": "一只橘猫在窗台上看雨，背景是模糊的城市夜景", "negativePrompt": "模糊，低质量，画面抖动", "frames": 81, "width": 832, "height": 480 } resp = requests.post(url, json=payload, headers=headers) print(resp.json())

这里特别提醒：上面代码是演示请求结构用的，url、model、instanceType这些字段都必须在 Runware 官方 API 文档里确认后才能用于生产。云平台接口变化很快，照搬别人的旧代码很容易报 404 或参数错误。

3.3 云端推理的注意事项

使用云端推理时，有几个容易被忽略的点：

• 成本预估：视频生成单次任务耗时从几十秒到几分钟不等，按小时计费的实例在任务结束后要记得释放，避免闲置计费。
• 数据安全：输入提示词和生成结果都会经过云端，涉及敏感业务数据时谨慎使用。
• 结果保存：生成完的视频要尽快下载到本地或对象存储，平台临时存储一般不会长期保留。
• 版本一致性：平台上的模型版本可能和本地开源权重版本存在差异，调试参数时不要混用经验值。

4. 本地部署：ComfyUI + Wan 完整流程

4.1 安装 ComfyUI

ComfyUI 是目前社区使用最广的 AI 图像/视频生成工作流工具，它用节点图的方式组织模型加载、提示词编码、采样、解码、保存视频等流程。相比直接写 Python 脚本，ComfyUI 的优点是可视化、可复用、调试方便，尤其适合反复调整提示词和生成参数。

安装 ComfyUI 推荐使用 Git 克隆方式，方便后续更新：

# 安装 git、python3 等基础依赖后执行 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python3 -m venv venv source venv/bin/activate pip install -r requirements.txt

如果你使用的是 Windows 系统，也可以使用官方提供的一键整合包，省去手动配置 Python 环境的步骤。但为了方便理解底层逻辑，本文以命令行安装为例，实际生产环境也更推荐这种方式。

安装完成后，运行下面命令启动服务：

python main.py --listen 127.0.0.1 --port 8188

启动成功后，浏览器访问http://127.0.0.1:8188就能看到 ComfyUI 界面。默认地址只在本地访问，如果部署在云服务器上，需要把--listen改成0.0.0.0，同时配置安全组和防火墙，避免端口暴露在公网被恶意调用。

4.2 下载 Wan 模型权重

本地部署 Wan 最重要的一步是获取模型权重。国内用户推荐使用魔搭 ModelScope 官方渠道下载，速度和稳定性都更有保障。

先安装 ModelScope 客户端：

pip install modelscope

然后通过 Python 脚本下载模型。下面是一个参考示例，具体仓库 ID 以 ModelScope 页面为准：

from modelscope import snapshot_download # 以 Wan2.1 系列为例，实际仓库 ID 请到 ModelScope 搜索确认 model_dir = snapshot_download( 'Wan-AI/Wan2.1-T2V-1.3B', local_dir='./models/Wan2.1-T2V-1.3B' ) print("模型下载完成：", model_dir)

下载完成后的目录结构一般包含权重文件、配置文件、分词器文件等。不同版本的 Wan 模型文件组织方式可能不同，建议按照模型官方页面说明把文件放到 ComfyUI 的models/checkpoints或models/diffusion_models目录下。放错目录是 ComfyUI 加载模型时报错的常见原因。

4.3 搭建文生视频工作流

在 ComfyUI 中搭建 Wan 文生视频工作流，核心节点包括：

1. 模型加载节点：加载 Wan 模型权重。
2. 文本编码节点：将提示词编码为模型可理解的向量，需要加载对应的 T5 文本编码器。
3. 采样器节点：设置采样步数、CFG（提示词引导强度）、随机种子等参数。
4. 解码节点：将潜空间表示解码为视频帧。
5. 保存节点：输出为 MP4 或 GIF 文件。

下面是一个工作流 JSON 的核心结构示例，可以用 ComfyUI 的“Load”功能导入后，再根据实际安装的节点版本调整节点 ID 和参数：

{ "3": { "class_type": "CheckpointLoaderSimple", "inputs": { "ckpt_name": "Wan2.1-T2V-1.3B.safetensors" } }, "6": { "class_type": "WanTextEncode", "inputs": { "text": "一只橘猫在窗台上看雨，背景是模糊的城市夜景", "clip": ["3", 0] } }, "10": { "class_type": "KSampler", "inputs": { "seed": 123456, "steps": 20, "cfg": 6.0, "sampler_name": "euler", "scheduler": "simple", "denoise": 1.0, "model": ["3", 0], "positive": ["6", 0], "negative": ["6", 1], "latent_image": ["13", 0] } }, "13": { "class_type": "EmptyLatentVideo", "inputs": { "width": 832, "height": 480, "length": 81, "batch_size": 1 } }, "20": { "class_type": "VAEDecode", "inputs": { "samples": ["10", 0], "vae": ["3", 2] } }, "30": { "class_type": "SaveVideo", "inputs": { "filename_prefix": "wan_video", "images": ["20", 0] } } }

这段 JSON 只是工作流的骨架，目的是让大家理解节点之间的连接关系：模型加载器提供模型和 VAE，文本编码器处理提示词，采样器生成潜空间表示，解码器还原成图像帧，最后保存为视频。实际使用时，Wan 专用的文本编码器节点名称可能因 ComfyUI 版本不同而变化，如果找不到WanTextEncode，可能是缺少对应的自定义节点包，需要在 ComfyUI Manager 里搜索安装。

4.4 运行与验证

点击 ComfyUI 界面右上角的“Queue Prompt”按钮，工作流会开始执行。首次运行需要加载模型权重，耗时较长，之后再次运行会快一些。生成过程中可以观察控制台输出，重点关注：

• 是否报 CUDA out of memory，如果出现说明显存不足，需要降低分辨率或帧数。
• 是否正常完成所有节点，最后在output目录下找到生成的视频文件。
• 视频内容是否与提示词匹配，如果不匹配，调整提示词或增加采样步数。

这里有一个实践技巧：先用低分辨率、低帧数快速验证工作流是否能跑通，确认无误后再提高分辨率。盲目一上来就用高清参数，一旦报错很难判断是配置问题还是资源问题。

4.5 使用 Python 脚本推理的方式

除了 ComfyUI，如果你更习惯代码方式，也可以使用 Hugging Face Diffusers 库调用 Wan 模型。下面给出一个通用调用思路：

import torch from diffusers import WanPipeline # 以 Wan2.1 文本生成视频 pipeline 为例 # 不同版本 pipeline 名称和参数可能不同，请以官方文档为准 pipe = WanPipeline.from_pretrained( "Wan-AI/Wan2.1-T2V-1.3B", torch_dtype=torch.bfloat16 ) pipe.to("cuda") prompt = "一只橘猫在窗台上看雨，背景是模糊的城市夜景" output = pipe( prompt=prompt, negative_prompt="模糊，低质量，画面抖动", num_frames=81, height=480, width=832 ).frames[0] print("生成完成，视频帧数：", len(output))

使用 Diffusers 的优势是代码逻辑清晰、方便嵌入到自己的服务中，缺点是需要自己处理模型下载、缓存、显存管理等问题。对于只会跑一两次实验、不想写代码的同学，ComfyUI 是更友好的选择。

5. 阿里云 GPU 服务器部署方案

5.1 创建 GPU 实例

如果你需要长期运行 Wan 服务，或者希望把视频生成能力集成到自己的业务系统里，阿里云 GPU 服务器是更可控的方案。在阿里云 ECS 控制台创建 GPU 实例时，有几项配置需要特别注意：

• 实例规格：选择带 NVIDIA GPU 的规格，例如搭载 A10、V100、T4、4090 等显卡的实例。具体选择哪个规格，取决于你运行的 Wan 版本和并发需求。
• 地域：优先选择离业务用户近的地域，同时确认该地域有对应的 GPU 库存。
• 镜像：推荐选择预装 NVIDIA 驱动的公共镜像，或使用云市场里的深度学习镜像，能省去大量驱动安装时间。
• 数据盘：视频生成产物较大，建议单独挂载一块数据盘用于存储模型权重和输出视频。
• 安全组：只在必要端口放行，例如 22 端口用于 SSH，8188 端口用于 ComfyUI Web 界面。不要设置 0.0.0.0/0 全放行，以免被扫描爆破。

5.2 配置阿里云镜像源

创建完实例后，第一步是配置软件源。如果你的服务器操作系统是 CentOS 7，可以切换为阿里云 yum 源：

# 备份原 repo 文件 sudo mv /etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.bak # 下载阿里云 CentOS 7 镜像源配置 sudo curl -o /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo # 清理缓存并生成新缓存 sudo yum clean all sudo yum makecache

如果是 Ubuntu 22.04 系统，则将 apt 源替换为阿里云镜像源：

# 备份源文件 sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak # 将 archive.ubuntu.com 和 security.ubuntu.com 替换为 mirrors.aliyun.com sudo sed -i 's@//.*archive.ubuntu.com@//mirrors.aliyun.com@g' /etc/apt/sources.list sudo sed -i 's@//security.ubuntu.com@//mirrors.aliyun.com@g' /etc/apt/sources.list # 更新索引 sudo apt update

切换源之后，安装软件包的速度会有明显提升。这步看起来基础，但在 GPU 服务器上，后续安装 Python 依赖、CUDA 工具链时能节省大量时间。

5.3 部署 ComfyUI 服务

在 GPU 服务器上部署 ComfyUI 的步骤与本地基本一致，但有以下差异点：

# 1. 安装基础依赖 sudo apt update sudo apt install -y git python3 python3-venv # 2. 克隆 ComfyUI git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python3 -m venv venv source venv/bin/activate pip install -r requirements.txt # 3. 启动服务，监听所有网卡 python main.py --listen 0.0.0.0 --port 8188

启动前确认 NVIDIA 驱动已经安装，执行nvidia-smi能看到 GPU 信息和驱动版本。如果提示找不到 nvidia-smi，说明驱动没有安装或未加载，需要先解决驱动问题再启动服务。

把 ComfyUI 跑起来只是第一步，生产环境还需要考虑以守护进程方式运行、设置访问认证、配置反向代理等。不建议直接在终端前台运行，因为 SSH 断开后服务就会停止。可以使用 systemd 管理 ComfyUI 服务，这里给出一个简单的 systemd 配置示例：

# /etc/systemd/system/comfyui.service [Unit] Description=ComfyUI Service After=network.target [Service] Type=simple User=ubuntu WorkingDirectory=/home/ubuntu/ComfyUI ExecStart=/home/ubuntu/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188 Restart=always RestartSec=5 [Install] WantedBy=multi-user.target

注意这里让 ComfyUI 监听127.0.0.1，再通过 Nginx 反向代理对外提供服务，这样可以把认证和 HTTPS 统一交给 Nginx 处理，避免 ComfyUI 服务直接暴露公网。

5.4 输出视频保存到 OSS

服务器上的视频文件会越积越多，磁盘迟早不够用。推荐的方案是把生成结果同步到阿里云 OSS 对象存储。可以使用 ossutil 命令行工具完成同步：

# 安装 ossutil curl -o ossutil https://gosspublic.alicdn.com/ossutil/ossutil chmod +x ossutil # 配置访问凭证 ./ossutil config # 根据提示输入 Endpoint、AccessKey ID、AccessKey Secret # 将 ComfyUI 输出目录同步到 OSS bucket ./ossutil cp -r /home/ubuntu/ComfyUI/output/ oss://your-bucket/wan-output/

同步到 OSS 之后，应用可以通过 OSS 的 URL 直接访问生成的视频，也可以配合阿里云 CDN 加速分发。需要注意的是 AccessKey 属于高危凭证，建议使用 RAM 子账号并只授予对应 OSS Bucket 的读写权限，不要直接在服务器上配置主账号 AccessKey。

6. 常见问题与排查思路

本地部署和云服务器部署 Wan 模型时，最容易遇到的问题集中在显存、驱动、模型加载三个方面。下面用表格整理常见问题：

排查问题时，建议先看控制台日志，而不是凭经验猜。日志里通常会给出具体的错误堆栈，比如缺少某个 Python 包、某行代码报 KeyError、模型文件路径不存在等。把这些信息复制到搜索引擎或官方 Issue 里搜索，往往能最快定位到解决方案。

7. 最佳实践与工程建议

7.1 版本管理：锁定模型与依赖版本

Wan 模型和 ComfyUI 都在快速迭代，今天能跑通的配置，下周可能因为升级而报错。工程上要养成锁定版本的习惯：在项目文档里记录模型版本、ComfyUI 版本、Python 版本、PyTorch 版本、关键自定义节点版本。如果使用 requirements.txt 或环境锁文件，尽量固定版本号而不是使用>=方式，避免依赖升级引入不兼容。

7.2 成本控制：按需使用云资源

视频生成模型的推理成本包含 GPU 实例费用、存储费用和流量费用。几个控制成本的实践点：

• 短期实验优先使用按量付费，不要买包月包年的实例。
• 任务结束后及时释放实例，或设置定时释放策略。
• 模型权重下载到数据盘后，创建自定义镜像，下次直接用镜像创建实例，省去重复下载。
• 生成结果定期清理，只保留需要的视频，控制 OSS 存储成本。

7.3 安全边界：最小化暴露面

无论使用 Runware 还是自建服务器，安全原则是一致的：

• API Key、AccessKey 通过环境变量或密钥管理服务保存，禁止硬编码在代码里。
• 使用 RAM 子账号并授予最小权限，不要使用主账号凭证。
• ComfyUI 等 Web 服务不要直接暴露公网，建议通过反向代理加认证保护。
• 云服务器安全组遵循最小化放行原则，只开放必要端口。
• 定期检查服务器登录日志，发现异常 IP 登录及时处理。

7.4 性能优化：从模型和推理两个方向入手

当生成速度不满足业务要求时，可以从几个方向优化：

• 降低输出分辨率和帧数，视频生成的计算量几乎与分辨率成正比。
• 使用更少的采样步数，结合蒸馏模型或加速采样器减少推理时间。
• 对模型权重进行量化，例如使用 FP16 或 INT8 精度，但要注意画质损失。
• 在服务层做并发控制，避免多个推理任务同时抢占显存导致 OOM。
• 如果使用阿里云 GPU 服务器，可以关注实例规格是否支持多卡并行，合理规划推理任务调度。

7.5 业务接入：把视频生成封装成独立服务

如果想把 Wan 能力集成到业务系统，建议将视频生成封装成独立的服务，而不是直接在工作流里手动操作。服务层负责接收请求、调用推理端、返回结果，对外暴露 REST API。这样可以将模型逻辑和业务逻辑解耦，后续替换模型版本或切换部署环境时，不需要改动上游业务代码。

8. 总结与学习路线

这篇文章从“阿里云 Wan 3.0 上线 Runware D0”这条消息切入，完整梳理了 Wan 视频生成模型的三条使用路径：Runware 云端推理适合快速体验，ComfyUI 本地部署适合反复调试，阿里云 GPU 服务器适合生产落地。每条路径我都给出了环境准备、核心步骤和注意事项，特别强调了模型版本、显存需求、安全配置这些容易踩坑的点。

如果你是从零开始，建议按照下面的顺序实践：

1. 先用 Runware 或阿里云百炼 API 体验 Wan 的生成效果，确认它满足你的业务预期。
2. 在本地或 GPU 服务器安装 ComfyUI，导入官方示例工作流，跑通文生视频流程。
3. 学会切换不同尺寸的模型，理解分辨率、帧数、采样步数对结果和资源的影响。
4. 再把部署方式沉淀为脚本或容器镜像，接入业务系统。

后续可以继续深入的方向包括：基于 Wan 做图生视频和视频编辑、利用 LoRA 微调风格化模型、通过多卡并行提升推理吞吐、把整套流程打包成 Docker 镜像发布等。视频生成模型的迭代速度很快，今天写的部署细节可能过几个月就有变化，但“先验证效果、再控制成本、最后安全上线”的思路不会过时。如果你在部署过程中也踩过本文没提到的坑，欢迎在评论区补充交流，一起完善这套部署方案。