Wan 2.2 im Test: Offene Bewegung, ein Weg unzensiert

Wir veröffentlichen unsere Stufen-Testläufe nicht; die Galerie unten ist das Alltagsregister, aus den veröffentlichten, arbeitsplatztauglichen Beispielen der Modellseite von Wan 2.2.

Eine Form hinter Gaze. Ein Windspiel dreht sich, und eine hinter einem Vorhang liegende Silhouette bewegt sich mit — der ganze Clip entsteht aus einem Standbild und einem Prompt, der Ursache und Wirkung beschreibt, sonst nichts.

Eine Pipettenflasche, beleuchtet von einem wandernden Fenster. Die Kamera schwenkt eine langsame Vierteldrehung, während ein Lichtstreifen über das Glas gleitet; die Flasche selbst bewegt sich nie, das ist der Sinn des Tests.

Ein Schritt vorwärts im grauen Studio. Von einem Porträt-Standbild aus dreht sie die Schultern und macht zwei langsame Schritte, Satin fängt das Licht ein — eine 720p-Aufnahme, die zeigt, wie weit eine einzige Geste einen Fünf-Sekunden-Clip trägt.

Zwei Menschen in einem Mantel. Aus dem Nichts geschrieben, in 720p: Schnee fällt auf einen leeren Bahnsteig, während zwei Menschen sich einen Mantel teilen, Atem dampft, eine Lampe flackert — ein durchgehender, kinoreifer Moment.

Eine Leuchtturmtreppe, in der Dämmerung erklommen. Ein 480p-Text-zu-Video-Entwurf: eine Handlung, eine Kameraposition, um zu prüfen, ob eine Einstellungsidee in Bewegung trägt, bevor mehr in Auflösung investiert wird.

Ein Nachtmarkt nach Regen. Eine vertikale 720p-Aufnahme mit festem Seed, sodass sich derselbe Bildausschnitt über Prompt-Änderungen hinweg vergleichen lässt — Dampf, Lichterketten und eine nasse, Neon reflektierende Straße, während sie zur Kamera geht.

Bei Bild-zu-Video legt das Standbild fest, wer im Bild ist, was sie tragen und wo sie sind; der Prompt sollte nur die Bewegung tragen und, wo es zählt, einen Grund dafür. Bei Text-zu-Video nennen Sie die Besetzung direkt und halten Anzahl und Farbe konkret — vage Menschenmassen- oder Ensemble-Sprache ist, wo wir die meiste Abweichung sahen.

1. Ursache und Wirkung aus einem Standbild (Bild-zu-Video).

Cast: one woman. The camera stays on the shape behind the gauze. A wind chime turns and the figure lying behind the gauze curtain shifts with it, the curtain's shadow travelling across the body. Silent. Cinematic, heavy film grain.

Diesen Prompt mit Wan 2.2 ausführen →

2. Eine benannte Besetzung und eine genaue Anzahl (Text-zu-Video).

Cast: one man and one woman. The camera stays on the two of them inside the one coat. Snow falls on an empty platform; two people are wrapped inside one overcoat, breath clouding between them, the platform lamp flickering. Cinematic, heavy film grain, sodium lamp in snow blue.

Diesen Prompt mit Wan 2.2 ausführen →

Schwach: „A ballerina practises alone in a bright studio.“ So offen gelassen, kam unser eigener Test mit drei Tänzerinnen statt einer zurück. Stark: Nennen Sie die Besetzung vorab — „Cast: one woman“ — und wiederhole die Anzahl innerhalb des Satzes, der die Handlung beschreibt, so wie Prompt 2 „two of them“ und „two people“ wiederholt.

Zwischen dem 16. und 25. September 2026 liefen wir unsere fünfstufige Inhaltsleiter auf beiden Wan-2.2-Endpunkten. Bei Bild-zu-Video rendern L1 Andeutung, L2 Reife Themen und L3 Stark bei jedem unserer Läufe sauber; L4 Intensiv kam bei allen drei Versuchen abgeschwächt zurück; unsere L5a-Prüfung (Fesseln und Schlagspiele) rendert einmal in vier Versuchen, der Rest abgeschwächt; unsere L5b-Prüfung (Gore) rendert bei allen drei Läufen sauber. Bei Text-zu-Video kam jede von uns gesendete Stufe — 19 Läufe insgesamt, von L1 Andeutung bis zu beiden L5-Extrem-Prüftypen — abgelehnt zurück.

Die Seitenlabels spiegeln diese Trennung: Bild-zu-Video trägt das Abgeschwächt-Abzeichen, Text-zu-Video das Gefiltert-Abzeichen. Wir fügen bei keinem der beiden Endpunkte einen eigenen Inhaltsfilter hinzu; das ist Alibabas eigenes Richtlinienverhalten je Aufgabe.

Noch nicht getestet: ob ein Schlussbild oder ein längerer, ausformulierter Prompt die Abschwächungsrate von L4 Intensiv bei Bild-zu-Video ändert; Szenen mit mehr als zwei Personen bei den härteren Stufen; Anime- oder Illustrationsstile auf der Leiter.

Nur Erwachsene, in jedem Prompt, Standbild und Ergebnis. Keine reale, erkennbare Person ohne ihre Einwilligung darstellen, und stellen Sie sicher, dass Sie die Rechte an jedem hochgeladenen Startframe-Foto haben.

Wan 2.2s Ruf außerhalb unserer eigenen Tests beruht darauf, dass es Alibabas letzte Open-Weight-Veröffentlichung in dieser Linie ist: Spätere Versionen (ab 2.5) sind nur noch über API verfügbar. Diese Entscheidung sorgt über ein Jahr später noch für Beschwerden. Ein Hacker-News-Kommentator, frustriert darüber, dass Alibaba keine neueren Gewichte mehr veröffentlicht, brachte es direkt auf den Punkt: „Wan 2.2 hat einen Rug Pull hingelegt, eine riesige Lücke für die Community hinterlassen“, die darauf Tools und Fine-Tunes aufgebaut hatte.

Unsere eigenen Läufe landen mitten in dieser Geschichte: Die offenen Gewichte hinter diesem Endpunkt animieren ein Standbild bei alltäglichen und mäßig starken Prompts noch immer überzeugend, und vermutlich toleriert genau diese Offenheit auf dem Bild-zu-Video-Weg mehr als auf dem Textweg.

• Eigene trainierte Gewichte mitbringen? Wan 2.2 LoRA läuft auf derselben Basis mit bis zu drei LoRA-Slots, abgerechnet pro Sekunde statt zum pauschalen Clip-Preis. Unser Wan-2.2-LoRA-Test.
• Die unzensierte Version pro Sekunde bepreist? Wan 2.2 Spicy ist nur Bild-zu-Video, $0.019 pro Sekunde in 480p, und bietet zusätzlich eine Acht-Sekunden-Option und ein Schlussbild.
• Bewegungsübertragung oder Figurenanimation statt Bildunterschrift oder statischem Standbild nötig? Wan 2.2 Animate steuert eine Figur über eine Referenzperformance.
• Neuere Bewegung und eine längere Aufnahme gewünscht? Wan 3.0 bietet Mehrfach-Einstellungsregie und Clips bis zu 30 Sekunden, pro Sekunde bepreist ab $0.045 in 480p.