<img width="1462" height="534" alt="Image" src="https://github.com/user-attachments/assets/d82d90a5-3e09-4acc-b664-b0435c47803c" /> 我看了WAN 2.1 论文，架构图中输入视频是熊猫手持写有“wan 2.1”的牌子，经过推理计算后输出的生成视频跟输入视频看起来完全一样。正常情况，加入文本控制条件进行视频生成编辑，输入和输出要有差异性才对。我不太理解作者放这个完全一样的输入和输出视频想表达什么含义。
我看了WAN 2.1 论文，架构图中输入视频是熊猫手持写有“wan 2.1”的牌子，经过推理计算后输出的生成视频跟输入视频看起来完全一样。正常情况，加入文本控制条件进行视频生成编辑，输入和输出要有差异性才对。我不太理解作者放这个完全一样的输入和输出视频想表达什么含义。