本教程使用 Wan2.1-T2V-1.3B。先完成环境安装，再从 LightX2V 仓库根目录执行下面的命令。
hf download Wan-AI/Wan2.1-T2V-1.3B --local-dir /path/to/models/Wan2.1-T2V-1.3B也可以通过 ModelScope 下载 Wan-AI/Wan2.1-T2V-1.3B，将下载后的本地目录作为 model_path。
打开 run_wan_t2v.sh，设置以下内容：
| 设置 | 内容 |
|---|---|
lightx2v_path |
当前仓库的绝对路径 |
model_path |
下载后模型目录的绝对路径 |
CUDA_VISIBLE_DEVICES |
使用的 GPU，例如 0 |
--prompt / --negative_prompt |
希望生成的场景与需要避免的内容 |
--size |
输出尺寸，按 高 宽 填写；脚本默认 480 832 |
--num_frames |
输出帧数；脚本默认 81 |
--save_result_path |
输出视频路径 |
脚本选择 wan_t2v.json。采样步数、引导强度等启动设置在 JSON 中修改，请求参数在启动脚本中修改。
脚本显式传入的 --size、--num_frames 会覆盖 JSON 中的同名默认值，因此仅修改 JSON 不会改变当前脚本的输出尺寸和帧数。请修改脚本中的这两个参数；若希望由 JSON 统一控制，先删除脚本中的这两个参数，再设置 JSON 的 size（[高, 宽]）和 num_frames。
该 JSON 使用 flash_attn3，请根据显卡和安装环境选择支持的算子，见注意力机制。需要降低显存占用时，参考参数卸载。
bash scripts/wan/run_wan_t2v.sh推理完成后，打开 --save_result_path 对应的视频。脚本默认写入仓库下的 save_results/output_lightx2v_wan_t2v.mp4。
- Wan2.1 与 VACE：其他模型规格、蒸馏权重、服务和多卡运行。
- Wan2.2、Qwen Image：对应模型的启动入口和配置。
- Python API：在应用中调用生成、复用同一个 Pipeline。
- 服务化部署：通过接口提交生成请求。Wan 专用的服务和客户端入口见 Wan README。
比较 CLI、服务与 Python 的结果时，应使用同一模型、JSON 和请求参数，包括 seed、尺寸和帧数。手动配置的 Python 示例可能采用不同的采样参数。