在视频生成方面，通义万相 2.1 通过自研的高效 VAE 和 DiT 架构增强了时空上下文建模能力，支持无限长 1080P 视频的高效编解码，首次实现了中文文字视频生成功能，登上 VBench 榜单第一。
据介绍，通义万相 2.1 支持中英文视频，都可以一键生成艺术字，还提供多种视频特效选项，以增强视觉表现力，例如过渡、粒子效果、模拟等等。
AI在线注意到，通义万相 2.1 还支持复杂运镜，可还原碰撞、反弹、切割、挤压等真实世界的物理规律，例如雨滴落在伞上会溅起水花。
图片生成方面，通义万相 2.1 支持文生组图，采用了 IC-LoRA 图像生成训练方法，利用 DiT 架构，增强文本到图像的上下文能力；对多张图像进行拼接与联合描述即可实现关联图像间的组合生成，并保持特征稳定连续。
