给虚拟角色“照着演”，通常要先把驱动视频——提供动作、姿态和表情的参考片段——拆成骨架或姿态点，再交给生成模型。Wan-Animate-2选择跳过这道中转：它把驱动视频直接送进重新设计的 Diffusion Transformer，也就是用 Transformer 完成逐步去噪、生成连续画面的视频模型。项目方称，减少中间动作提取器后，模型能更好地还原动作，同时保持角色身份和外观。
更值得注意的是，输出镜头不再必须照搬驱动视频。用户可以用文字控制视角，把“角色怎么动”和“镜头从哪里看”分开，这让它更像可编排的制作工具，而不只是动作迁移演示。项目还提供面向流式动画的 Wan-Animate-2-Lite；作者称其推理延迟已降至实时门槛。2026 年 8 月 7 日，团队发布了推理脚本、基础模型和蒸馏模型权重，但现有材料未提供速度、画质或身份保持效果的具体测试数字。