实测11款WAN 2.1物理LoRA：多数模型效果适得其反

在AI视频生成领域，WAN 2.1 及其衍生模型的物理动态表现一直是社区关注的焦点。近日，一位 Reddit 用户以严格的量化方法测试了 11 款用于模拟软组织物理运动的 LoRA 模型，用光流分析（optical flow）与帧差能量（frame-differential energy）替代主观感受，给出了一份颇具参考价值的排名。这篇测评的价值不在于结论本身，而在于它揭示了一个普遍被忽视的问题：大量声称能增强物理效果的 LoRA，实际上让画面动得更少了。

测试方法：用数据而非感觉打分

作者采用了严格的控制变量法——相同种子（seed）、相同提示词、相同驱动视频，唯一变化的只有 LoRA 本身。评分围绕两个独立维度展开：**物理表现（Physics）**衡量运动是否符合真实软组织的行为，**形态表现（Shape）**衡量形状在解剖学上是否自然。

关键在于，作者刻意区分了这两个维度。很多人评价这类模型时只看"动得厉害不厉害"，但动得多不等于动得真实。作者用光流量化了三个核心物理指标：悬臂增益（Cantilever gain，反映柔顺度）、传播延迟（Propagation lag，反映惯性）以及运动一致性（Coherence，反映整体是否作为有组织的链条运动）。这套方法论把"物理真实感"拆解成了可测量的工程参数。

**光流（Optical Flow）**是计算机视觉中用于估算相邻帧之间像素运动速度与方向的技术，常见算法包括 Lucas-Kanade 和 Farneback。在视频分析中，光流场可以可视化为每个像素的运动向量，从而量化整体运动幅度（运动能量）及其空间分布。**帧差能量（Frame-Differential Energy）**则更简单直接：将相邻帧的像素值相减后取平方和，得到一个标量，反映全帧的变化强度。两者结合，既能看出"哪里在动、动多少"，也能分析运动的方向连贯性。相比让人打主观分数，这两项指标在相同测试条件下可完全复现，是评估生成视频动态质量的工程化手段。

**LoRA（Low-Rank Adaptation）**是一种参数高效的模型微调方法，通过在原始权重矩阵旁注入低秩矩阵来改变模型行为，而无需修改全部参数。在视频生成领域，LoRA 常被用于强化特定视觉风格或运动模式，但由于训练数据和目标的差异，效果参差不齐，这正是本次测评揭示的核心问题所在。

令人意外的结果：多数 LoRA 效果为负

最颠覆直觉的发现是：11 款 LoRA 里只有 3 款产生了有意义的效果，而其中 4 款的评分甚至低于"无 LoRA"的对照组。

这意味着这些模型不是效果微弱，而是方向错误——它们让画面的运动幅度比基线还小。作者用 −3% 到 +18% 的运动幅度区间描述整体效果，坦承这类 LoRA 本质上都是"细微修饰器"，而非强力增强工具。

更有意思的是同族模型内部的矛盾。以 Perky Breasts 系列为例，标注为 HIGH 的版本得分反而低于 LOW 版本。按命名逻辑，"HIGH"应当意味着更强的效果，但实测结果完全相反。这提醒使用者：模型命名中的强度标签并不可靠，必须实测验证。

两个维度的分歧才是精华

作者反复强调，物理与形态两个维度的"打架"恰恰是最有价值的洞察。

典型案例是 BoobPhysic_HighNoise：它拥有全场最强的原始运动响应（悬臂增益高达 2.95），但形态是一个近乎完美的球体，缺乏自然的下垂曲线，动起来像个弹跳的球，而非悬挂的柔软体。与之相反，jiggle_tits-14b 的形态评分满分（自然的水滴形），却几乎不产生任何运动，运动增量甚至为负。

这组对比说明了一个朴素但常被忽视的道理：在当前的 LoRA 生态里，形态真实与运动真实往往难以兼得。 单独优化任一维度都容易翻车。

冠军为何能两全其美

最终胜出的是 Bouncing_Breasts_Wan2.2_14B_I2V_HIGH_v1.0，它是唯一在物理和形态两个轴上都接近顶尖的模型。

作者对"物理正确"给出了清晰的物理学解释：软组织不是刚体，而是悬挂在胸壁上的柔顺质量块，需要表现出三种行为——滞后于胸壁的惯性（lag）、由柔顺性带来的过冲（overshoot），以及在 2–4 个周期内逐渐衰减（ring down）。

对比三款主力模型的量化数据颇能说明问题：

LoRA	悬臂增益	传播延迟	一致性
Bouncing_Breasts	2.09	62.5 ms	0.718
BoobPhysic	2.95	31.2 ms	0.568
big_breasts_v2	2.59	62.5 ms	0.668

BoobPhysic 虽在原始增益上领先，但一致性最低——它的自由端各自为政地乱动，而不是作为一个有组织的链条运动。真正让冠军脱颖而出的细节是：当身体减速停止后，Bouncing_Breasts 仍保持相对对照组 +50% 的运动。运动在主体停止后延续，正是惯性的表现，这才是真实物理。

这里涉及的三个物理概念来自经典的阻尼振荡系统模型，常用于描述弹簧-质量块系统的动力学行为。**惯性滞后（lag）**指质量块在驱动端已开始运动后，由于自身惯性而短暂停留的延迟，延迟越长说明系统对运动变化越"迟钝"，符合软组织特性。**过冲（overshoot）**指质量块超过平衡位置继续运动的现象，由弹性势能释放驱动，是柔顺体区别于刚体的关键特征。**衰减振荡（ring down）**描述系统在激励消失后经历若干周期逐渐恢复静止的过程，现实中的软组织由于内部摩擦和阻尼，通常在 2–4 个周期内平息。三个参数共同构成软组织"真实感"的物理基础：缺少滞后显得太硬，缺少过冲显得太平，衰减太快则像橡皮而非肌肉。

值得注意的测试局限

作者难得地列出了详尽的方法论警告，这让结论更可信。效果整体偏小，部分 LoRA 在首轮测试中以降低的强度运行，其分数属于下限；管线中的 RIFE ×2 插值会平滑高频细节，导致阻尼比无法从这些文件中准确测量；形态判断仅基于单一角度的单帧画面。此外，超过 1.0 的剂量响应、其他姿势与视频、身份保持能力、时间稳定性等均未纳入测试。

对使用者的实际启示

抛开测试对象的特定性质，这份测评提供了几条可迁移的经验：

第一，评判物理类 LoRA 应看形变链条，而非运动幅度。 作者那句"Bigger ≠ realer"（更大不等于更真）是核心方法论。

第二，同族模型的强度标签不可轻信，务必对照基线实测。 甚至可能存在负效果的模型，比不加还差。

第三，量化工具（光流、帧差能量）能把主观的"感觉"变成可复现的判断。 这套思路同样适用于评估其他类型的动态生成模型。

对于追求综合效果的用户，作者的最终建议清晰：选 Bouncing_Breasts...HIGH_v1.0；若偏好更紧致、更利落的运动，可选 BoobPhysic_HighNoise，但要接受其偏假的形态；至于排名后半段的模型，直接跳过即可。