Mochi 1 - Genmo推出的开源高质量AI视频生成模型

Mochi 1是什么

Mochi 1是Genmo公司推出的开源AI视频生成模型，动作质量和提示词遵循都做得不错。Mochi 1 以 Apache 2.0 许可证发布，个人和商业用途都能免费用。目前提供的是 480p 基础版本，年底前会推出 720p 高清版 Mochi 1 HD，保真度更高、动作更流畅。Mochi 1 的模型权重和架构在 Hugging Face 上能找到，Genmo 还开了个托管游乐场，想试 Mochi 1 的功能不用花钱。

Mochi 1的主要功能

• 高保真度动作生成：Mochi 1 在动作生成上进步明显，视频出得流畅，流体动力学、毛发模拟这类物理效果能模拟，人的动作也连贯，开始跨过恐怖谷那道坎。
• 强大的提示遵循能力：Mochi 1 读提示词读得准，生成的视频基本符合预期。视频靠文本和视觉标记联合构建，路子类似 Stable Diffusion 3；流式架构的隐藏维度更大，参数数量接近文本流的四倍。
• 开源架构：Mochi 1 的模型权重和源代码按 Apache 2.0 开源许可证发布，下载、使用都自由，个人和商业用途都行。
• 高效率：Mochi 1 用的是 Genmo 自研的非对称扩散变压器（Asymmetric Diffusion Transformer，简称 AsymmDiT），文本处理简化、算力往视觉效果上偏，用户提示和压缩后的视频令牌都处理得利索。
• 托管游乐场：Genmo 新开了一个托管游乐场，Mochi 1 的功能可以免费试，视频生成的流程也能体验一遍。
• 高参数量：Mochi 1 用的是 100 亿参数的扩散模型，参数量上去了，训练出来的模型也更准。

Mochi 1的技术原理

• 非对称扩散变压器（AsymmDiT）架构：Mochi 1 底层是 Genmo 自研的非对称扩散变压器架构：文本处理简化，精力放在视觉上，用户提示和压缩视频令牌都处理得动。AsymmDiT 用文本和视觉标记一起构建视频，思路类似 Stable Diffusion 3，但流式架构的隐藏维度更大，参数数量接近文本流的四倍；非对称设计的好处是部署时内存占用低一些。
• 实时视频生成技术：Mochi 1 用了 Pyramid Attention Broadcast（PAB）技术，把冗余的注意力计算砍掉，帧率最高到 21.6 FPS，加速 10.6 倍，视频质量不因此打折。以后基于 DiT 的视频生成模型也能用这套技术提速，往实时生成靠。

Mochi 1的项目地址

• 项目官网：genmo.ai/blog
• HuggingFace模型库：https://huggingface.co/genmo/mochi-1-preview
• 在线体验：https://www.genmo.ai/play

Mochi 1的应用场景

• 视频内容创作：Mochi 1 可以生成动画、特效、短片这类内容，视频制作者和艺术家多了一件趁手的工具。
• 教育和培训：教育领域，Mochi 1 可以生成教学视频，复杂概念好讲一些，实验过程也能模拟，学习效率跟着提。
• 娱乐和游戏：游戏和娱乐行业，Mochi 1 能生成游戏里的动态背景视频或故事情节，玩家的沉浸感更强。
• 广告和营销：Mochi 1 可以生成广告视频，成本比实拍低，内容也更有吸引力。
• 社交媒体：社交媒体平台上，内容创作者可以用 Mochi 1 做短视频，素材更有个性，关注和互动也会多一些。
• 新闻和报道：新闻行业里，Mochi 1 能生成报道的背景视频或事件的动态视觉效果，报道的观感更好。