Mochi 1 от Genmo: открытая видеомодель на 10 млрд параметров под Apache 2.0

Открытые видеомодели долго отставали от закрытых сервисов вроде Sora, Runway и Kling. Mochi 1 от студии Genmo сокращает этот разрыв: 10 млрд параметров, лицензия Apache 2.0, публичные веса и код. RunPod в своём блоге разобрал, чем модель отличается от конкурентов и как поднять её на арендованных GPU.

Что внутри Mochi 1

Mochi 1 построена на диффузионной архитектуре Asymmetric Diffusion Transformer (AsymmDiT). Асимметрия здесь в распределении параметров: визуальный поток получает примерно вчетверо больше мощности, чем текстовый. Логика понятна. Видео сложнее текстового запроса, поэтому основной вычислительный бюджет уходит на пиксели и движение.

Промпты кодирует одна языковая модель T5-XXL, без набора из нескольких энкодеров. Это упрощает конвейер и снижает расход памяти. Внимание полностью трёхмерное, то есть учитывает и пространство, и время. Для сжатия служит собственный видеокодировщик AsymmVAE. По заявлению Genmo, он уменьшает видео в 128 раз по объёму данных: 8×8 по пространству и 6× по времени, в латентное пространство с 12 каналами.

• Параметры: 10 млрд, диффузионный трансформатор
• Лицензия: Apache 2.0, допускает коммерческое использование
• Разрешение: 480p
• Частота: 30 кадров в секунду
• Длина клипа: до 162 кадров, около 5,4 секунды
• Текстовый энкодер: T5-XXL

Что нового в v1 и где слабые места

Genmo делает ставку на два качества: следование промпту и плавность движения. Студия утверждает, что модель хорошо держит физику жидкостей, волос и мехов, а также заметно меньше «плывёт» на динамичных сценах. Эти оценки исходят от самого разработчика, независимые сравнения стоит смотреть отдельно.

Ограничения тоже известны. Разрешение 480p мало для продакшена. Модель лучше работает с фотореалистичными сценами и хуже справляется с анимацией. На резких движениях возможны искажения. Genmo заранее обещала более производительную версию Mochi 1 HD, но это отдельный релиз.

Отдельный вопрос — железо. В исходных рекомендациях речь шла о нескольких GPU класса H100, примерно о четырёх. Позже сообщество собрало оптимизированные пайплайны, например в ComfyUI, и они уместились в значительно меньший объём видеопамяти. Точные цифры зависят от разрешения, длины клипа и квантизации, так что тестировать нужно на своей конфигурации.

Как запустить в облаке

RunPod предлагает путь без покупки железа. Вы арендуете инстанс с нужными GPU, ставите окружение и запускаете инференс с открытыми весами. Оплата идёт за время работы, а не за подписку. Для студий и разработчиков, которым нужна генерация видео время от времени, это дешевле собственного сервера. Для постоянной нагрузки арифметику лучше пересчитать.

Практический порядок действий такой:

• Проверьте лицензию Apache 2.0: она разрешает коммерческое использование, но не отменяет ответственность за сгенерированный контент.
• Начните с короткого клипа и одной карты, замерьте скорость и потребление памяти.
• Если памяти не хватает, попробуйте community-сборки с квантизацией и тайлингом VAE.
• Для задач выше 480p рассчитывайте на апскейл отдельной моделью.

Главное в Mochi 1 не рекорд качества, а доступность. Команда, которой нужен контроль над данными, дообучение и отсутствие зависимости от закрытого API, теперь получает рабочую базу для экспериментов с видео. Остаётся проверить её на своих сценариях.