从 Mochi 1 看视频模型的音画同步趋势

闲话少叙，直接上干货。先从我最近的一段经历说起。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 先摆事实：Mochi 1（Genmo）2024 发布，10B（AsymmDiT 非对称扩散 Transformer）；授权方式为Apache 2.0。 本地跑起来的话，全精度约 60-80GB（约 4×H100）；bf16 变体约 22GB；ComfyUI 优化可压到 20GB 内。 从工程落地角度看，集成成本和推理稳定性比刷榜分数更值得盯。官方口径里有几条很关键：无原生音频、无图生视频；发布时最大开源视频模型；适合要宽松商用许可又要大运动量的团队。 以上就是我的全部实测，散会。故事讲完了，你的版本呢？—— 事实先行，观点随后。