从 Mochi 1 看视频模型的音画同步趋势（踩坑复盘）

这个问题被问了太多次，统一回复一下。开门见山。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 Mochi 1 是Genmo的作品，公开信息显示发布于2024。参数规模方面，10B（AsymmDiT 非对称扩散 Transformer），许可协议是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。对我触动比较大的细节：运动质量/真实感动感强；适合要宽松商用许可又要大运动量的团队；发布时最大开源视频模型。 就先聊到这，有问题评论区接着讨论。以上。 🎯 ✨ 😅 📌 🔥 💡 😂 ⭐ 👀 🚀