10秒1080P仅0.5元！视频生成模型持续进化

中经记者 李昆昆 李正豪 北京报道

近日，Sand.ai正式发布并开源MAGI-2 Preview。这是全球首个千亿级开源MoE视频生成模型，总参数约114B，单次前向计算仅激活约6B参数。MAGI-2 Preview在Artificial Analysis image to video视频生成榜单排名第六。

阳明商业论创始人沈阳对《中国经营报》记者表示，他看好Sand.AI的逻辑，开源权重代码将催生社区飞轮，自回归架构在长视频流式生成上潜力优于扩散模型。短板在于，复杂场景真实感与4K画质仍落后于闭源头部，工程稳定性待打磨。

114B总参数 单次只激活6B

文本模型通常处理几百或几千个token，视频还要容纳连续帧、大量空间patch和音频信息，模型越大，训练和推理需要的计算也越多。

MoE在模型内部设置一个庞大的专家池，每个token只选择与当前任务相关的一小部分专家参与计算。模型由此可以继续扩大容量，同时控制实际调用的参数量。

为了让专家分工更细，Magi-2 Preview将3072维隐藏表示拆成12个256维head，并在36层主体网络中使用Multi-Head MoE。

记者了解到，在粗粒度MOE中，完整1个Token整体路由给专家，1个token最多交给2个专家，专家本身是完整大FFN，专家数量少（8/16个）。

在超细粒度MoE中，比如DeepSeekMoE，专家本身被切成很多很小FFN原子专家，Token还是完整的，路由选一堆小专家。

而MH‑MoE（Mult-iHead MoE），专家大小可以保持正常尺寸；它把同一个Token向量拆成多个子Token（sub‑token），不同子Token分别路由到不同专家，同一个原始token可以同时调用4—8个专家，专家本身不需要切小。

传统MoE通常针对一个token的完整隐藏表示进行路由，少数专家需要同时处理其中包含的多种特征。Multi-Head MoE先把表示拆进多个低维子空间，再由每个head独立选择专家。

沈阳告诉记者，Sand.AI的逻辑有长处，也有短板。相对而言，国内快手可灵图生视频与角色一致性更成熟，深度绑定国内短剧与广告生产流程，中文语境表现优异。而其局限是音频依赖后处理，原生多模态能力较弱。

Google Veo 3.1（闭源质量天花板），渲染、光影与镜头语言第一梯队，单模型输出画面+音效。其局限是封闭生态、成本高昂，东亚人物表现欠佳。

“综合判断，长期看Sand.ai的开源MoE自回归路线最有可能定义下一代视频基座；当下商业变现则可灵现实优势最大；Veo守住高端但生态封闭。”沈阳说。

爱分析首席分析师李喆向记者说，他最看好字节的Seedance，主要是综合能力和应用生态优势明显。

“综合能力：目前视频模型已经是多模态创作阶段，要同时支持文本、图片、音视频，对工程化能力要求高，这方面字节积累比较深。应用生态方面拥有抖音、剪映等内容平台，可以把模型直接放进真实创作流程，通过大量用户反馈持续优化，这种轨迹数据对于模型训练的价值是非常高的。”李喆说。

技术难点

谈及视频生成模型需要突破的技术难点，沈阳认为，有核心七大技术壁垒属于“无人区”级别的难题。

当前行业已过“单帧惊艳”期，真正的分水岭在于长时间维度的稳定可信。主要卡点在于，时空一致性（核心痛点）：长视频中身份漂移、物体形变频发；扩散模型缺时序记忆，自回归易累积误差，镜头旋转时3D多视角不自洽。

物理世界“伪理解”：模型仅靠数据拟合，不懂重力、碰撞与流体力学，导致物体悬浮、动量不守恒等“反物理”现象。引入显式物理引擎还是纯数据驱动，尚无最优解。

音—视—动深度对齐：多人物对话及情绪表演中，口型、微表情、肢体与音效需因果匹配。Sand.ai的联合token序列是探索方向，但复杂场景仍极易失准。

长视频叙事可控性：现模型多限于15秒内片段；超出后情节因果断裂，且缺乏中途精准控制（运镜、动作、剧情走向）的手段。

质量—算力—成本“不可能三角”：视频token爆炸，高清长时推理成本极高。稠密模型质优价贵，MoE虽降激活成本却徒增训练与调度难度，工程挑战巨大。

细粒度可控编辑缺失：无法像文生图Inpaint那样局部修改（改衣、改动作），任何调整几乎都需重绘全序列，严重制约工业化生产效率。

高质量时序数据枯竭：带时序因果标注的优质视频数据远少于图像，且面临严苛版权风险，已成行业级供给瓶颈。

谈起需要突破的技术难点，李喆认为主要是三个方面：长视频一致性、精准可控和单位可用视频成本。

首先是长视频一致性：模型需要让人物形象、服装、场景和动作在上千帧中保持一致，还要维持情节和物理逻辑，这是目前最大的技术难点之一。

其次是精准可控：专业创作更关心人物动作、对白、口型和节奏能否准确执行，不仅仅是一个惊艳样片。

最后是单位可用视频成本：如何在保证质量的同时降低推理成本，会决定视频模型能否大规模商业化。

（编辑：吴清 审核：李正豪 校对：颜京宁）