Genmo Mochi：10B 开源视频模型的运动派打法

Mochi 是 Genmo 开源的文生视频模型，100 亿参数、Apache 2.0 授权，主打高保真运动与提示词遵循。480p 短片可网页试玩、可本地部署、可微调，适合开发者与想掌控模型的内容团队。

一、该工具是什么

1.1 一句话定义

Mochi 是 Genmo 在 2024 年 10 月开源的文生视频模型，官方名称为 Mochi 1，参数量 100 亿，权重与推理代码以 Apache 2.0 授权放出。输入一段提示词，输出一条 480p、30fps、最长约 5.4 秒的无声短片。它的卖点不是清晰度，而是运动：走路、布料摆动、液体飞溅这类连续动作，帧与帧之间接得住。

要分清两个名字。Mochi 是模型，Genmo 是公司。模型可以下载到本地跑，也可以在官方网页试验场里试，还可以通过第三方平台按次调用。三条路径用的是同一套权重，能力上限一样，成本结构完全不同：本地拼显卡，网页拼积分，第三方拼单价。

它和同类产品最不一样的地方在授权。多数商业视频模型只给网页入口，结果能不能商用、能不能再训，要看服务条款。这款模型把权重直接放出来，允许修改、商用、再分发，代价是装环境、下权重、配显卡都得自己来。

1.2 它解决了谁的什么问题

第一类是研究者与算法工程师。做视频生成实验，最缺的不是想法，是一个能改、能跑、能对比的基线。闭源接口只给结果，不给中间层，想验证一个时序注意力的改动只能在外面猜。它把完整结构、推理脚本、微调工具一起放出来，等于给了一张可以拆开看的地基图。

第二类是想把生成能力嵌进自家产品的团队。做剪辑工具、做电商素材、做游戏过场，直接调别人的接口，价格与可用性都捏在对方手里。拿到权重之后可以私有化部署，可以按业务微调，素材不出内网。这是合规部门能点头的方案。

第三类是显卡有余、预算有限的个人创作者。手上有 4090 或 3090，愿意花一个周末折腾环境，之后每条片子只剩电费。代价是学习曲线陡：命令行、虚拟环境、显存参数，任何一环卡住都得出片停摆。

它不适合两类需求。要一条能直接交客户的高清成片，480p 加五秒的规格不够用；要中文提示词直接出片，它也不合适，文本编码器只认英文。这两点决定了它的用户画像偏技术侧，不是运营侧。

二、基本信息

工具/平台名称	Mochi（Mochi 1 预览版、Mochi 1 HD，开发方 Genmo）
官网网址	genmo.ai（试验场入口为 genmo.ai/play）
上线时间	2024 年 10 月发布开源预览版；2024 年 11 月放出 720p 的 HD 预览，同期加入 LoRA 微调支持
产品功能	文生视频、480p 与 720p 两档输出、Gradio 本地界面与命令行推理、ComfyUI 与 Diffusers 接入、LoRA 微调训练器、第三方托管接口
所属公司	Genmo，美国旧金山，2023 年由 Paras Jain 与 Ajay Jain 创立，两人均为加州大学伯克利分校博士，方向为机器学习与三维生成

提示词只支持英文，文档与示例也都是英文，中文用户要自己过一道翻译。输出为 480p 或 720p，帧率 30fps，单条上限约 5.4 秒，无音轨。封装与编码参数官方未逐项公示，本地推理由脚本调用 FFMPEG 合成，格式可自选；网页端下载格式以页面提示为准，导出前先测一条更稳。

三、主要功能

3.1 文生视频与输出规格

核心能力只有一件事：给文字，出视频。输入框里写清主体、动作、场景、光线、镜头，模型按 30fps 生成一段最长约 5.4 秒的片段。分辨率分两档，基础版 480p，HD 版 720p。帧数越多、分辨率越高，占用越大，本地试参数通常从短片段起步。

限制很明确：没有音频、没有对白、没有时间线。它给的是素材，不是作品，后面还要过剪辑、配音、配乐、加字幕。五秒出头意味着一个完整动作只能拍一段，多镜头叙事要靠拼。

3.2 非对称扩散变压器架构

官方把这套结构叫 AsymmDiT。名字里的“非对称”指参数分配：视觉流的隐藏维度做得大，文本流做得小，两路在自注意力里合并，投影层分开。官方解释是视频生成的瓶颈在视觉建模，算力应该往画面那边倾斜。文本侧只用了一个 T5-XXL 编码器，不像有些模型叠好几个语言模型。

配套的是自研因果式视频编码器，把视频压到原体积的一百二十八分之一，空间 8×8、时间 6 倍，落到 12 通道潜空间。这个压缩比决定了分辨率与时长的组合上限。

3.3 运动质量：它被记住的地方

2024 年下半年那批开源模型，通病是静帧好看、一动就散：走两步脸变形，手一挥手指粘成一团，镜头一推背景跟着融化。这款产品在这件事上花了功夫，训练时筛选运动强度，宁可牺牲一点静态锐度，也要保住连续性。跑、跳、水花、烟雾，形变比同期产品少。

边界也要说。极端运动仍然会崩，官方在说明里承认剧烈动作的边角位置会出现轻微扭曲。快速手部特写、多人交错走位、镜头急转，是三类翻车高发区。它的调优偏写实，动画、插画、定格这类风格化内容表现一般，想做二次元或水墨风，得靠适配层补。

3.4 提示词遵循与英文长句

提示词遵循是另一个强项。官方发布时给的对比里，它对长句、多要素描述的执行度接近当时的闭源产品：一句话里同时交代主体、动作、材质、光线、机位，大部分要素能落进画面。对做分镜的人，这意味着可以用镜头语言写提示词，比如低角度、浅景深。

限制在语言。文本编码器只有英文一路，中文输入基本无效，机翻出来的长句常丢修饰关系。写法上建议主句短、从句少，把“什么在做什么”放最前，环境与光线放后面。它也不擅长否定，“不要出现人群”往往会把人群画出来，正确做法是正面描述想要的画面。

3.5 本地部署与显存门槛

官方仓库给的最低配置是四张 H100，这个数字劝退了大部分人。落地有两套折中方案：社区量化与切片解码，单卡 24GB 量级可以跑 480p 短片，配合 CPU 卸载还能再降；或者直接用 ComfyUI 工作流，2024 年 11 月起官方支持消费级显卡运行，把分辨率、帧数、步数调低即可。

门槛在调试而不是安装。显存不够会报错，报错信息往往看不懂；步数调低画面糊，调高又爆显存。建议第一次跑用官方示例参数，出片之后再逐项改，一次只改一个变量。仓库更新频繁，权重与代码版本要对齐。

3.6 LoRA 微调与风格定制

2024 年 11 月下旬，官方补上了 LoRA 训练器。给一批自己的素材，就能在预训练模型上挂一个小适配层，把风格、主体、镜头习惯教给模型。训练门槛是一张 80GB 显存的卡，个人用户通常租卡完成。训好的文件不大，可以像插件一样加载。

限制是数据。素材少于几十条，效果不明显；风格不统一，训出来是四不像；素材带水印或字幕，模型会一起学进去。官方给的是训练脚本，不是一键产品，数据清洗、标注、参数选择都得自己做。社区有现成适配层可下，但来源与授权要自己确认。

3.7 网页试验场与第三方接口

不想碰命令行的人可以走官方试验场：输入提示词，点生成，等结果，下载。页面里还留着早期产品 Replay 的入口，那是图生视频工具，消耗更低。界面只有提示词框与结果区，没有时间线、没有素材库。

额度与排队是限制。免费额度一次性发放，用完不补，免费导出带平台水印；单条消耗明显高于 Replay，几次试验就见底。生成要排队，官方未公开队列规则。想批量出片，应该转本地或第三方接口，网页端不是合适的地方。

权重开放带来的好处是生态。除了官方仓库，模型被接进 ComfyUI 与 Diffusers，也被多个托管平台收录，可按秒或按次调用，不必自己买卡。对做原型的团队，先用托管验证、再考虑私有化最省事。代价是参数开放程度不一，有的平台连帧数都锁死。

四、发展历程

时间线不长，节点很密。下表依据官方博客、代码仓库更新记录与公开报道整理，部分日期只能精确到月，用于理解演进方向，不作为版本依据。

时间	事件	影响
2023 年	Genmo 在旧金山成立，早期做图生视频产品 Replay	团队先有产品经验，再决定自研视频基础模型
2024 年 10 月	Mochi 1 预览版开源，100 亿参数，Apache 2.0 授权	成为当时参数规模最大的开放视频模型，开源与闭源的差距被拉近
2024 年 11 月初	ComfyUI 原生支持消费级显卡运行	单卡用户第一次能在本地跑起来，社区工作流迅速铺开
2024 年 11 月中	Mochi 1 HD 预览放出，分辨率提升到 720p	补上清晰度短板，仍受时长与显存限制
2024 年 11 月下旬	仓库加入 LoRA 微调训练器	从能用走向能改，风格定制不再需要全量重训
2025 年	模型被多家托管平台与聚合站收录，官方试验场维持运营	使用门槛下降，但官方未发布新一代基础模型

第一个判断：这是一次以开放换生态的下注。2024 年下半年，闭源产品的画质领先明显，初创公司拼参数拼不过大厂，能打的牌只有开放。把权重放出去，等于把全球开发者变成外挂研发：有人做量化，有人做节点，有人做风格适配层，官方只需维护主干。代价是商业化路径变窄，钱只能从订阅与企业服务里收。

第二个判断：技术选择很克制。10B 参数放在 2024 年是第一梯队，但官方没有堆分辨率，也没急着做图生视频，而是把力气放在运动与提示词遵循上。这是个聪明的取舍：480p 可以靠放大补，五秒可以靠拼接补，运动崩了没法补。

第三个判断：位置正在被挤压。2025 年之后，阿里 Wan、腾讯混元视频等开源模型陆续放出，参数更大、分辨率更高、生态更完整，先发优势被摊薄。它现在的价值更像教材与基线，而不是首选生产工具。学技术看它，做项目要比较。

五、核心优势

5.1 授权彻底，商用没有暗礁

Apache 2.0 意味着权重、代码、衍生模型都可以商用，不需要向官方申请，也不按生成条数付费。对一个要把生成能力做进产品的团队，这一条能省掉大量法务沟通。对比之下，有些开源模型用的是自定义社区许可，商用有门槛，用户规模超过一定量还要单独谈。

它不擅长提供保障。授权给的是使用权，不是质量承诺，出问题没人兜底。所以对你意味着：合同里该写的免责与验收标准，还得自己写，别把开源当成免检。

5.2 运动连贯性在同规模模型里靠前

这是最实在的竞争力。同一段提示词让几个开源模型各跑一条，它的肢体形变、物体穿插、背景漂移通常更少，尤其是中速连续动作。对做素材的人，废片率低一半等于成本低一半。这个优势来自训练时的运动强度筛选，不是后期修出来的。

它不擅长极端动作。快速打斗、多人交错、镜头急转仍是短板，边角会出现扭曲。所以对你意味着：把复杂动作拆成几个简单分镜拍，比让模型一次演完更稳。

5.3 本地部署，数据不出门

权重可以下载，推理就能在内网完成。对医疗、金融、政务类客户，素材不能上传到第三方服务器，这一条是硬门槛。私有化之后，生成记录、提示词、素材都留在自己机器上，合规审查好过。

它不擅长轻量部署。四张 H100 的官方配置不是玩笑，即便量化之后也要一张像样的消费卡。所以对你意味着：没有显卡预算的团队，先用托管平台，别为私有化三个字硬扛硬件成本。

5.4 可微调，风格能长在自己手里

训练器把风格变成可保存的资产。一次训练，之后每次生成都带着这套风格，不用在提示词里反复描述。对做系列内容的团队，这是统一调性的捷径；对做垂直行业的公司，把产品外观、场景习惯训进模型，出片更像自家的。

它不擅长零数据冷启动。没有几十条干净素材，训不出稳定效果；素材带水印、带字幕，模型会照学。所以对你意味着：先把素材库整理好，再谈训练，脏数据进去只会得到脏风格。

5.5 生态完整，工具链能接上

ComfyUI、Diffusers、多个托管平台都支持，意味着它不是孤岛。可以把生成、放大、插帧、抠像、配音串成自动化流水线，也可以用脚本批量跑几百条。对工程团队，能被编排的能力才是产能。

它不擅长开箱即用。节点要自己连，参数要自己调，官方没有中文文档。所以对你意味着：团队里得有一个人愿意啃文档，否则生态再全也用不上。

六、如何使用

上手有两条路：网页试验场，或本地部署。只想看看效果走第一条，几分钟出片；想长期用、想控制成本走第二条，一个下午起步。下面先讲网页路径，再把本地部署的关键节点补上。

打开试验场。访问 genmo.ai，进入 Play 页面。未登录可以浏览示例，点生成会要求登录，邮箱或第三方账号都行。模型跑在云端，本地不需要任何配置。
选模型与参数。模型栏选 Mochi，另一个选项是 Replay，消耗更低但动态弱。分辨率按需要选 480p 或 720p，时长与帧数通常联动。随机种子可以留空，也可以填固定值方便复现。
写提示词。用英文，一句话交代主体、动作、场景、光线，再加一句镜头要求。两到三句足够。第一版别追求完美，先看模型怎么理解描述，再针对性加词或删词。
提交并等待。点生成后进入队列，等待时间与负载、分辨率、时长都有关，短片段通常几分钟内出结果。页面关掉不影响任务，回来还能看到记录。
评估与重生成。看三件事：动作对不对、有没有形变、构图是否如你所愿。动作不对改动词，形变明显换种子，构图不对加机位描述。同一条提示词跑三到四次挑一条，是这类模型的常态。
下载与后处理。满意的片段直接下载，免费额度导出带水印，付费后去除。进剪辑软件做放大、插帧、调色、配乐。五秒素材撑不起一个完整段落，通常要三四条拼在一起。
走本地的话补四步。装 Python 与虚拟环境、拉官方仓库、跑权重下载脚本、启动界面或命令行。显存 24GB 量级从 480p 短片起步，参数先用官方示例，成功之后再逐项调。想接工作流，装 ComfyUI 并加载对应节点。

最容易踩的坑有三个：拿中文提示词硬试，模型毫无反应，还以为是服务坏了；第一次就跑 720p 加满帧，显存溢出；只跑一条就下结论，这类模型方差大，样本量至少三条。

七、使用教程

7.1 案例一：产品特写与液体飞溅

目标。给一款饮料做五秒产品短片，用于电商详情页顶部。要求画面写实、液体动态自然、瓶身轮廓干净，不要出现多余的手。

提示词原文。英文写作，可直接复制；方括号内按自己的产品替换。

A clear glass bottle of [sparkling citrus drink] stands on a wet black stone slab. Cold water droplets slide down the bottle surface. The camera slowly pushes in from a medium shot to a close-up, shallow depth of field. Behind the bottle, a slice of lemon drops into water and sends a small crown-shaped splash upward. Soft window light from the left, cool highlights on the glass, dark background. Photorealistic, commercial product photography, 35mm lens.

参数设置。分辨率 720p，帧数取满五秒档，步数用默认值，种子先不固定。提示词里刻意不写否定句，用正面描述替代。

结果评估。第一版通常有两个问题：柠檬落水的瞬间被拖慢，水花变成缓慢的黏液；瓶身上印的字糊成一团。前者的原因是模型对高速物理理解有限，后者是 720p 下小面积纹理不够。改法是：把“drops into water”改成“splash frozen at the moment of impact”，强调瞬间；瓶身文字不要在提示词里要求清晰可读，改成后期贴图。

返工点。最费时间的是水花形状。同一提示词跑五条，能用的通常一两条，其余会出现水花穿模、液面像塑料。稳妥的做法是拆成两条素材：一条只拍瓶身与水滴，一条只拍飞溅，剪辑时叠在一起。从写提示词到出三条可用素材约两小时，一半时间在挑种子。

7.2 案例二：街景行走的中景跟拍

目标。做一条五秒城市街景素材，用于短视频过渡镜头。要求人物从画面左侧走入、镜头横向跟随、霓虹不过曝，整体像纪录片手持拍摄。

提示词原文。这一条重点在运动描述，动词要具体到身体部位与方向。

A young woman in a beige trench coat walks from the left side of the frame toward the right, hands in pockets, shoulders slightly forward against the wind. The camera tracks sideways at walking speed, handheld with a subtle vertical shake, medium shot at chest height. Background: a narrow city street at dusk, wet asphalt reflecting neon signs, light rain. Shallow depth of field, subject stays sharp, background softly blurred. Cinematic color grading, cool blue shadows with warm signage highlights.

参数设置。先 480p 试，确认运动对了再升 720p。帧数取满五秒档。种子固定一个先跑三条，比较动作差异；如果三条都是同一类错误，说明提示词有问题，换词而不是换种子。

结果评估。常见问题是走路像滑行：脚在动，身体位移却不匹配；或者背景在动、人物原地踏步。这是视频模型的老毛病，它比同期产品好，但仍会出现。改法是把“walks”拆细，加入“weight shifting from heel to toe”，并明确“the subject moves across the frame, not in place”。另一个高频问题是霓虹过曝成白块，需要把“neon signs”降级成“dim neon reflections on wet asphalt”。

返工点。横向跟拍对背景一致性要求高，模型容易在第三秒把街道换一条。解决办法是缩短单条时长，只取前两秒半，剩下用另一条素材接。这里的经验是：五秒不是必须用满，能用的两秒半比崩掉的五秒值钱。两条素材加剪辑对齐约三小时。

八、价格优惠

有三套账要算：官方试验场的积分、第三方托管的按次计费、本地部署的硬件与电费。三者结构完全不同，官方也未公示完整价目表，下表给量级与适用场景，实际以官网实时价格为准。

方式	价格量级	包含额度	适合谁
官方免费额度	0 元	一次性发放的试用积分，导出带平台水印，用完不补	第一次试效果、判断画风
官方订阅	每月十美元上下起，高档位数十美元量级	按月发放积分，单条消耗高于同站长视频工具，去水印、可商用	轻度使用、不想折腾环境
第三方托管	按秒或按次，单条五秒约合零点几到一美元	无月费，用多少付多少，参数开放程度不一	做原型、短期批量测试
本地部署	零授权费，成本为显卡与电费	不限次数，受显存与时间约束	长期高频使用、需要私有化

怎么买最省。一是先用免费额度把能不能用这件事问清楚，别急着订阅，免费积分不多，一次只跑短片段、低分辨率能多试几轮。二是高频用户直接算本地账：一张能跑 480p 的消费级显卡，按每天十条算，两三个月就把托管费用追平。三是低频用户别买卡，一个月出十条的需求，托管比养机器便宜得多。

还有一个隐形成本：抽卡率。同一条提示词的平均可用率大概三成到五成，一条成片要跑两三次。按次计费的实际单价要乘上这个系数；本地部署则体现为时间。

商用授权这条线要单独看。免费档导出带水印，商用要去水印；权重本身是 Apache 2.0，本地生成的画面没有平台附加限制，但训练数据带来的肖像、商标风险仍由使用者承担。接商单前把这两件事分开确认。

九、最新动态

基础模型停在原地。截至 2026 年下半年，官方仓库仍在维护推理脚本与兼容性修复，但没有放出新一代基础模型，Mochi 1 与 HD 版仍是主线。对一个以研究预览定位的项目，这不算异常，但意味着画质与时长不会有大跳变。

生态侧的动作更多。模型被更多托管平台与聚合站收录，按秒计价的入口变多，ComfyUI 社区的工作流从能跑进化到能批量。据公开的模型目录信息，第三方平台上单条五秒片段的折算价格落在零点几美元的量级，比 2024 年底便宜。

官方重心转向世界模型。官网与对外表述里，Genmo 把自己描述为做视频世界模型的研究机构，而不是消费级视频应用。这个定位与开放策略一致：卖的不是订阅，是模型能力与许可。

需要打折扣的信息。网上流传的“下一代模型已支持图生视频”等说法，未见官方公告或仓库更新支撑，暂不可信。判断这类消息只看官方博客与代码仓库的发布记录，其余当传闻。

十、竞品对比

开源视频模型这一年多冒出不少，选型容易看花眼。下表挑三款定位接近的产品横向比，维度按能不能自己跑、跑得动多大、出片什么规格来设，参数随版本变化，以各家官方文档为准。

维度	Mochi	Stable Video Diffusion	Wan	混元视频
输入方式	文字	图片	文字、图片	文字
参数规模	约 100 亿	十亿级	多档，含百亿级	约 130 亿
授权	Apache 2.0	社区许可，商用有条件	Apache 2.0	社区许可，商用有条件
原生分辨率	480p，HD 版 720p	576p 量级	720p 档	720p 档
单条时长	约 5 秒	2 到 4 秒	5 秒档	5 秒档
运动表现	强，形变少	弱，动作幅度小	强，风格覆盖广	强，写实见长
本地门槛	官方建议四卡，量化后单卡 24GB	单卡可跑，门槛最低	消费级到数据中心多档	高，需大显存或量化
微调支持	官方 LoRA 训练器	社区微调	官方与社区均支持	社区微调为主

维度	Mochi	Runway	Luma
形态	开源模型加网页试验场	闭源商业平台	闭源商业平台
画面上限	720p，五秒	高清，时长可延展	高清，时长可延展
控制能力	提示词加种子，工具链可编排	镜头、运动笔刷、参考图	关键帧、镜头运动
计费	订阅加积分，或自建	订阅加积分	订阅加积分
上手门槛	高，需要技术能力	低	低
适合场景	私有化、研究、批量素材	广告、短片、客户交付	概念片、空镜、转场