Mochi 1 من Genmo: نموذج فيديو مفتوح المصدر بـ10 مليارات معامل بترخيص Apache 2.0

ظلّت نماذج الفيديو المفتوحة زمنًا طويلًا متأخرة عن الخدمات المغلقة مثل Sora وRunway وKling. ويقلّص Mochi 1 من استوديو Genmo هذه الفجوة: 10 مليارات معامل، وترخيص Apache 2.0، وأوزان وشيفرة متاحتان للعموم. وفي مدونتها، شرحت RunPod ما يميّز النموذج عن منافسيه وكيفية تشغيله على وحدات GPU مستأجرة.

ما بداخل Mochi 1

يعتمد Mochi 1 على بنية الانتشار Asymmetric Diffusion Transformer (AsymmDiT). وتكمن اللاتماثل هنا في توزيع المعاملات: إذ يحصل المسار البصري على قدرة تزيد بنحو أربعة أضعاف عمّا يحصل عليه المسار النصي. والمنطق واضح؛ فالفيديو أعقد من الطلب النصي، ولذلك يُصرف الجزء الأكبر من الميزانية الحسابية على البكسلات والحركة.

يتولى ترميزَ الأوامر النصية (prompts) نموذج لغوي واحد هو T5-XXL، من دون مجموعة من المشفّرات المتعددة. وهذا يبسّط خط المعالجة ويخفّض استهلاك الذاكرة. والانتباه ثلاثي الأبعاد بالكامل، أي أنه يراعي المكان والزمان معًا. أما الضغط فيتولاه مشفّر فيديو خاص هو AsymmVAE. وبحسب Genmo، فإنه يقلّص حجم بيانات الفيديو 128 مرة: 8×8 في المكان و6× في الزمن، إلى فضاء كامن (latent) بـ12 قناة.

• المعاملات: 10 مليارات، محوّل انتشار (diffusion transformer)
• الترخيص: Apache 2.0، ويسمح بالاستخدام التجاري
• الدقة: 480p
• معدل الإطارات: 30 إطارًا في الثانية
• مدة المقطع: حتى 162 إطارًا، أي نحو 5.4 ثانية
• مشفّر النص: T5-XXL

الجديد في الإصدار v1 ونقاط ضعفه

تراهن Genmo على ميزتين: الالتزام بالأمر النصي وسلاسة الحركة. وتقول الشركة إن النموذج يُحسن محاكاة فيزياء السوائل والشعر والفراء، وإنه «يتشوّش» أقل بوضوح في المشاهد الديناميكية. وهذه التقييمات صادرة عن المطوّر نفسه، أما المقارنات المستقلة فينبغي الاطلاع عليها على حدة.

والقيود معروفة أيضًا. فدقة 480p غير كافية للإنتاج الاحترافي. ويعمل النموذج بشكل أفضل مع المشاهد الواقعية الفوتوغرافية، ويتعثر أكثر مع الرسوم المتحركة. وقد تظهر تشوهات عند الحركات الحادة. وكانت Genmo قد وعدت مسبقًا بإصدار أعلى أداءً هو Mochi 1 HD، لكنه إصدار منفصل.

وتبقى مسألة العتاد. ففي التوصيات الأولية، كان الحديث عن عدة وحدات GPU من فئة H100، نحو أربع وحدات تقريبًا. ثم بنى المجتمع لاحقًا خطوط معالجة محسّنة، مثل تلك العاملة في ComfyUI، وهي تتسع في ذاكرة فيديو أقل بكثير. وتعتمد الأرقام الدقيقة على الدقة ومدة المقطع والتكميم (quantization)، لذلك ينبغي الاختبار على تهيئتك الخاصة.

كيف تشغّله في السحابة

تقدّم RunPod طريقًا لا يتطلب شراء عتاد. فأنت تستأجر نسخة (instance) بوحدات GPU المطلوبة، وتثبّت البيئة، ثم تشغّل الاستدلال (inference) بالأوزان المفتوحة. ويكون الدفع مقابل وقت التشغيل، لا اشتراكًا. وبالنسبة إلى الاستوديوهات والمطورين الذين يحتاجون إلى توليد الفيديو من حين إلى آخر، فهذا أرخص من امتلاك خادم خاص. أما مع الأحمال الدائمة، فالأفضل إعادة حساب التكلفة.

وفيما يلي ترتيب الخطوات العملي:

• تحقق من ترخيص Apache 2.0: فهو يسمح بالاستخدام التجاري، لكنه لا يُسقط المسؤولية عن المحتوى المولَّد.
• ابدأ بمقطع قصير وبطاقة واحدة، وقِس السرعة واستهلاك الذاكرة.
• إذا لم تكفِ الذاكرة، جرّب إصدارات المجتمع (community) المزوّدة بالتكميم وتجزئة VAE إلى مربعات (tiling).
• للمهام التي تتجاوز 480p، احسب حسابك لرفع الدقة (upscale) بنموذج منفصل.

أهم ما في Mochi 1 ليس رقمًا قياسيًا في الجودة، بل إتاحته. فالفريق الذي يحتاج إلى التحكم في بياناته وإلى إعادة التدريب (fine-tuning) ويريد الاستغناء عن الاعتماد على واجهة API مغلقة، بات يملك الآن قاعدة عملية لتجارب الفيديو. ويبقى اختبارها على سيناريوهاتك الخاصة.