Mochi 1 de Genmo: un modelo de vídeo abierto de 10 mil millones de parámetros bajo Apache 2.0

Los modelos de vídeo abiertos llevan tiempo por detrás de servicios cerrados como Sora, Runway y Kling. Mochi 1, del estudio Genmo, acorta esa distancia: 10 mil millones de parámetros, licencia Apache 2.0, y pesos y código públicos. RunPod ha analizado en su blog en qué se diferencia el modelo de sus competidores y cómo ponerlo en marcha en GPU alquiladas.

Qué hay dentro de Mochi 1

Mochi 1 se basa en una arquitectura de difusión, el Asymmetric Diffusion Transformer (AsymmDiT). La asimetría está en el reparto de parámetros: el flujo visual recibe aproximadamente cuatro veces más capacidad que el textual. La lógica es clara. Un vídeo es más complejo que una instrucción de texto, así que la mayor parte del presupuesto de cómputo se destina a los píxeles y al movimiento.

Los prompts los codifica un único modelo de lenguaje, T5-XXL, en lugar de un conjunto de varios codificadores. Esto simplifica el pipeline y reduce el consumo de memoria. La atención es totalmente tridimensional, es decir, tiene en cuenta tanto el espacio como el tiempo. Para la compresión se emplea un codificador de vídeo propio, AsymmVAE. Según Genmo, reduce el vídeo 128 veces en volumen de datos: 8×8 en el espacio y 6× en el tiempo, hacia un espacio latente de 12 canales.

• Parámetros: 10 mil millones, transformer de difusión
• Licencia: Apache 2.0, permite el uso comercial
• Resolución: 480p
• Frecuencia: 30 fotogramas por segundo
• Duración del clip: hasta 162 fotogramas, unos 5,4 segundos
• Codificador de texto: T5-XXL

Qué aporta la v1 y cuáles son sus puntos débiles

Genmo apuesta por dos cualidades: la fidelidad al prompt y la fluidez del movimiento. El estudio afirma que el modelo reproduce bien la física de los líquidos, el pelo y el pelaje, y que se «deforma» bastante menos en escenas dinámicas. Estas valoraciones proceden del propio desarrollador; conviene consultar por separado comparativas independientes.

Las limitaciones también son conocidas. La resolución de 480p se queda corta para producción. El modelo funciona mejor con escenas fotorrealistas y se desenvuelve peor con animación. En movimientos bruscos pueden aparecer distorsiones. Genmo prometió con antelación una versión más potente, Mochi 1 HD, pero es un lanzamiento aparte.

Otra cuestión es el hardware. Las recomendaciones iniciales hablaban de varias GPU de clase H100, unas cuatro. Después, la comunidad ha creado pipelines optimizados, por ejemplo en ComfyUI, que caben en una cantidad de memoria de vídeo notablemente menor. Las cifras exactas dependen de la resolución, la duración del clip y la cuantización, así que hay que probar en la configuración propia.

Cómo ejecutarlo en la nube

RunPod ofrece una vía sin comprar hardware. Se alquila una instancia con las GPU necesarias, se instala el entorno y se lanza la inferencia con los pesos abiertos. Se paga por el tiempo de uso, no por una suscripción. Para estudios y desarrolladores que necesitan generar vídeo de forma ocasional, resulta más barato que un servidor propio. Para una carga constante conviene volver a hacer las cuentas.

El orden práctico de actuación es este:

• Revise la licencia Apache 2.0: permite el uso comercial, pero no elimina la responsabilidad sobre el contenido generado.
• Empiece con un clip corto y una sola tarjeta, y mida la velocidad y el consumo de memoria.
• Si falta memoria, pruebe las versiones de la comunidad con cuantización y tiling del VAE.
• Para tareas por encima de 480p, cuente con un escalado posterior con un modelo aparte.

Lo principal de Mochi 1 no es un récord de calidad, sino su accesibilidad. Un equipo que necesite control sobre los datos, ajuste fino y no depender de una API cerrada obtiene ahora una base de trabajo para experimentar con vídeo. Queda por comprobar cómo responde en sus propios casos de uso.