Mochi 1 de Genmo : un modèle vidéo ouvert de 10 milliards de paramètres sous licence Apache 2.0

Les modèles vidéo ouverts ont longtemps accusé un retard sur les services fermés comme Sora, Runway et Kling. Mochi 1, du studio Genmo, réduit cet écart : 10 milliards de paramètres, licence Apache 2.0, poids et code publics. Sur son blog, RunPod détaille ce qui distingue le modèle de ses concurrents et comment le faire tourner sur des GPU loués.

Ce que contient Mochi 1

Mochi 1 repose sur une architecture de diffusion, l'Asymmetric Diffusion Transformer (AsymmDiT). L'asymétrie tient à la répartition des paramètres : le flux visuel reçoit environ quatre fois plus de capacité que le flux textuel. La logique est simple. Une vidéo est plus complexe qu'une requête textuelle, et l'essentiel du budget de calcul va donc aux pixels et au mouvement.

Les prompts sont encodés par un seul modèle de langage, T5-XXL, sans batterie de plusieurs encodeurs. Cela simplifie le pipeline et réduit la consommation de mémoire. L'attention est entièrement tridimensionnelle : elle prend en compte à la fois l'espace et le temps. La compression repose sur un encodeur vidéo maison, AsymmVAE. Selon Genmo, il réduit le volume de données de la vidéo d'un facteur 128 : 8×8 dans l'espace et 6× dans le temps, vers un espace latent à 12 canaux.

• Paramètres : 10 milliards, transformeur de diffusion
• Licence : Apache 2.0, usage commercial autorisé
• Résolution : 480p
• Fréquence : 30 images par seconde
• Durée du clip : jusqu'à 162 images, soit environ 5,4 secondes
• Encodeur de texte : T5-XXL

Les nouveautés de la v1 et ses points faibles

Genmo mise sur deux qualités : le respect du prompt et la fluidité du mouvement. Le studio affirme que le modèle gère bien la physique des liquides, des cheveux et des fourrures, et qu'il se déforme nettement moins sur les scènes dynamiques. Ces évaluations émanent du développeur lui-même ; mieux vaut consulter séparément des comparaisons indépendantes.

Les limites sont aussi connues. La résolution de 480p est insuffisante pour la production. Le modèle est plus à l'aise avec les scènes photoréalistes et moins performant en animation. Des distorsions sont possibles sur les mouvements brusques. Genmo a déjà promis une version plus performante, Mochi 1 HD, mais il s'agira d'une publication distincte.

Le matériel pose une question à part. Les recommandations initiales évoquaient plusieurs GPU de classe H100, environ quatre. La communauté a depuis assemblé des pipelines optimisés, par exemple dans ComfyUI, qui tiennent dans une quantité de mémoire vidéo nettement inférieure. Les chiffres exacts dépendent de la résolution, de la durée du clip et de la quantification : il faut donc tester sur sa propre configuration.

Comment la lancer dans le cloud

RunPod propose une voie sans achat de matériel. Vous louez une instance dotée des GPU nécessaires, installez l'environnement et lancez l'inférence avec les poids ouverts. Le paiement se fait à la durée d'utilisation, et non par abonnement. Pour les studios et les développeurs qui ont besoin de générer de la vidéo de temps à autre, c'est moins cher qu'un serveur dédié. Pour une charge permanente, mieux vaut refaire le calcul.

Voici la marche à suivre en pratique :

• Vérifiez la licence Apache 2.0 : elle autorise l'usage commercial, mais ne supprime pas la responsabilité liée au contenu généré.
• Commencez par un clip court et une seule carte, puis mesurez la vitesse et la consommation de mémoire.
• Si la mémoire manque, essayez les builds communautaires avec quantification et tiling du VAE.
• Pour les résolutions supérieures à 480p, comptez sur un upscaling par un modèle distinct.

L'intérêt de Mochi 1 ne tient pas à un record de qualité, mais à son accessibilité. Une équipe qui veut garder le contrôle de ses données, affiner le modèle et ne pas dépendre d'une API fermée dispose désormais d'une base de travail pour ses expérimentations vidéo. Reste à la tester sur ses propres cas d'usage.