Mochi 1, da Genmo: modelo de vídeo aberto com 10 bilhões de parâmetros sob licença Apache 2.0

Os modelos de vídeo abertos ficaram muito tempo atrás dos serviços fechados, como Sora, Runway e Kling. O Mochi 1, do estúdio Genmo, reduz essa distância: são 10 bilhões de parâmetros, licença Apache 2.0, e pesos e código públicos. Em seu blog, a RunPod analisou no que o modelo difere dos concorrentes e como colocá-lo para rodar em GPUs alugadas.

O que há dentro do Mochi 1

O Mochi 1 é baseado na arquitetura de difusão Asymmetric Diffusion Transformer (AsymmDiT). A assimetria está na distribuição dos parâmetros: o fluxo visual recebe cerca de quatro vezes mais capacidade que o fluxo de texto. A lógica é simples. O vídeo é mais complexo que o prompt de texto, então a maior parte do orçamento computacional vai para pixels e movimento.

Os prompts são codificados por um único modelo de linguagem, o T5-XXL, sem um conjunto de vários encoders. Isso simplifica o pipeline e reduz o consumo de memória. A atenção é totalmente tridimensional, ou seja, considera tanto o espaço quanto o tempo. Para a compressão, o modelo usa um codificador de vídeo próprio, o AsymmVAE. Segundo a Genmo, ele reduz o volume de dados do vídeo em 128 vezes: 8×8 no espaço e 6× no tempo, para um espaço latente com 12 canais.

• Parâmetros: 10 bilhões, transformer de difusão
• Licença: Apache 2.0, permite uso comercial
• Resolução: 480p
• Taxa de quadros: 30 quadros por segundo
• Duração do clipe: até 162 quadros, cerca de 5,4 segundos
• Encoder de texto: T5-XXL

O que muda na v1 e onde estão os pontos fracos

A Genmo aposta em duas qualidades: aderência ao prompt e fluidez do movimento. O estúdio afirma que o modelo reproduz bem a física de líquidos, cabelos e pelagem, e que “se desmancha” bem menos em cenas dinâmicas. Essas avaliações vêm do próprio desenvolvedor; vale consultar comparativos independentes à parte.

As limitações também são conhecidas. A resolução de 480p é baixa para produção. O modelo funciona melhor com cenas fotorrealistas e se sai pior em animação. Movimentos bruscos podem gerar distorções. A Genmo já prometeu uma versão mais potente, o Mochi 1 HD, mas ela será um lançamento separado.

Outra questão é o hardware. As recomendações iniciais falavam em várias GPUs da classe H100, cerca de quatro. Depois, a comunidade montou pipelines otimizados, por exemplo no ComfyUI, que passaram a caber em um volume de VRAM bem menor. Os números exatos dependem da resolução, da duração do clipe e da quantização, então é preciso testar na sua própria configuração.

Como rodar na nuvem

A RunPod oferece um caminho sem comprar hardware. Você aluga uma instância com as GPUs necessárias, instala o ambiente e roda a inferência com os pesos abertos. O pagamento é pelo tempo de uso, e não por assinatura. Para estúdios e desenvolvedores que precisam gerar vídeo de vez em quando, sai mais barato que um servidor próprio. Para cargas constantes, é melhor refazer as contas.

A ordem prática de ação é esta:

• Verifique a licença Apache 2.0: ela permite uso comercial, mas não elimina a responsabilidade pelo conteúdo gerado.
• Comece com um clipe curto e uma única placa, e meça a velocidade e o consumo de memória.
• Se faltar memória, experimente as builds da comunidade com quantização e tiling do VAE.
• Para resoluções acima de 480p, conte com um upscale feito por outro modelo.

O ponto forte do Mochi 1 está na acessibilidade, não em um recorde de qualidade. Equipes que precisam de controle sobre os dados, de fine-tuning e de independência de uma API fechada agora têm uma base funcional para experimentar com vídeo. Resta testá-la nos seus próprios cenários.