Genmo 推出最新开源视频生成模型 Mochi 1。
- Mochi 1 采用了Asymmetric Diffusion Transformer（AsymmDiT）架构，是迄今为止最大的开源视频生成模型，具备100亿参数。
- 该模型可同时处理文本和视频信号，拥有更强的视觉推理能力，同时优化了内存需求。
功能特点：
1. 高保真动作生成
- 动作流畅、自然：生成的视频帧率达到30帧/秒，持续时间最长可达5.4秒，具备高时间一致性，确保动作连贯且自然。
.
- 逼真的物理效果：模型在生成流体动态、毛发模拟和人类行为时，遵循物理法则，生成结果更加自然逼真。
.
- 突破“恐怖谷”问题：人类角色的动作和表情流畅连贯，细节丰富，显著提升了视频的真实感和自然度。
2. 强大的文本提示响应
- 精确的提示对齐：Mochi 1 能根据用户的文本指令，生成与描述高度一致的场景、角色和动作。
- 多模态融合：模型在处理视觉和文本提示时使用多模态自注意力机制，实现文本和视频的协同处理，使得生成结果符合用户预期。
衡量生成的视频遵循所提供的文本指令的准确程度，确保高度保真用户意图 