114B参数、6B激活，Sand.ai刚刚开源全球首个千亿MoE视频生成模型

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 114B参数、6B激活，Sand.ai刚刚开源全球首个千亿MoE视频生成模型 鹭羽 2026-08-05 15:05:41 来源： 量子位 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 再牛的大模型，也要放到行业面前公开露个面，才算真交卷。 现下，就有这样一支清华系团队再展锋芒，规模不大、实力却不小—— 抢先用 MoE架构 把视频生成模型卷上 千亿参数 ，代码权重还全！开！源！ 模型一出，直接刷屏国内外科技圈。那么大，那么强，说开源就开源。 且先来看看生成效果一探究竟： 视频链接：https://mp.weixin.qq.com/s/Wtw4Ui4whdGEQ8vyWQ3Ipg 如何？最近爆火的AI漫剧，声台形表四角俱全。 亦或是来一场酣畅淋漓的长镜头，视角跟随人物动作切换自如。 视频链接：https://mp.weixin.qq.com/s/Wtw4Ui4whdGEQ8vyWQ3Ipg 闹归闹，商业场景也不在话下。 视频链接：https://mp.weixin.qq.com/s/Wtw4Ui4whdGEQ8vyWQ3Ipg 光这运镜、对焦和人物表现，拉出去和闭源第一梯队同台PK，也照样能打。 不卖关子了，这便是 Sand.ai 的最新力作—— MAGI-2-preview 。继Magi-1横空出世后，新模型又一次瞄准开源C位。 模型总参数114B，单次前向只激活约6B。 按8卡H100当下的行情算，要生成一段10秒1080P视频，其成本仅需5毛钱，差不多只有行业主流模型的 十分之一 。 Benchmark排名也相当亮眼，MAGI-2-preview在AA视频生成榜单排名 第六 。仅用6B激活参数，效果就已经非常接近第一梯队。 好好好，这下视频生成行业，又多了一个千亿级新变量。 视频模型Scaling不能照抄LLM 这一变，直击视频生成模型的 Scaling 路线。 其实这个问题现在看来挺刚需的，做大模型，最怕的事情就是钱不够烧。 文本模型倒还好，处理的都是离散token，叠参数、加算力，模型就能越滚越强。但视频模型呢？面对的却是 一整个动态世界 。 每一帧画面都要被拆成大量空间patch，连续帧还要记录人物动作、物体关系和镜头变化。如果再叠加文本、音频等信息，序列长度直接超级加倍…… 如果还用稠密模型，Scaling的训推成本简直想都不敢想。 模型要更大、视频要更长、成本还要可承受，这三件事就是摆在视频生成面前的近乎 「不可能三角」 。 图片由AI生成 当然，解法不是没有—— MoE 。 所谓MoE，就是把模型容量和单次计算部分解耦。模型可以继续拥有百亿千亿的总容量，但每次推理只激活其中一小部分，成本相对可控。 但视频MoE也有自己的麻烦，首先卡住的是 通信 。 传统专家并行会先为token选出Top-K专家，再把token送到专家所在的GPU。换言之，只要激活专家数越多，需要运输的数据就越多。 对于本就拥有超长序列的视频模型，这部分通信成本很快就会盖过专家计算本身。 更别提 训练稳定性 ，动态变化的路由、随时波动的专家负载，以及需要处理的多模态数据，都会让大模型Scaling过程中常见的问题，在视频MoE上 成倍放大 。 因此视频生成的Scaling路径，跟大语言模型不完全是一回事。 单纯迁移MoE不管用，还要扛得住超长序列和跨卡通信，同时保证音频、视频、文本在同一套系统里顺畅协作。 说白了，得从底层开始一点点 重构 。 行业里很少有人能做到。要说将视频MoE从纸上谈兵搬到千亿参数视频模型上， Sand.ai是第一个 。 让千亿MoE模型真正跑起来 要想跑通，架构和系统缺一不可。 先打地基，MAGI-2-preview延续了Sand.ai在daVinci-MagiHuman中验证过的 单流架构 —— 文本、视频和音频进入同一个Transformer，然后在每一层自注意力里直接交换信息。 传统做法里，是视频走视频的，音频走音频的，最后再靠cross-attention（交叉注意力）把两边粘起来。 而MAGI-2-preview是从第一层开始，画面和声音就在 共同建模 ，从而更适合处理细微的音画对应关系，效果be like： 视频链接：https://mp.weixin.qq.com/s/Wtw4Ui4whdGEQ8vyWQ3Ipg 这样设计还另有额外的好处，统一主干能够让延迟和维护成本比模型串联低得多，也更 天然适配MoE扩展 。 有了框架，再把专家颗粒度推到极致。 MAGI-2-preview采用Multi-Head LatentMoE的思路，将3072维的隐藏表示拆成12个256维head，再让 每个head独立路由 。 同一个token由此被拆进多个低维子空间，有的head更关注人物外观，有的处理动作和时序，各司其职。 于是在36层主体网络里，每层总共3072个独立专家单元，每个token在每个head内选择6个专家，合计激活 72个 小专家。 看起来同时调用的专家变多了，但每个专家处理的子空间尺寸更小，分工更细， 模型能够拼凑出更多能力组合 。 作为参照，DeepSeek-V4-Pro等主流MoE大模型的每层专家数大多还停留在几百个，MAGI-2-preview直接推到了三千级别。 这么细的专家，单靠通用MoE是实现不了的，还需要一套完整的 自研infra 。 Sand.ai自己写了 MagiMoE kernel库 ，把路由、排序、专家计算整条链路压在一起，减少中间结果的显存搬运。 还针对Multi-Head MoE的计算形态，前向和反向过程都做了专门优化。 并行策略 也重新设计了。 Head Parallel在路由发生之前就按head把计算分配到不同设备，设备间传输的是形状固定的head表示，而不是路由后数量不断变化的专家token。 通信量不随激活专家数波动，视频的长序列就不再是要命的瓶颈。 优化器 同样做了混合设计。矩阵参数用Muon，专家参数用AdamW，不同性质的参数用不同的更新节奏。 最后一环是 数据 。 很多团队做数据是层层过滤，最后留一个干净但窄的数据集。 但生成模型需要的恰恰相反，要的就是多样性，见得越多，生成才能越逼真。 MAGI-2-preview的思路是从 「删减」 转向 「组织」 。 先扩大有效数据的规模，尽量保留广度，再通过更精准的标注把数据组织起来，让模型依次学会不同场景、动作、声音之间的对应关系。 预训练和后训练的分工 也随之变化。 预训练负责尽可能完整地覆盖数据分布，让基础模型吃全，后训练则回到自己更擅长的部分，处理偏好对齐、可控性、安全性和产品适配。 视频链接：https://mp.weixin.qq.com/s/Wtw4Ui4whdGEQ8vyWQ3Ipg 至此，MAGI-2-preview得以跑通 一整套Scaling系统 。 通过模型结构、通信机制、底层infra和数据体系协同设计，在扩大总容量的同时，