Mochi-1 Video

Mochi-1 является открытой 10-миллиардной параметрической моделью генерации видео от Genmo, создающей выход 848×480 @ 30fps с физически правдоподобным движением. Она использует архитектуру асимметричного диффузионного трансформера (AsymmDiT) и входит в число открытых видео моделей с самым высоким качеством воспроизведения движения. Разверните её в GPU-облаке Clore.ai, чтобы генерировать видео профессионального уровня за долю стоимости коммерческих API.

---

Что такое Mochi-1?

Mochi-1 — это модель с 10 миллиардами параметров модель видео-диффузии, обученная создавать видео с:

• Плавным, физически правдоподобным движением

• Высокой временной согласованностью

• Сильным соответствием запросу

• Разрешение 848×480 при 30 кадрах/с

Она использует асимметричный диффузионный трансформер (архитектура AsymmDiT) — разные глубины энкодеров для видео и текста — что обеспечивает эффективный вывод в масштабе. Весы выпущены под Genmo Open Source License, бесплатно для исследований и коммерческого использования.

Основные характеристики модели:

• 10 миллиардов параметров

• Нативный вывод 848×480 @ 30 fps

• Высокая точность движения (в сообществе занимает верхние позиции в бенчмарках)

• Доступна на Hugging Face с интеграцией diffusers

• Gradio-демо UI для простого взаимодействия

---

Требования

Требование	Минимум	Рекомендуется
VRAM GPU	24 ГБ	40–80 ГБ
GPU	RTX 4090	A100 / H100
ОЗУ	32 ГБ	64 ГБ
Хранилище	60 ГБ	100 ГБ
CUDA	11.8+	12.1+

Mochi-1 — крупная модель (≈40 ГБ в fp8 / ≈80 ГБ в bf16). Одна RTX 4090 (24 ГБ) может запускать её с квантованием. Для полного качества используйте A100 40 ГБ или более. Поддерживаются мульти‑GPU конфигурации.

---

Шаг 1 — Арендуйте GPU на Clore.ai

1. Перейдите на clore.ai и войдите в систему.

2. Нажмите Маркетплейс и отфильтруйте:

   • VRAM: ≥ 24 ГБ (минимум RTX 4090, рекомендуется A100)

   • Для мульти‑GPU: фильтруйте по количеству GPU ≥ 2

3. Выберите свой сервер и нажмите Настроить.

4. Установите Docker-образ на pytorch/pytorch:2.4.1-cuda12.4-cudnn9-devel (базовый образ — мы установим Mochi внутри).

5. Установите открытые порты: 22 (SSH) и 7860 (Gradio UI).

6. Нажмите Арендовать.

Clore.ai предлагает инстансы A100 40 ГБ по цене от ~$0.60–$0.90/час. Для Mochi-1 в полном качестве это наиболее экономичный выбор.

---

Шаг 2 — Пользовательский Dockerfile

Соберите собственный образ или используйте этот Dockerfile чтобы создать готовую среду Mochi-1:

FROM pytorch/pytorch:2.4.1-cuda12.4-cudnn9-devel

ENV DEBIAN_FRONTEND=noninteractive

RUN apt-get update && apt-get install -y \
    git wget curl ffmpeg \
    libgl1 libglib2.0-0 \
    openssh-server \
    && rm -rf /var/lib/apt/lists/*

# Настроить SSH
RUN mkdir /var/run/sshd && \
    echo 'root:clore123' | chpasswd && \
    sed -i 's/#PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config && \
    sed -i 's/UsePAM yes/UsePAM no/' /etc/ssh/sshd_config

WORKDIR /workspace

# Клонировать репозиторий Mochi-1
RUN git clone https://github.com/genmoai/mochi /workspace/mochi

# Установить зависимости Python
RUN cd /workspace/mochi && \
    pip install --upgrade pip && \
    pip install -e . && \
    pip install gradio huggingface_hub

EXPOSE 22 7860

CMD service ssh start && \
    echo "Среда Mochi-1 готова. Запустите скрипт загрузки, затем запустите демо." && \
    tail -f /dev/null

Сборка и загрузка в Docker Hub

Соберите образ локально и запушьте его в свой аккаунт Docker Hub (замените YOUR_DOCKERHUB_USERNAME на ваш фактический логин):

docker build -t YOUR_DOCKERHUB_USERNAME/mochi-1:latest .
docker push YOUR_DOCKERHUB_USERNAME/mochi-1:latest

Затем используйте YOUR_DOCKERHUB_USERNAME/mochi-1:latest в качестве вашего Docker-образа в Clore.ai.

Официального предсобранного Docker-образа Mochi-1 на Docker Hub нет. Вам нужно собрать из Dockerfile выше. Альтернативно можно использовать pytorch/pytorch:2.4.1-cuda12.4-cudnn9-devel в качестве базового образа напрямую и вручную выполнить команды установки по SSH.

---

Шаг 3 — Подключитесь по SSH

После запуска вашего инстанса:

ssh root@<clore-host> -p <assigned-ssh-port>

---

Шаг 4 — Скачивание весов Mochi-1

Весы модели размещены на Hugging Face. Скачайте их через huggingface_hub CLI:

cd /workspace

# Установите huggingface-cli, если он отсутствует
pip install -U huggingface_hub

# Скачать веса Mochi-1 (~40 ГБ для bf16)
huggingface-cli download genmo/mochi-1-preview \
    --local-dir /workspace/mochi-weights \
    --include "*.safetensors" "*.json" "*.txt"

Полная bf16 модель примерно 80 ГБ. fp8 Квантованная версия — ~40 ГБ и работает на RTX 4090 (24 ГБ) с выгрузкой на CPU. Укажите --include "*fp8*" чтобы загрузить только квантованные веса.

Альтернатива: загрузить только fp8 квантованные веса

huggingface-cli download genmo/mochi-1-preview \
    --local-dir /workspace/mochi-weights \
    --include "*fp8*" "*.json" "*.txt"

---

Шаг 5 — Запуск Gradio-демо

Mochi-1 поставляется с веб‑интерфейсом Gradio для простого преобразования текста в видео:

cd /workspace/mochi

python demos/gradio_ui.py \
    --model_dir /workspace/mochi-weights \
    --share False \
    --host 0.0.0.0 \
    --port 7860

Для режима с малым объёмом VRAM (RTX 4090, 24 ГБ):

python demos/gradio_ui.py \
    --model_dir /workspace/mochi-weights \
    --cpu_offload \
    --share False \
    --host 0.0.0.0 \
    --port 7860

Параметр --cpu_offload флаг перемещает слои модели в оперативную память CPU, когда они не используются, снижая пик VRAM до ~18–20 ГБ за счёт примерно в 2× более медленной генерации.

---

Шаг 6 — Доступ к веб‑интерфейсу

Откройте браузер и перейдите по адресу:

http://<clore-host>:<public-port-7860>

Вы увидите интерфейс Mochi-1 Gradio с:

• Полем ввода текстового запроса

• Настройками генерации (steps, guidance scale, seed)

• Плеером для вывода видео

---

Шаг 7 — Сгенерируйте своё первое видео

Примеры запросов

Сцена природы:

Величественный водопад, ниспадающий по покрытым мхом скалам в пышном тропическом лесу, 
солнечный свет золотого часа, пробивающийся сквозь полог, медленная кинематографическая панорама

Экшн-сцена:

Гепард, мчащийся по открытой саванне на полной скорости, 
пыль, поднимающаяся позади него, драматический широкий план, 4K документальный фильм о дикой природе

Абстрактное/художественное:

Яркая краска, витающая в воде в экстремальном замедлении, 
насыщенные синие и оранжевые пигменты, смешивающиеся друг с другом, макросъёмка, студийное освещение

Рекомендуемые настройки

Параметр	Значение
Шаги	64
Guidance Scale	4.5
Длительность	5.1 секунды (по умолчанию)
Разрешение	848×480 (нативное)

Время генерации существенно зависит от GPU. На A100 80 ГБ 5‑секундное видео занимает примерно 2–4 минуты. На RTX 4090 с выгрузкой на CPU ожидайте 8–15 минут.

---

Использование Python API

Для программной генерации используйте конвейер diffusers:

import torch
from diffusers import MochiPipeline
from diffusers.utils import export_to_video

# Загрузка конвейера
pipe = MochiPipeline.from_pretrained(
    "/workspace/mochi-weights",
    torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()
pipe.enable_vae_slicing()

# Генерация видео
with torch.autocast("cuda", torch.bfloat16, cache_enabled=False):
    frames = pipe(
        prompt="Золотистый ретривер играет в апорт на солнечном пляже, кинематографично",
        num_frames=84,
        guidance_scale=4.5,
        num_inference_steps=64,
        generator=torch.Generator("cuda").manual_seed(42)
    ).frames[0]

# Экспорт
export_to_video(frames, "output.mp4", fps=30)
print("Видео сохранено в output.mp4")

Скрипт пакетной генерации

import torch
from diffusers import MochiPipeline
from diffusers.utils import export_to_video
import os

pipe = MochiPipeline.from_pretrained(
    "/workspace/mochi-weights",
    torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()

prompts = [
    "Бабочка, приземляющаяся на цветок в замедленной съёмке, макрофотография",
    "Океанские волны, разбивающиеся о скалистые утёсы на закате, кадр с дрона",
    "Северное сияние, танцующее по звездному небу над замерзшим озером",
]

os.makedirs("/workspace/outputs", exist_ok=True)

for i, prompt in enumerate(prompts):
    frames = pipe(
        prompt=prompt,
        num_frames=84,
        guidance_scale=4.5,
        num_inference_steps=64,
    ).frames[0]
    
    output_path = f"/workspace/outputs/video_{i:03d}.mp4"
    export_to_video(frames, output_path, fps=30)
    print(f"Сохранено: {output_path}")

---

Мульти‑GPU вывод

Для более быстрой генерации с несколькими GPU:

import torch
from diffusers import MochiPipeline

# Используйте device_map для автоматического распределения по нескольким GPU
pipe = MochiPipeline.from_pretrained(
    "/workspace/mochi-weights",
    torch_dtype=torch.bfloat16,
    device_map="balanced"
)

# Нет необходимости в cpu_offload при использовании нескольких GPU
frames = pipe(
    prompt="Ваш запрос здесь",
    num_frames=84,
    guidance_scale=4.5,
    num_inference_steps=64,
).frames[0]

Clore.ai предлагает мульти‑GPU серверы (2×, 4× RTX 4090 или A100). С 2× A100 80 ГБ время генерации снижается до менее чем 60 секунд для 5‑секундного клипа.

---

Устранение неполадок

CUDA: недостаточно памяти

torch.cuda.OutOfMemoryError: CUDA out of memory

Решения:

1. Добавьте --cpu_offload к команде gradio

2. Включите VAE slicing: pipe.enable_vae_slicing()

3. Уменьшите num_frames (попробуйте 24 вместо 84)

4. Используйте квантованные веса fp8 вместо bf16

Медленная загрузка модели

Решение: Убедитесь, что веса находятся на быстром NVMe‑диске, а не на HDD. Проверьте скорость хранилища:

dd if=/dev/zero of=/workspace/test bs=1M count=1000 conv=fdatasync

Артефакты видео / временное мерцание

Решения:

• Увеличьте количество шагов вывода (попробуйте 80–100)

• Отрегулируйте guidance scale (диапазон 3.5–5.0 обычно оптимален)

• Используйте конкретное seed для воспроизводимости и итераций

Порт 7860 недоступен

Проверьте, что порт правильно открыт в Clore.ai и что Gradio-сервер привязывается к 0.0.0.0:

ss -tlnp | grep 7860

---

Оценка стоимости

GPU	VRAM	Примерная цена	Время для 5‑секундного видео
RTX 4090	24 ГБ	~$0.35/час	~10–15 мин
A100 40GB	40 ГБ	~$0.70/ч	~3–5 мин
A100 80GB	80 ГБ	~$1.20/ч	~2–3 мин
2× A100 80ГБ	160 ГБ	~$2.20/час	~60–90 сек

---

Рекомендации Clore.ai по GPU

Mochi-1 требует много VRAM — 10‑миллиардная модель требует внимательного подбора GPU.

GPU	VRAM	Цена Clore.ai	Режим	Время генерации 5‑секундного видео
RTX 4090	24 ГБ	~$0.70/ч	только квантованный fp8	~10–15 мин
A100 40GB	40 ГБ	~$1.20/ч	рекомендуется bf16	~3–5 мин
A100 80GB	80 ГБ	~$2.00/ч	полный bf16, быстро	~2–3 мин
2× A100 80ГБ	160 ГБ	~$4.00/час	тензорный параллелизм, самый быстрый	~60–90 сек

RTX 3090 (24 ГБ) не рекомендуется — Mochi-1 в режиме fp8 требует минимум 24 ГБ и оставляет почти нулевой запас. RTX 4090 (24 ГБ) работает в fp8, но часто вылетает OOM при более длинных последовательностях. Для стабильных результатов начните с A100 40 ГБ.

Лучшее соотношение цена/качество: A100 40 ГБ по ~$1.20/час генерирует 5‑секундный клип за 3–5 минут. Это ~$0.08–0.10 за клип — значительно дешевле, чем Runway ML ($0.25–0.50/клип) или подписки Pika Labs.

---

Полезные ресурсы

• Mochi-1 на GitHub

• Mochi-1 на Hugging Face

• Блог Genmo — выпуск Mochi-1

• Документация Diffusers Mochi

• Руководство по подсказкам Mochi (сообщество)