Видео Mochi-1

Mochi-1 — это открытая модель Genmo для генерации видео с 10 миллиардами параметров, создающая вывод 848×480 @ 30 кадр/с с физически реалистичным движением. Она использует асимметричный диффузионный трансформер (AsymmDiT) и входит в число самых качественных открытых моделей для генерации видео по точности движения. Разверните её в GPU-облаке Clore.ai, чтобы создавать видео профессионального уровня за долю стоимости коммерческих API.

---

Что такое Mochi-1?

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

• Плавным, физически правдоподобным движением

• Высокой временной согласованностью

• Сильным соответствием промпту

• разрешением 848×480 при 30 кадр/с

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

Основные характеристики модели:

• 10 млрд параметров

• Нативный вывод 848×480 @ 30 кадр/с

• Высокая точность движения (входит в топ по результатам общественных бенчмарков)

• Доступна на Hugging Face с интеграцией diffusers

• Демо-интерфейс Gradio для удобного взаимодействия

---

Предварительные 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	12.8+	12.8+

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

---

Шаг 1 — Арендуйте GPU на Clore.ai

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

2. Нажмите Маркетплейс и отфильтруйте:

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

   • Для многопроцессорных конфигураций: фильтр по количеству GPU ≥ 2

3. Выберите свой сервер и нажмите Настроить.

4. Установите образ Docker как pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel (базовый образ — мы установим Mochi внутри).

5. Откройте порты: 22 (SSH) и 7860 (интерфейс Gradio).

6. Нажмите Аренда.

Clore.ai предлагает инстансы A100 40 ГБ, начиная от голое железо. Для Mochi-1 в полном качестве это наиболее экономичный выбор.

---

Шаг 2 — Пользовательский Dockerfile

Соберите свой образ или используйте этот Dockerfile чтобы создать готовую к использованию среду Mochi-1:

FROM pytorch/pytorch:2.11.0-cuda12.8-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/*

# Настройка 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 демо." && \\
    tail -f /dev/null

Сборка и отправка в Docker Hub

Соберите образ локально и отправьте его в свой аккаунт Docker Hub (замените YOUR_DOCKERHUB_USERNAME на ваше фактическое имя пользователя):

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 своего Docker-образа в Clore.ai.

В Docker Hub нет официального предварительно собранного Docker-образа для Mochi-1. Нужно собрать его из Dockerfile выше. В качестве альтернативы используйте pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel как базовый образ напрямую и выполните команды настройки вручную через SSH.

---

Шаг 3 — Подключение по SSH

После запуска вашего инстанса:

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

---

Шаг 4 — Загрузка весов Mochi-1

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

cd /workspace

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

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

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

Альтернатива: загрузить только квантованные веса fp8

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

---

Шаг 5 — Запуск демо Gradio

Mochi-1 поставляется с веб-интерфейсом Gradio для простого создания видео по тексту:

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 низким 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 переносит слои модели в оперативную память CPU, когда они не используются, снижая пиковое потребление VRAM до ~18–20 ГБ ценой примерно в 2 раза более медленной генерации.

---

Шаг 6 — Доступ к веб-интерфейсу

Откройте браузер и перейдите по адресу:

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

Вы увидите интерфейс Gradio Mochi-1 с:

• Поле ввода текстового промпта

• Параметры генерации (шаги, scale guidance, seed)

• Плеер для вывода видео

---

Шаг 7 — Создание вашего первого видео

Примеры промптов

Сцена природы:

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

Сцена действия:

Гепард мчится на полной скорости по открытой саванне, 
пыль поднимается позади него, драматичный широкий план, документальный фильм о дикой природе в 4K

Абстрактное/художественное:

Яркая краска, закручивающаяся в воде в экстремально замедленной съемке, 
яркие синие и оранжевые пигменты смешиваются, макрообъектив, студийное освещение

Рекомендуемые настройки

Параметр	Значение
Шаги	64
Масштаб guidance	4.5
Длительность	5,1 секунды (по умолчанию)
Разрешение	848×480 (родное)

Время генерации сильно 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

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

# Генерировать 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, садящаяся на цветок в замедленной съемке, макросъемка",
    "Океанские волны, разбивающиеся о скалистые утесы на закате, съемка 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"Saved: {output_path}")

---

Инференс на нескольких GPU

Для более быстрой генерации с несколькими GPU:

import torch
from diffusers import MochiPipeline

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

# С несколькими GPU не нужен cpu_offload
frames = pipe(
    prompt="Ваш промпт здесь",
    num_frames=84,
    guidance_scale=4.5,
    num_inference_steps=64,
).frames[0]

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

---

Устранение неполадок

Недостаточно памяти CUDA

torch.cuda.OutOfMemoryError: недостаточно памяти CUDA

Решения:

1. Добавьте --cpu_offload к команде gradio

2. Включите разбиение VAE: 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-накопителе, 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 число шагов инференса (попробуйте 80–100)

• Настройте масштаб guidance (обычно лучше всего диапазон 3.5–5.0)

• Используйте конкретный seed для воспроизводимости и итераций

Порт 7860 недоступен

Проверьте, что порт корректно открыт в Clore.ai и что сервер Gradio привязан к 0.0.0.0:

ss -tlnp | grep 7860

---

Оценка стоимости

GPU	VRAM	Ориентировочная цена	Время видео 5 с
RTX 4090	24 ГБ	$0.14–0.42/ч	~10–15 мин
A100 40 ГБ	40 ГБ	голое железо	~3–5 мин
A100 80 ГБ	80 ГБ	голое железо	~2–3 мин
2× A100 80GB	160 ГБ	голое железо	~60–90 сек

---

Рекомендации по GPU для Clore.ai

Многопроцессорные конфигурации с GPU класса 80GB не представлены на маркетплейсе Clore.ai. Самые крупные доступные сейчас машины — это 4× RTX PRO 6000 Blackwell (по 96GB, всего 380GB) и 8–11× RTX 5090 (по 32GB). Ёмкость A100 / H200 / B200 продаётся как голое железо по запросу. Проверьте Цены и доступность GPU перед выбором размера развёртывания.

Mochi-1 требует много VRAM — модели с 10 млрд параметров нужен тщательный выбор GPU.

GPU	VRAM	Цена Clore.ai	Режим	Время генерации видео 5 с
RTX 4090	24 ГБ	$0.14–0.42/ч	только квантованный fp8	~10–15 мин
A100 40 ГБ	40 ГБ	голое железо	рекомендуется bf16	~3–5 мин
A100 80 ГБ	80 ГБ	голое железо	полный bf16, быстро	~2–3 мин
2× A100 80GB	160 ГБ	голое железо	тензорный параллелизм, самый быстрый	~60–90 сек

RTX 3090 (24 ГБ) не рекомендуется — режим fp8 в Mochi-1 требует минимум 24 ГБ и почти не оставляет запаса. RTX 4090 (24 ГБ) работает в fp8, но часто упирается в OOM на более длинных последовательностях. Для надежных результатов начните с A100 40 ГБ.

Лучшее соотношение цены и качества: A100 40GB за голое железо генерирует 5-секундный клип за 3–5 минут. Это примерно ~$0.08–0.10 за видеоклип — значительно дешевле, чем Runway ML ($0.25–0.50/clip) или подписки Pika Labs.

---

Полезные ресурсы

• Mochi-1 GitHub

• Mochi-1 на Hugging Face

• Блог Genmo — релиз Mochi-1

• Документация Diffusers Mochi

• Руководство по промптам Mochi (сообщество)