Mochi-1 视频

Mochi-1 是 Genmo 的开源 100 亿参数视频生成模型，可输出 848×480 @ 30fps，具有符合物理规律的真实运动。它采用非对称扩散 Transformer（AsymmDiT）架构，在运动保真度方面位列开源视频模型中的前列。将其部署在 Clore.ai 的 GPU 云上，即可用仅为商业 API 一小部分的成本生成专业级视频。

---

什么是 Mochi-1？

Mochi-1 是一个 100 亿参数 视频扩散模型，经过训练可生成具有以下特性的影片：

• 平滑、符合物理规律的运动

• 高时间一致性

• 对提示词的强遵循性

• 848×480 分辨率，30 fps

它采用 非对称扩散 Transformer （AsymmDiT）架构——视频和文本使用不同的编码器深度——从而实现可扩展的高效推理。模型权重以 Genmo 开源许可证发布，可免费用于研究和商业用途。

模型亮点：

• 100 亿参数

• 原生输出 848×480 @ 30 fps

• 高运动保真度（在社区基准测试中排名靠前）

• 可在 Hugging Face 上使用，并集成 diffusers

• 用于便捷交互的 Gradio 演示界面

---

前提条件

要求	最低	推荐
GPU 显存	24 GB	40–80 GB
GPU	RTX 4090	A100 / H100
内存	32 GB	64 GB
存储	60 GB	100 GB
CUDA	12.8+	12.8+

Mochi-1 是一个大型模型（fp8 约 40 GB / bf16 约 80 GB）。单张 RTX 4090（24 GB）可在量化后运行。要获得完整质量，建议使用 A100 40 GB 或更高配置。支持多 GPU 配置。

---

步骤 1——在 Clore.ai 上租用 GPU

1. 前往 clore.ai 并登录。

2. 点击 市场 并筛选：

   • 显存： ≥ 24 GB （最低 RTX 4090，推荐 A100）

   • 多 GPU：筛选 GPU 数量 ≥ 2

3. 选择你的服务器并点击 配置.

4. 将 Docker 镜像设置为 pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel （基础镜像——我们会在其中安装 Mochi。）

5. 设置开放端口： 22 （SSH）和 7860 （Gradio UI）。

6. 点击 租用.

Clore.ai 列出了从以下价格起的 A100 40 GB 实例： 裸机。对于以完整质量运行 Mochi-1，这是最具成本效益的选择。

---

步骤 2 — 自定义 Dockerfile

构建你自己的镜像，或使用此 Dockerfile 来创建一个可直接使用的 Mochi-1 环境：

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/*

# 配置 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

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

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

EXPOSE 22 7860

CMD service ssh start && \\
    echo "Mochi-1 环境已就绪。请先运行下载脚本，然后启动演示。" && \\
    tail -f /dev/null

构建并推送到 Docker Hub

在本地构建镜像并将其推送到你自己的 Docker Hub 账户（替换 YOUR_DOCKERHUB_USERNAME 为你的实际用户名）：

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

然后在 Clore.ai 中使用 YOUR_DOCKERHUB_USERNAME/mochi-1:latest 作为你的 Docker 镜像。

Docker Hub 上没有 Mochi-1 的官方预构建 Docker 镜像。你需要使用上面的 Dockerfile 自行构建。或者，直接使用 pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel 作为基础镜像，并通过 SSH 手动运行安装命令。

---

步骤 3 — 通过 SSH 连接

实例运行后：

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

---

步骤 4 — 下载 Mochi-1 权重

模型权重托管在 Hugging Face 上。可通过以下方式下载： huggingface_hub CLI：

cd /workspace

# 如果尚未安装 huggingface-cli
pip install -U huggingface_hub

# 下载 Mochi-1 权重（bf16 约 40 GB）
huggingface-cli download genmo/mochi-1-preview \\
    --local-dir /workspace/mochi-weights \\
    --include "*.safetensors" "*.json" "*.txt"

完整的 bf16 模型约为 80 GB。 fp8 量化版本约 40 GB，可在启用 CPU 卸载的情况下运行于 RTX 4090（24 GB）。请指定 --include "*fp8*" 以仅下载量化权重。

替代方案：仅下载 fp8 量化权重

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

---

步骤 5 — 启动 Gradio 演示

Mochi-1 附带一个 Gradio 网页 UI，便于进行文本生成视频：

cd /workspace/mochi

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

低显存模式（RTX 4090，24 GB）：

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

该 --cpu_offload 标志会在不使用时将模型层转移到 CPU RAM，从而将峰值显存降至约 18–20 GB，但生成速度会变慢约 2 倍。

---

步骤 6 — 访问网页 UI

打开浏览器并访问：

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

你将看到带有以下内容的 Mochi-1 Gradio 界面：

• 文本提示输入框

• 生成设置（步数、引导比例、种子）

• 视频输出播放器

---

步骤 7 — 生成你的第一个视频

示例提示词

自然场景：

在郁郁葱葱的热带雨林中，一道雄伟的瀑布倾泻而下， 
金色时刻的阳光穿过树冠，慢速电影感横移

动作场景：

一只猎豹在开阔的稀树草原上全速奔跑， 
身后扬起尘土，戏剧性的广角镜头，4K 野生动物纪录片

抽象/艺术风格：

彩色颜料在水中以极慢动作旋转， 
鲜艳的蓝色和橙色颜料相互混合，微距镜头，棚拍灯光

推荐设置

参数	数值
步数	64
引导比例	4.5
时长	5.1 秒（默认）
分辨率	848×480（原生）

生成时间因 GPU 而异，差别很大。在 A100 80 GB 上，生成一段 5 秒视频大约需要 2–4 分钟。在 RTX 4090 搭配 CPU 卸载时，预计需要 8–15 分钟.

---

Python API 用法

如需程序化生成，请使用 diffusers 管线：

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

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

# 生成视频
with torch.autocast("cuda", torch.bfloat16, cache_enabled=False):
    frames = pipe(
        prompt="一只金毛寻回犬在阳光明媚的海滩上玩接飞盘，电影感",
        num_frames=84,
        guidance_scale=4.5,
        num_inference_steps=64,
        generator=torch.Generator("cuda").manual_seed(42)
    ).frames[0]

# 导出
export_to_video(frames, "output.mp4", fps=30)
print("视频已保存到 output.mp4")

批量生成脚本

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 = [
    "一只蝴蝶以慢动作落在花朵上，微距摄影",
    "日落时分，海浪撞击岩石峭壁，航拍镜头",
    "北极光在冰封湖面上方的繁星夜空中舞动",
]

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"已保存：{output_path}")

---

多 GPU 推理

如需使用多张 GPU 加快生成速度：

import torch
from diffusers import MochiPipeline

# 使用 device_map 进行自动多 GPU 分配
pipe = MochiPipeline.from_pretrained(
    "/workspace/mochi-weights",
    torch_dtype=torch.bfloat16,
    device_map="balanced"
)

# 多 GPU 时无需 cpu_offload
frames = pipe(
    prompt="这里填写你的提示词",
    num_frames=84,
    guidance_scale=4.5,
    num_inference_steps=64,
).frames[0]

Clore.ai 提供多 GPU 服务器（2×、4× RTX 4090 或 A100）。使用 2× A100 80 GB 时，生成一段 5 秒视频的时间可降至 60 秒以内。

---

故障排查

CUDA 显存不足

torch.cuda.OutOfMemoryError：CUDA 显存不足

解决方案：

1. 在 --cpu_offload 添加到 gradio 命令中

2. 启用 VAE slicing： pipe.enable_vae_slicing()

3. 减少 num_frames （试试 24 而不是 84）

4. 使用 fp8 量化权重代替 bf16

模型加载缓慢

解决方案： 确保权重位于高速 NVMe 磁盘上，而不是 HDD。检查存储速度：

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

视频伪影 / 时间闪烁

解决方案：

• 增加推理步数（试试 80–100）

• 调整引导比例（通常 3.5–5.0 范围最佳）

• 使用特定种子以便复现和迭代

7860 端口无法访问

检查该端口是否已在 Clore.ai 中正确开放，以及 Gradio 服务器是否正在绑定到 0.0.0.0:

ss -tlnp | grep 7860

---

成本估算

GPU	显存	预估价格	5 秒视频时长
RTX 4090	24 GB	$0.14–0.42/小时	~10–15 分钟
A100 40GB	40 GB	裸机	~3–5 分钟
A100 80GB	80 GB	裸机	~2–3 分钟
2× A100 80GB	160 GB	裸机	~60–90 秒

---

Clore.ai GPU 推荐

Clore.ai 市场上未列出多 GPU 的 80GB 级机型。 目前列出的最大配置是 4× RTX PRO 6000 Blackwell（每张 96GB，共 380GB）以及 8–11× RTX 5090（每张 32GB）。A100 / H200 / B200 容量可按 裸机 需求提供。部署前请查看 GPU 价格与可用性 。

Mochi-1 非常占用显存——这款 100 亿参数模型需要谨慎选择 GPU。

GPU	显存	Clore.ai 价格	模式	5 秒视频生成时间
RTX 4090	24 GB	$0.14–0.42/小时	仅 fp8 量化	~10–15 分钟
A100 40GB	40 GB	裸机	推荐 bf16	~3–5 分钟
A100 80GB	80 GB	裸机	完整 bf16，速度快	~2–3 分钟
2× A100 80GB	160 GB	裸机	张量并行，最快	~60–90 秒

不推荐 RTX 3090（24GB） —— Mochi-1 在 fp8 模式下至少需要 24GB 显存，且几乎没有余量。RTX 4090（24GB）可以在 fp8 下运行，但在较长序列上经常 OOM。为了获得可靠结果，建议从 A100 40GB 开始。

性价比最佳： A100 40GB，价格 裸机 可在 3–5 分钟内生成一段 5 秒视频。每个视频片段约 $0.08–0.10——明显比 Runway ML（$0.25–0.50/片）或 Pika Labs 订阅更便宜。

---

有用资源

• Mochi-1 GitHub

• Hugging Face 上的 Mochi-1

• Genmo 博客——Mochi-1 发布

• Diffusers Mochi 文档

• Mochi 提示词指南（社区）