# Mochi-1 视频

**Mochi-1** 是 Genmo 的开源 100 亿参数视频生成模型，能够生成 848×480 @ 30fps 的输出并呈现物理上逼真的运动。它采用不对称扩散变换器（AsymmDiT）架构，在运动保真度方面位列开源视频模型的前列。将其部署到 Clore.ai 的 GPU 云上，以远低于商业 API 成本的价格生成专业级视频。

***

## 什么是 Mochi-1？

Mochi-1 是一个 **100 亿参数** 视频扩散模型，训练目标是生成具备以下特性的影片：

* 平滑、物理上合理的运动
* 高时间一致性
* 强烈遵从提示
* 848×480 分辨率，30 fps

它使用了一个 **不对称扩散变换器** （AsymmDiT）架构 — 对视频和文本使用不同的编码器深度 — 可实现规模化的高效推理。权重在 Genmo 开源许可下发布，供研究和商业使用均免费。

**模型亮点：**

* 100 亿参数
* 原生 848×480 @ 30 fps 输出
* 高运动保真度（在社区基准中排名靠前）
* 在 Hugging Face 可用并集成到 diffusers
* 提供 Gradio 演示界面，便于交互

***

## 先决条件

| 要求      | 最低要求     | 推荐配置        |
| ------- | -------- | ----------- |
| GPU 显存  | 24 GB    | 40–80 GB    |
| GPU     | RTX 4090 | A100 / H100 |
| 内存（RAM） | 32 GB    | 64 GB       |
| 存储      | 60 GB    | 100 GB      |
| CUDA    | 11.8+    | 12.1+       |

{% hint style="warning" %}
Mochi-1 是一个大型模型（fp8 约 40 GB / bf16 约 80 GB）。单张 RTX 4090（24 GB）可以通过量化运行。要获得完整质量，请使用 A100 40 GB 或更大。支持多 GPU 配置。
{% endhint %}

***

## 步骤 1 — 在 Clore.ai 上租用 GPU

1. 前往 [clore.ai](https://clore.ai) 并登录。
2. 点击 **市场** 并筛选：
   * 显存（VRAM）： **≥ 24 GB** （最低 RTX 4090，推荐 A100）
   * 对于多 GPU：按 GPU 数量 ≥ 2 进行筛选
3. 选择你的服务器并点击 **配置**.
4. 将 Docker 镜像设置为 `pytorch/pytorch:2.4.1-cuda12.4-cudnn9-devel` （基础镜像 — 我们会在其内安装 Mochi）。
5. 设置开放端口： `22` （SSH）和 `7860` （Gradio 界面）。
6. 点击 **租用**.

{% hint style="info" %}
Clore.ai 提供的 A100 40 GB 实例起价约 \~$0.60–$0.90/小时。对于全质量的 Mochi-1，这是最具成本效益的选择。
{% endhint %}

***

## 第 2 步 — 自定义 Dockerfile

构建你自己的镜像或使用此 `Dockerfile` 来创建一个开箱即用的 Mochi-1 环境：

```dockerfile
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/*

# 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 依赖项
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 环境已准备就绪。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 帐户（替换 `YOUR_DOCKERHUB_USERNAME` 为你的实际用户名）：

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

然后使用 `YOUR_DOCKERHUB_USERNAME/mochi-1:latest` 作为你在 Clore.ai 中的 Docker 镜像。

{% hint style="info" %}
Docker Hub 上没有官方的预构建 Mochi-1 镜像。你需要根据上述 Dockerfile 构建。或者，直接使用 `pytorch/pytorch:2.4.1-cuda12.4-cudnn9-devel` 作为基础镜像，并通过 SSH 手动运行设置命令。
{% endhint %}

***

## 步骤 3 — 通过 SSH 连接

实例启动后：

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

***

## 第 4 步 — 下载 Mochi-1 权重

模型权重托管在 Hugging Face。通过 `huggingface_hub` CLI 下载：

```bash
cd /workspace

# 如果未安装 huggingface-cli，则安装
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"
```

{% hint style="info" %}
完整的 bf16 模型大约为 80 GB。其 `fp8` 量化版本约为 40 GB，可在带 CPU 卸载的 RTX 4090（24 GB）上运行。指定 `--include "*fp8*"` 以仅下载量化权重。
{% endhint %}

### 替代：仅下载 fp8 量化权重

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

***

## 第 5 步 — 启动 Gradio 演示

Mochi-1 附带一个 Gradio Web 界面，便于文本到视频的生成：

```bash
cd /workspace/mochi

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

**对于低显存模式（RTX 4090，24 GB）：**

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

{% hint style="info" %}
参数 `--cpu_offload` 该标志会在模型层未使用时将其移动到 CPU 内存，从而将峰值显存降低到约 18–20 GB，但生成速度约慢 2 倍。
{% endhint %}

***

## 第 6 步 — 访问 Web 界面

打开浏览器并访问：

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

你将看到 Mochi-1 的 Gradio 界面，包含：

* 文本提示输入框
* 生成设置（步数、guidance scale、随机种子）
* 视频输出播放器

***

## 第 7 步 — 生成你的第一个视频

### 示例提示词

**自然场景：**

```
一条雄伟的瀑布从长满苔藓的岩石上倾泻而下，位于郁郁葱葱的热带雨林中， 
黄金时刻的阳光穿过树冠，缓慢的电影式平移
```

**动作场景：**

```
一只猎豹在开阔的大草原上全速奔跑， 
尘土在其身后飞扬，戏剧性的广角镜头，4K 野生动物纪录片风格
```

**抽象/艺术：**

```
彩色颜料在水中以极慢速旋转， 
鲜艳的蓝色和橙色颜料混合，微距镜头，工作室灯光
```

### 推荐设置

| 参数                   | 数值          |
| -------------------- | ----------- |
| 步数                   | 64          |
| guidance scale（引导尺度） | 4.5         |
| 时长                   | 5.1 秒（默认）   |
| 分辨率                  | 848×480（原生） |

{% hint style="info" %}
生成时间因 GPU 而异。在 A100 80 GB 上，生成一个 5 秒视频大约需要 **2–4 分钟**。在带 CPU 卸载的 RTX 4090 上，预计需要 **8–15 分钟**.
{% endhint %}

***

## Python API 使用

要进行编程生成，请使用 diffusers 管道：

```python
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沙滩上玩取物，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("视频已保存为 output.mp4")
```

### 批量生成脚本

```python
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 = [
    "一只蝴蝶慢动作落在花朵上，微距摄影",
    "海浪在日落时拍打着岩石悬崖的镜头，航拍画面",
    "极光在星空下于冰冻湖面上方舞动",
]

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

要使用多 GPU 提升生成速度：

```python
import torch
from diffusers import MochiPipeline

# 使用 device_map 实现自动多 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="在此输入你的提示",
    num_frames=84,
    guidance_scale=4.5,
    num_inference_steps=64,
).frames[0]
```

{% hint style="info" %}
Clore.ai 提供多 GPU 服务器（2×、4× RTX 4090 或 A100）。使用 2× A100 80 GB 时，生成 5 秒片段的时间可降至 60 秒以内。
{% endhint %}

***

## 故障排除

### CUDA 内存不足（Out of Memory）

```
torch.cuda.OutOfMemoryError：CUDA 内存不足
```

**将批量大小减小到 1**

1. 将 `--cpu_offload` 添加到 gradio 命令中
2. 启用 VAE 切片： `pipe.enable_vae_slicing()`
3. 减少 `num_frames（帧数）` （尝试用 24 代替 84）
4. 使用 fp8 量化权重代替 bf16

### 模型加载缓慢

**解决方案：** 确保权重存放在快速的 NVMe 驱动器上，而不是 HDD。检查存储速度：

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

### 视频伪影 / 时间闪烁

**将批量大小减小到 1**

* 增加推理步数（尝试 80–100）
* 调整 guidance scale（通常 3.5–5.0 范围最佳）
* 使用特定种子以保证可复现性和便于迭代

### 端口 7860 无法访问

检查端口是否在 Clore.ai 中正确打开并且 Gradio 服务器绑定到 `0.0.0.0`:

```bash
ss -tlnp | grep 7860
```

***

## 成本估算

| GPU               | 显存（VRAM） | 预计价格       | 5 秒视频时间    |
| ----------------- | -------- | ---------- | ---------- |
| RTX 4090          | 24 GB    | 约 $0.35/小时 | \~10–15 分钟 |
| A100 40GB         | 40 GB    | \~$0.70/小时 | \~3–5 分钟   |
| 💡 本指南中的所有示例均可部署在 | 80 GB    | \~$1.20/小时 | \~2–3 分钟   |
| 2× A100 80GB      | 160 GB   | \~$2.20/小时 | \~60–90 秒  |

***

## Clore.ai 的 GPU 建议

Mochi-1 对显存要求很高 — 这个 100 亿参数模型需要谨慎选择 GPU。

| GPU               | 显存（VRAM） | Clore.ai 价格 | 模式         | 5 秒视频生成时间  |
| ----------------- | -------- | ----------- | ---------- | ---------- |
| RTX 4090          | 24 GB    | \~$0.70/小时  | 仅 fp8 量化   | \~10–15 分钟 |
| A100 40GB         | 40 GB    | \~$1.20/小时  | 推荐 bf16    | \~3–5 分钟   |
| 💡 本指南中的所有示例均可部署在 | 80 GB    | \~$2.00/小时  | 完整 bf16，快速 | \~2–3 分钟   |
| 2× A100 80GB      | 160 GB   | \~$4.00/小时  | 张量并行，最快    | \~60–90 秒  |

{% hint style="warning" %}
**不推荐使用 RTX 3090（24GB）** — Mochi-1 在 fp8 模式下最低需要 24GB，几乎没有余量。RTX 4090（24GB）在 fp8 下可工作，但在更长序列上经常 OOM。要获得可靠结果，请先使用 A100 40GB。
{% endhint %}

**性价比最高的质量选择：** A100 40GB 约 \~$1.20/小时可在 3–5 分钟内生成一个 5 秒片段。每个视频片段成本约 \~$0.08–0.10 — 显著低于 Runway ML（$0.25–0.50/片）或 Pika Labs 订阅费用。

***

## 有用的资源

* [Mochi-1 GitHub](https://github.com/genmoai/mochi)
* [Mochi-1 在 Hugging Face](https://huggingface.co/genmo/mochi-1-preview)
* [Genmo 博客 — Mochi-1 发布](https://www.genmo.ai/blog/mochi-1)
* [Diffusers Mochi 文档](https://huggingface.co/docs/diffusers/api/pipelines/mochi)
* [Mochi 提示词指南（社区）](https://github.com/genmoai/mochi/blob/main/README.md)


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-zh/shi-pin-sheng-cheng/mochi-1.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.