Mochi 1：480P，但它把「运动」这件事做对了
AI 视频最容易翻车的不是画质，是运动：人走路像滑行、手抬起来像橡皮、物体移动没有惯性。画质可以靠超分补，运动不自然是无解的。
Mochi 出片时的第一印象往往是「动得挺对」，这在 480P 时代是稀缺品质。
一、它做对的三件事
1. 非对称结构
把「理解文本」和「生成画面」拆成两个规模不同的网络：文本侧小而精，视觉侧大而深。好处是同一套文本编码能被多个视觉模型复用，训练时也更省算力。
2. 运动幅度可控
同一个提示词，它能在「几乎静止」和「大幅运动」之间给出一段连续的控制区间，而不是只有「动不动」两个极端。这个能力在拼接镜头时特别有用——相邻镜头的运动幅度要接近，否则接起来会跳。
3. 提示词跟随度高
多个主体、指定方向、指定先后顺序这类复合指令，它执行得比同代模型稳。原因还是数据标注细，这也解释了为什么它的出片「像你描述的那件事」。
二、480P 是不是不能用了
分场景看：
| 用途 | 480P 够不够 |
|---|---|
| 分镜预演、动态草稿 | 完全够 |
| 短视频平台（竖屏小窗） | 勉强够，需超分 |
| 横屏成片、投屏播放 | 不够 |
| 广告、影视 | 不够 |
它的合理位置是「草稿机」：先用它把运动意图试对，再换高质量模型重跑同一个构图。
三、显存这件事
100 亿参数，fp16 权重约 20 GB，原生推理需要专业卡。量化到 8-bit 或 4-bit 后，24 GB 卡能跑，速度中规中矩。所以它今天的实用价值，主要落在「有一张 24G 卡、想快速试运动」这个场景。
四、它留下的方法论
- 运动质量优先级高于分辨率：观众能忍受模糊，忍不了「滑行式走路」；
- 运动幅度要可控：剪辑时需要的是连续可调的参数，不是二值开关；
- 训练代码比权重更值钱：它把训练流程也公开了，这在当时很少见。
五、现在还值得用吗
如果目标是「出片」，不值得——分辨率太低，生态也在放缓。
如果目标是「快速验证一个运动想法」，它仍然可用，而且推理速度比 14B 级模型快。
更实际的做法：把这些经验用在选型上。今天挑模型时，先看它在运动幅度控制和提示词跟随上有没有独立参数，再看分辨率——前者决定能不能用，后者决定好不好看。
相关阅读
版权声明：如无特殊标注，文章均为本站原创，转载时请以链接形式注明文章出处。
