Sand.ai 于近日开源了其最新视频生成模型 MAGI-2-preview，宣称这是全球首个千亿参数级别的MoE（混合专家）视频生成模型。该模型总参数达 114B，但每次推理仅激活 6B 参数，据称生成一段 10秒1080P 视频的成本仅需 5毛钱，约为行业主流模型的 十分之一。在AA视频生成榜单上，MAGI-2-preview排名 第六，仅凭6B激活参数便已接近第一梯队水平。
视频生成模型面临“不可能三角”：模型规模要大、视频长度要长、成本还要可控。Sand.ai通过MoE架构将模型容量与单次计算解耦，使模型拥有千亿总容量，但推理时只激活部分专家，从而控制成本。MAGI-2-preview采用 Multi-Head LatentMoE 思路，将 3072维 隐藏表示拆分为 12个256维 的head，每个head独立路由，在 36层 主体网络中每层设置 3072个 专家单元，每个token在每个head内选择6个专家，合计激活 72个 小专家。相比DeepSeek-V4-Pro等主流MoE模型每层数百个专家，MAGI-2-preview将专家数量提升至三千级别，通过更细粒度的分工增强模型能力组合。
在架构上，MAGI-2-preview延续了Sand.ai在daVinci-MagiHuman中验证的 单流架构，文本、视频和音频进入同一个Transformer，在每一层自注意力中直接交换信息，而非传统做法中视频、音频各自处理后再用交叉注意力融合。这种设计从第一层开始就共同建模画面与声音，更适合处理细微的音画对应关系，同时统一主干降低了延迟和维护成本，也更利于MoE扩展。
为支撑如此大规模的MoE，Sand.ai自研了 MagiMoE kernel库，将路由、排序、专家计算整条链路压缩，减少中间结果的显存搬运。采用 Head Parallel 技术，在路由发生前就按head将计算分配到不同设备，设备间传输形状固定的head表示，而非路由后数量不断变化的专家token。优化器采用混合设计：矩阵参数用 Muon，专家参数用 AdamW，以适应不同性质参数的更新节奏。训练策略上，预训练阶段尽可能完整覆盖数据分布，后训练阶段则专注于偏好对齐、可控性、安全性和产品适配。
Sand.ai创始人 曹越 是清华大学特等奖学金获得者、Swin Transformer共同一作，曾联合创办光年之外，并在智源研究院负责多模态与视觉研究。团队技术背景深厚，更倾向于将资源押注在基础模型和底层基础设施上。创新工场董事长 李开复 曾公开推荐该团队，称其为“AI视频生成界的DeepSeek”。
MAGI-2-preview的开源意味着视频生成领域的竞争从单纯的效果比拼，扩展到模型可训练性、部署控制权等维度。对于金融、医疗、工业等数据敏感行业，数据能否留在本地、模型能否针对业务继续训练，重要性不亚于生成效果。闭源模型依赖产品体验和服务稳定性，开源模型则依靠部署、控制和开发者生态，两条路线开始在更多层面正面碰撞。
尽管MAGI-2-preview已展现出潜力，但它并非视频生成的最终答案，正式版仍在开发中。其开源地址为 https://github.com/SandAI-org/MAGI-2-preview，开发者可自行下载体验。