Sand.ai 於近日開源了其最新影片生成模型 MAGI-2-preview，宣稱這是全球首個千億引數級別的MoE（混合專家）影片生成模型。該模型總引數達 114B，但每次推理僅啟用 6B 引數，據稱生成一段 10秒1080P 影片的成本僅需 5毛錢，約為行業主流模型的 十分之一。在AA影片生成榜單上，MAGI-2-preview排名 第六，僅憑6B啟用引數便已接近第一梯隊水平。
影片生成模型面臨“不可能三角”：模型規模要大、影片長度要長、成本還要可控。Sand.ai通過MoE架構將模型容量與單次計算解耦，使模型擁有千億總容量，但推理時只啟用部分專家，從而控制成本。MAGI-2-preview採用 Multi-Head LatentMoE 思路，將 3072維 隱藏表示拆分為 12個256維 的head，每個head獨立路由，在 36層 主體網路中每層設定 3072個 專家單元，每個token在每個head內選擇6個專家，合計啟用 72個 小專家。相比DeepSeek-V4-Pro等主流MoE模型每層數百個專家，MAGI-2-preview將專家數量提升至三千級別，通過更細粒度的分工增強模型能力組合。
在架構上，MAGI-2-preview延續了Sand.ai在daVinci-MagiHuman中驗證的 單流架構，文本、影片和音訊進入同一個Transformer，在每一層自注意力中直接交換資訊，而非傳統做法中影片、音訊各自處理後再用交叉注意力融合。這種設計從第一層開始就共同建模畫面與聲音，更適合處理細微的音畫對應關係，同時統一主幹降低了延遲和維護成本，也更利於MoE擴充套件。
為支撐如此大規模的MoE，Sand.ai自研了 MagiMoE kernel庫，將路由、排序、專家計算整條鏈路壓縮，減少中間結果的視訊記憶體搬運。採用 Head Parallel 技術，在路由發生前就按head將計算分配到不同裝置，裝置間傳輸形狀固定的head表示，而非路由後數量不斷變化的專家token。最佳化器採用混合設計：矩陣引數用 Muon，專家引數用 AdamW，以適應不同性質引數的更新節奏。訓練策略上，預訓練階段儘可能完整覆蓋資料分佈，後訓練階段則專注於偏好對齊、可控性、安全性和產品適配。
Sand.ai創始人 曹越 是清華大學特等獎學金獲得者、Swin Transformer共同一作，曾聯合創辦光年之外，並在智源研究院負責多模態與視覺研究。團隊技術背景深厚，更傾向於將資源押注在基礎模型和底層基礎設施上。創新工場董事長 李開復 曾公開推薦該團隊，稱其為“AI影片生成界的DeepSeek”。
MAGI-2-preview的開源意味著影片生成領域的競爭從單純的效果比拼，擴充套件到模型可訓練性、部署控制權等維度。對於金融、醫療、工業等資料敏感行業，資料能否留在本地、模型能否針對業務繼續訓練，重要性不亞於生成效果。閉源模型依賴產品體驗和服務穩定性，開源模型則依靠部署、控制和開發者生態，兩條路線開始在更多層面正面碰撞。
儘管MAGI-2-preview已展現出潛力，但它並非影片生成的最終答案，正式版仍在開發中。其開源地址為 https://github.com/SandAI-org/MAGI-2-preview，開發者可自行下載體驗。