整整61頁(yè)的技術(shù)報(bào)告中還詳細(xì)介紹了創(chuàng)新的注意力改進(jìn)和推理基礎(chǔ)設(shè)施設(shè)計(jì)，給人一種視頻版DeepSeek的感覺(jué)。

圖片

Magi-1將視頻生成卷到了新高度，大片級(jí)品質(zhì)直接鎖住大家的眼球，請(qǐng)看VCR：

其主打能力，一是無(wú)限長(zhǎng)度擴(kuò)展，實(shí)現(xiàn)跨時(shí)間的無(wú)縫連貫敘事：

圖片

二是能將生成時(shí)長(zhǎng)控制精確到每一“秒”：

圖片

另外，Magi-1對(duì)物理規(guī)律也有更深度的理解，Physics-IQ基準(zhǔn)測(cè)試56.02%，大幅領(lǐng)先一眾頂流。

現(xiàn)在看這張圖，Sora的時(shí)代是真的過(guò)去了。

圖片

這匹“黑馬”來(lái)自中國(guó)團(tuán)隊(duì)Sand.ai，中文名聽(tīng)著有點(diǎn)萌叫三呆科技，實(shí)力卻不容小覷。

創(chuàng)始人曹越，清華特獎(jiǎng)得主、光年之外聯(lián)合創(chuàng)始人。

目前大伙兒可在官網(wǎng)免費(fèi)試玩Magi-1。GitHub更是一晚過(guò)后狂攬500+Star。

圖片

此次開(kāi)源了從24B到4.5B參數(shù)的一系列模型，最低配置一塊4090就能跑。

圖片

網(wǎng)友們激動(dòng)轉(zhuǎn)發(fā)測(cè)試，評(píng)價(jià)也是相當(dāng)高，看一下這個(gè)feel：

圖片

這絕對(duì)是令人驚嘆的工作。將自回歸擴(kuò)散應(yīng)用于視頻領(lǐng)域不僅是研究上的一大步，更是為現(xiàn)實(shí)世界的創(chuàng)意領(lǐng)域開(kāi)辟了新可能。Magi-1在生成質(zhì)量和精度上樹(shù)立了新標(biāo)桿。

開(kāi)源特性+令人矚目的基準(zhǔn)測(cè)試表現(xiàn)=游戲規(guī)則改變者。

圖片

無(wú)限長(zhǎng)度擴(kuò)展，控制精確到每“秒”

還有更多官方效果展示，先來(lái)欣賞一波～

比如漂在水面上的貓，水面自然晃動(dòng)，波光粼粼：

圖片

抽著雪茄的海盜船長(zhǎng)，頗有大片的感jio：

圖片

光影等細(xì)節(jié)滿滿：

圖片

網(wǎng)友們也都陸陸續(xù)續(xù)曬出了自己的實(shí)測(cè)效果：

畫(huà)質(zhì)超清晰，VR頭顯上的細(xì)微反光以及狗的胡須和毛發(fā)細(xì)節(jié)都栩栩如生。

圖片

還有網(wǎng)友生成了正在跳舞的小動(dòng)物，belike：

圖片

量子位自然不能錯(cuò)過(guò)，第一時(shí)間上手實(shí)測(cè)了一波。

玩法上，打開(kāi)Magi-1，主打圖生成視頻，且是以一個(gè)“項(xiàng)目”為單位：

圖片

上傳好圖片之后，Magi-1像一張畫(huà)布一樣，呈現(xiàn)節(jié)點(diǎn)式的交互界面，點(diǎn)擊圖片側(cè)邊加號(hào)按鈕就能創(chuàng)建一個(gè)“視頻塊”。

開(kāi)始設(shè)置prompt，支持精確調(diào)整時(shí)長(zhǎng)，一次最長(zhǎng)10s，也可設(shè)置Variations一次性生成多個(gè)視頻：

圖片

稍等片刻，一只活蹦亂跳的吉卜力小狗就生成好了。

我們第一次嘗試就得到了下面醬嬸兒的效果，小狗的動(dòng)作姿態(tài)整體比較符合物理規(guī)律，沒(méi)有離譜的扭曲以及突然出現(xiàn)的第五條腿（doge）。

視頻左邊還有自動(dòng)改寫(xiě)增強(qiáng)后的prompt。

圖片

接著，對(duì)這段視頻進(jìn)行擴(kuò)展，小狗搖頭晃腦活蹦亂跳在表達(dá)什么呢？

圖片

原來(lái)是在講述它今天在河里游泳玩耍的事情。

圖片

把這一個(gè)個(gè)鏡頭“組裝”起來(lái)，分分鐘就能打造出一部連貫的敘事短片。

另外Magi-1中還有“資產(chǎn)管理”板塊，可基于生成的視頻再創(chuàng)建一個(gè)新項(xiàng)目，進(jìn)行二次加工創(chuàng)作。

圖片

完整模型架構(gòu)、推理基礎(chǔ)設(shè)施公開(kāi)

Magi-1公布的技術(shù)論文足足有61頁(yè)之多。

圖片

Magi-1整體架構(gòu)基于Diffusion Transformer，采用Flow-Matching作為訓(xùn)練目標(biāo)。

訓(xùn)練分為多階段，第一階段固定分辨率（256×256，16 幀），第二階段引入可變分辨率和圖像-視頻聯(lián)合訓(xùn)練，并在推理時(shí)使用滑動(dòng)窗口方法來(lái)支持任意分辨率。

其最大的特點(diǎn)是不把視頻當(dāng)成一個(gè)整體去生成，而是通過(guò)自回歸去噪方式預(yù)測(cè)固定長(zhǎng)度的視頻片段（chunk），每個(gè)片段固定為24幀。

當(dāng)前一個(gè)片段達(dá)到一定去噪水平后，便開(kāi)始生成下一個(gè)片段。這種流水線設(shè)計(jì)最多可同時(shí)處理四個(gè)片段，提高視頻生成的效率。

同時(shí)，這種約束早期片段噪聲水平低于后期片段的設(shè)計(jì)，確保了視頻前后的因果性，避免片段的信息影響過(guò)去，導(dǎo)致時(shí)間一致性差（如物體突然消失或運(yùn)動(dòng)軌跡斷裂）。

圖片

配合這種分片段自回歸設(shè)計(jì)，Magi-1在Diffusion Transformer的基礎(chǔ)上融入了多項(xiàng)改進(jìn)。

圖片

光是在注意力機(jī)制上就有多項(xiàng)創(chuàng)新。

Block-Causal Attention

• 片段內(nèi)全注意力：每個(gè)視頻片段內(nèi)的所有幀間進(jìn)行全注意力計(jì)算，捕捉片段內(nèi)短時(shí)序依賴（如單片段內(nèi)物體的快速運(yùn)動(dòng)）。
• 片段間因果注意力：僅允許當(dāng)前片段關(guān)注之前已生成的片段，禁止未來(lái)片段信息反向流入，確保因果性。
• 3D RoPE 位置編碼：結(jié)合空間和時(shí)間位置信息，學(xué)習(xí)可訓(xùn)練的基頻參數(shù)，提升長(zhǎng)時(shí)序建模能力。

Parallel Attention Block

傳統(tǒng)DiT架構(gòu)中自注意力（處理視覺(jué)特征）和交叉注意力（處理文本條件）串行執(zhí)行，需兩次TP通信（Tensor Parallel）；并行塊將兩者的查詢投影Q共享，僅需一次通信，減少GPU間同步開(kāi)銷

QK-Norm和GQA

QK-Norm是源自視覺(jué)Transformer的技術(shù)，通過(guò)歸一化查詢（Q）和鍵（K）的范數(shù)，穩(wěn)定注意力權(quán)重計(jì)算，避免梯度爆炸/消失。Magi-1將其擴(kuò)展到時(shí)空注意力和交叉注意力模塊，提升訓(xùn)練穩(wěn)定性，尤其在240億參數(shù)規(guī)模下效果顯著。

接下來(lái)的GQA、FFN 中的三明治歸一化、SwiGLU大家就很熟悉了。

到了具體軟硬協(xié)同層面，論文還提出了可擴(kuò)展分布式注意力機(jī)制MagiAttention。

Flex-Flash-Attention

基于FlashAttention-3，將不規(guī)則注意力掩碼分解為多個(gè) AttnSlice，使各種常用注意力掩碼可表示為多個(gè)AttnSlice的組合，從而支持靈活的注意力掩碼類型。利用英偉達(dá)Hopper 架構(gòu)的TMA 特征，引入Slice級(jí)并行和原子操作，在支持靈活掩碼的同時(shí)，保持與FlashAttention-3相當(dāng)?shù)挠?jì)算性能。

計(jì)算負(fù)載均衡

將整個(gè)掩碼沿查詢維度均勻劃分為多個(gè)dispatch chunks，并分配到不同的上下文并行（CP）對(duì)應(yīng)的bucket中，使每個(gè)bucket包含相同數(shù)量的dispatch chunks，避免因負(fù)載不均衡導(dǎo)致的計(jì)算資源閑置。

零冗余通信原語(yǔ)

針對(duì)現(xiàn)有環(huán)形點(diǎn)對(duì)點(diǎn)通信原語(yǔ)存在冗余通信的問(wèn)題，引入group-cast和 group-reduce原語(yǔ)。根據(jù)注意力掩碼的需求，精準(zhǔn)地發(fā)送和收集關(guān)鍵值（KV）及梯度（dKV）信息，避免不必要的通信，實(shí)現(xiàn)零冗余通信。通過(guò)使用all-to-all-v原語(yǔ)進(jìn)行原型實(shí)現(xiàn)，并借助內(nèi)核融合減少預(yù)處理和后處理開(kāi)銷。

圖片

自適應(yīng)多階段重疊

為實(shí)現(xiàn)真正的線性擴(kuò)展，引入多階段計(jì)算-通信重疊策略，將每個(gè)rank的遠(yuǎn)程 KV/dKV 通信劃分為多個(gè)階段。

在正向傳遞中，先啟動(dòng)group-cast內(nèi)核預(yù)取下一階段的遠(yuǎn)程KV，然后異步執(zhí)行Flex-Flash-Attention（FFA）內(nèi)核進(jìn)行部分注意力計(jì)算；

在反向傳遞中，除了預(yù)取 KV，還在啟動(dòng) FFA 內(nèi)核前，通過(guò)group-reduce內(nèi)核減少上一階段的dKV。通過(guò)引入可調(diào)節(jié)超參數(shù)num_stages，根據(jù)不同訓(xùn)練設(shè)置、微批次以及正向和反向傳遞的計(jì)算-通信比率，自適應(yīng)地控制重疊粒度。

所有這些改動(dòng)作為一個(gè)完整的MagiAttention項(xiàng)目，代碼也在GitHub上開(kāi)源。

圖片

推理基礎(chǔ)設(shè)施方面，主要針對(duì)兩種場(chǎng)景進(jìn)行設(shè)計(jì)：實(shí)時(shí)流式視頻生成和在 RTX 4090 GPU 上的經(jīng)濟(jì)高效部署，以滿足不同應(yīng)用需求。

在實(shí)時(shí)流式視頻生成上采用異構(gòu)服務(wù)架構(gòu)，將T5（提取文本Embedding，為視頻生成提供語(yǔ)義信息）和Magi-1部署在高性能GPU 上，VAE部分部署在經(jīng)濟(jì)高效的硬件上，實(shí)現(xiàn)Magi-1推理和VAE解碼并發(fā)執(zhí)行，并通過(guò)分析性能數(shù)據(jù)來(lái)分配資源，提升整體吞吐量。

針對(duì)RTX4090部署場(chǎng)景，借鑒語(yǔ)言模型將KV緩存存儲(chǔ)在CPU內(nèi)存中，根據(jù)需要?jiǎng)討B(tài)加載回GPU。針對(duì)RTX4090的PCIe總線帶寬限制，提出Context Shuffle Overlap（CSO）技術(shù)，優(yōu)化通信與計(jì)算的重疊，提升計(jì)算資源利用率，使4.5B參數(shù)模型在單塊RTX 4090 GPU上部署時(shí)，峰值內(nèi)存占用控制在21.94GB；24B模型在8塊RTX4090 GPU上部署時(shí)，峰值內(nèi)存占用控制在19.29GB，且最大MFU（浮點(diǎn)運(yùn)算數(shù)利用率）達(dá)到 58% 。

最后，評(píng)估結(jié)果分為內(nèi)部人工評(píng)估、自動(dòng)評(píng)估（VBench-I2V基準(zhǔn)）、物理理解能力評(píng)估三部分。

人類評(píng)估中Magi-1與海螺、騰訊混元、通義萬(wàn)相Wan2.1相比，尤其是在指令跟隨和運(yùn)動(dòng)質(zhì)量方面有優(yōu)勢(shì)，與閉源模型可靈1.6在視覺(jué)質(zhì)量上還有一些差距。

圖片

在VBench-I2V基準(zhǔn)上：MAGI-1（2×解碼器）以總分89.28排名第一，尤其在動(dòng)態(tài)程度（Dynamic Degree）上有優(yōu)勢(shì)，平衡運(yùn)動(dòng)幅度與圖像質(zhì)量。

圖片

曹越執(zhí)掌的團(tuán)隊(duì)，已完成三輪融資

Sand.AI創(chuàng)始人曹越，博士畢業(yè)于清華大學(xué)軟件學(xué)院，2018年獲清華大學(xué)特等獎(jiǎng)學(xué)金。

讀博期間在微軟MSRA實(shí)習(xí)，2021年以Swin Transformer共同一作身份獲ICCV最佳論文“馬爾獎(jiǎng)”。

2022年，曹越與王慧文等共同創(chuàng)辦光年之外，后加入智源研究院領(lǐng)導(dǎo)多模態(tài)與視覺(jué)研究中心。

2023年曹越創(chuàng)辦Sand.ai，在很長(zhǎng)一段時(shí)間保持隱身模式。

2024年7月，其投資方今日資本“風(fēng)投女王”徐新的一條傳聞把Sand.ai炸出水面。

當(dāng)時(shí)有人發(fā)帖稱“今日資本撤離一級(jí)市場(chǎng)”，徐新發(fā)朋友圈辟謠時(shí)透露，2024年5月今日資本領(lǐng)投了Sand.AI的早期融資。

到現(xiàn)在據(jù)了解，Sand.AI已完成三輪融資，主要參與方包括今日資本、經(jīng)緯創(chuàng)投等。

創(chuàng)新工廠創(chuàng)始人李開(kāi)復(fù)剛剛也發(fā)帖推薦了Sand.AI與Magi-1，稱“很高興看到繼 DeepSeek 之后，又有一家AI公司開(kāi)發(fā)出世界一流的開(kāi)源模型”。

圖片

目前Sand.ai具體融資金額，團(tuán)隊(duì)規(guī)模等尚未可知，不過(guò)從MAGI-1論文附帶的貢獻(xiàn)者名單看，核心技術(shù)團(tuán)隊(duì)至少有36人。

圖片

其中很多成員與曹越在工作經(jīng)歷上有交集。

如創(chuàng)始成員方羽新，有微軟MSRA、智源研究院實(shí)習(xí)經(jīng)歷，也是光年之外創(chuàng)始成員之一。

圖片

兩人在智源研究院期間在大規(guī)模視覺(jué)表征預(yù)訓(xùn)練模型EVA系列上多次合作。

圖片

核心貢獻(xiàn)者李凌志，也有MSRA實(shí)習(xí)經(jīng)歷，曾擔(dān)任小紅書(shū)算法主管和阿里巴巴集團(tuán)達(dá)摩院算法專家。

圖片

多位團(tuán)隊(duì)成員在個(gè)人主頁(yè)等處介紹自己現(xiàn)在為一家隱形初創(chuàng)公司工作。

現(xiàn)在答案已經(jīng)明了，他們?cè)赟and AI，做AI視頻生成界的DeepSeek。

在線試玩：https://sand.ai/

參考鏈接：

[1] https://github.com/SandAI-org/MAGI-1

[2]https://static.magi.world/static/files/MAGI_1.pdf

[3]https://x.com/kaifulee/status/1914528611429966315