MAGI-2 Preview – Sand.ai发布并开源的统一音视频生成模型

MAGI-2 Preview是北京AI视频生成创企Sand.ai（清华系团队）正式发布并开源的统一音视频生成模型。该模型总参数约114B（千亿级），采用MoE（混合专家）架构，单次前向计算仅激活约6B参数，是全球首个千亿级开源MoE视频生成模型。发布当天，模型代码与权重全部开源。在 Artificial Analysis Image to Video 视频生成榜单中排名第六，仅用6B激活参数即接近闭源第一梯队水平。

该模型延续了 Sand.ai 在 daVinci-MagiHuman（15B单流音视频模型，2026年3月开源）中验证的技术路线，将参数规模从百亿级跃升至千亿级，同时保持极低的推理成本——蒸馏后生成10秒1080P视频的推理成本仅约0.5元人民币，约为行业主流模型的十分之一。

MAGI-2 Preview核心特点

1. 千亿参数、极低激活

总参数114B，但每次前向仅激活约6B，实现了“大容量、低成本”的平衡。
在 Artificial Analysis 榜单上，以6B激活参数达到了接近闭源第一梯队的生成质量。

2. 音视频统一生成

不是”先生成视频再配音”的流水线模式，而是声音、口型、表情、动作和镜头节奏从生成开始便被共同建模。
支持音画同步、 lip-sync（唇形对齐）、自然语音与表情协调。

3. 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。
告别传统的多流结构、跨注意力模块或模态专用融合分支。

4. 完全开源

代码、权重、推理框架全部开放，开发者可自由使用、微调和商用。
配套开源了高性能MoE算子库 MagiMoE。

5. 极致推理性价比

蒸馏版在8卡H100上生成10秒1080P视频仅需约0.5元。
每秒生成成本约0.05元，为行业主流模型的十分之一。

MAGI-2 Preview技术原理

1. 单流Transformer架构

文本、视频和音频被放进同一个上下文序列，在每一层 self-attention 中直接交互。
统一主干减少了多套模型串联带来的接口、延迟与维护成本。
声音、口型、表情、动作和镜头节奏从生成开始便被共同建模，更适合处理细微的音画对应关系。

2. Multi-Head MoE 机制

模型将3072维隐藏表示拆分为12个256维Head。
在36层主体网络中采用 Multi-Head MoE。
每个Head拥有256个专家，每次选择其中6个。
一个Token在12个Head中合计激活72个小专家，在扩大模型总容量的同时将单次计算的激活参数量控制在约6B。

3. 共享专家与模态专属专家

模型内部设有共享专家处理三种模态的共性特征（如场景语义、运动趋势）。
同时为文本、视频和音频保留了各自的模态专属专家，确保各模态的精细化建模能力。

4. 路由策略与Head Parallel

针对MoE模型规模扩大后带来的跨设备通信问题，引入跨节点Head Parallel策略。
将路由粒度与通信效率进行联合优化，避免数千个专家在分布式训练/推理中出现通信瓶颈。

5. 高性能算子库 MagiMoE

Sand.ai 自研的高性能 MoE kernel 库，覆盖路由、专家排序与专家计算的完整链路。
将原本分散的步骤合并执行，减少kernel launch开销与内存拷贝。

6. 工程优化

混合精度训练/推理：降低显存占用，提升吞吐。
激活重计算：以少量重计算换取大幅显存节省，支撑千亿参数训练。
蒸馏：提供蒸馏版本，进一步降低部署门槛和推理成本。

7. 统一音视频扩散

在扩散模型框架下统一处理音视频生成任务，配合MoE架构实现容量扩展。

MAGI-2 Preview核心优势

1. 视频生成Scaling新范式

证明了视频模型的Scaling不能简单照搬LLM的稠密模型路线，MoE稀疏激活是视频生成领域的有效扩展路径。
在仅激活6B参数的条件下逼近第一梯队效果，为行业提供了”千亿容量、百亿成本”的新选择。

2. 音画原生同步

相比”先生成画面→再配音/对口型”的两阶段方案，单流架构从源头消除了音画脱节问题。
唇形、表情、肢体动作与语音在生成过程中联合优化，效果更自然。

3. 极致性价比

每秒生成成本约0.05元，为行业主流的十分之一。
大幅降低了中小团队和个人创作者使用高质量视频生成的门槛。

4. 开源生态价值

全球首个千亿级MoE视频生成模型完全开源，填补了开源社区在该规模上的空白。
配套开源MagiMoE算子库，为后续研究者和开发者提供了完整的工程参考。

5. 生成质量全面

支持AI漫剧（声台形表俱全）、长镜头运镜、商业广告级画面。
视角跟随人物动作切换自如，运镜、对焦和人物表现可与闭源第一梯队同台竞争。

MAGI-2-preview项目地址

项目官网：https://sand.ai/blog/magi-2-preview
GitHub仓库：https://github.com/SandAI-org/MAGI-2-preview

MAGI-2 Preview应用场景

1. AI短剧与漫剧制作

一键生成带配音、口型对齐、表情自然的短剧片段。
支持多角色对话场景，声音与画面同步生成，无需后期配音对口型。

2. 商业广告与营销视频

快速生成产品展示、品牌宣传等商业级视频。
运镜、对焦、光影表现达到商用标准，大幅缩短制作周期。

3. 数字人与虚拟直播

生成自然语音、逼真表情和协调肢体动作的数字人视频。
适用于虚拟主播、在线教育讲师、客服数字人等场景。

4. 影视预演与概念验证

导演/编剧可快速将剧本转化为带声音的动态预览。
长镜头生成能力支持连续运镜，辅助分镜设计和拍摄规划。

5. 社交媒体与内容创作

个人创作者可低成本批量生成短视频内容。
支持多语言语音生成，便于跨平台、跨地区内容分发。

6. 游戏与交互内容

为游戏过场动画、NPC对话等生成带语音的动态画面。
音画同步特性使角色表演更加生动自然。

7. 学术研究与模型迭代

作为开源基座，供研究者探索视频生成Scaling、MoE路由优化、多模态融合等前沿方向。
MagiMoE算子库可作为分布式MoE系统工程研究的参考实现。

最后想说

MAGI-2 Preview用MoE稀疏激活架构为视频生成模型找到了一条”容量可扩展、成本可控制”的Scaling新路。它证明了视频生成领域无需盲目堆叠稠密参数，通过Multi-Head MoE + 单流架构的组合，可以在千亿参数容量下仅激活6B参数即达到顶级生成质量。同时，音视频原生统一生成消除了传统流水线中音画脱节的顽疾，而完全开源的策略则为整个社区提供了可复现、可迭代的千亿级视频生成基座，有望推动AI视频生成从”少数巨头的闭源能力”走向”全行业可及的开源基础设施”。