MAGI-2

MAGI-2 是什么？ 为什么 MAGI-2 值得关注？ MAGI-2 能做什么？ 部署门槛高吗？ 值不值得用？ MAGI-2 Preview 是 Sand.ai 在 2026 年 8 月 5 日发布并开源的千亿级（114B 总参数）MoE 音视频生成模型，也是目前全球首个开源的千亿参数视频生成模型。它最核心的特点只有一句话：把文本、视频、音频放进同一个 Transformer 里联合建模，一次就能生成 10 秒 1080p、且画面与声音天然同步的视频。 对创作者来说，这意味着过去“先出画面、再单独配口型/音效”的多段链路被压缩成一步——人物说话时，口型、表情、身体动作和环境声由同一套主干共同生成，镜头完整度更高。 语言模型早就被 MoE 推到千亿、万亿级，开源视频模型却长期停在十几 B。MAGI-2 用一套叫 MagiMoE 的超细粒度专家架构把总参数推到 114B，却把每个 token 实际激活的参数压到约 6B：它将 3072 维隐藏表示拆成 12 个 256 维 head，每个 head 有 256 个专家、每次只选 6 个，单层共 3072 个 head-local 专家单元、每 token 激活 72 个。 结果就是“存储容量很大、单步计算很省”——在 Artificial Analysis 视频生成榜单上排第 6，用的却只是 6B 激活参数。 多数开源视频模型只生成无声画面，音频要靠后续对口型或配乐补上。MAGI-2 延续 Sand.ai 在 MagiHuman 论文里的单流架构：文本、视频、音频作为统一 token 序列，在同一主干的每一层 self-attention 里持续交换信息。口型、表情、动作、对白、环境声从生成一开始就互相影响，而不是最后拼接。