中国高校与字节跳动联合发布MoGA视频生成模型

来自中国科学技术大学和字节跳动的研究人员开发了一款名为MoGA（模块化全局注意力）的端到端长视频生成模型。这项创新标志着生成式AI能力的重大飞跃，可实现持续数分钟且含连贯多场景转换的高质量视频生成。

技术突破

MoGA模型生成的视频具有：

• 480p分辨率
• 每秒24帧
• 分钟级时长
• 多镜头场景转换

其核心创新在于专为应对长视频生成的上下文扩展和计算成本挑战而设计的新型注意力机制。传统模型通常最多只能生成几秒钟的短视频片段。

"通过MoGA的结构优化，"研究团队解释道，"我们可处理高达58万token的上下文信息，同时显著降低计算开销。这首次使分钟级、多场景的视频生成具备实际可行性。"

行业影响

该技术展现出强大的模块化特性，并与现有加速库兼容，包括：

• FlashAttention
• xFormers
• DeepSpeed

这种集成能力预示着在多个行业的即时实际应用：

1. 影视预可视化制作
2. 自动化广告生产
3. 游戏过场动画生成
4. 数字人内容创作
5. 教育内容开发

研究人员强调，尽管OpenAI、Pika和Runway等公司在短视频生成领域取得进展，但MoGA代表了中国在长篇AI视频制作领域的首个真正具备竞争力的成果。

全球背景

此项进展正值全球生成式视频技术竞争白热化之际。凭借在算法效率和可扩展性方面的显著优势，MoGA有望使中国站在这关键AI领域的前沿位置。

研究论文详见：https://jiawn-creator.github.io/mixture-of-groups-attention/

核心要点：

• 首个由中国研发的分钟级AI视频生成模型
• 通过创新的MoGA架构解决关键计算挑战
• 保持480p分辨率下的画质与流畅帧率
• 实现以往AI无法完成的复杂多场景叙事
• 展现创意产业领域的即时商业应用潜力