<figure><img src="https://res.cloudinary.com/dcsny9dt4/image/upload/v1779305806/Slide_4_3_-_5_ptdnib.png"></figure>

<p>Появился <b>MAGI-2 Preview</b> — открытая модель для генерации видео и аудио, которая сразу выделяется на фоне других. Если сравнивать с прежними решениями, то даже MiniMax кажется на её фоне чем-то из прошлого века. Здесь всё построено на едином Transformer-бэкбоне, который одновременно работает с текстом, видео и аудио.</p>

<video><source src="https://rss.neurootlichnik.ru/images/46b24644-fa8b-4ab5-b735-bd938c63d9cf/video_0.mp4" type="video/mp4"/></video>

<p>Главная архитектурная особенность — <b>40 слоёв Transformer</b>, из которых 36 — это MoE (Mixture of Experts), а крайние четыре — обычные dense. Внутри каждого слоя — 12 независимых head, у каждого свой набор из 256 экспертов, и на каждый токен выбирается топ-6. В итоге на одном слое потенциально 3072 expert-блока, но реально задействовано только 72. Это позволяет держать огромный объём параметров (114B), не прогоняя их все на каждом шаге.</p>
<p>Модель поддерживает генерацию видео с одновременным созданием аудио — звук не приклеивается отдельно, а получается вместе с картинкой. Сейчас доступны режимы T2V и I2V, но выход ограничен 10 секундами, и пока нет ни референсов, ни инструментов для редактирования.</p>
<p>Процесс генерации двухступенчатый: сначала base/preview (512×896), затем refiner (1088×1920), после чего при необходимости результат ресайзится до 1080×1920.</p>
<h3>Требования к железу</h3>
<p>Чтобы запустить MAGI-2 Preview, понадобится минимум 8 видеокарт <b>NVIDIA Hopper</b> (например, H100/H200). Общий размер весов — около 307 ГБ, включая отдельные компоненты для текста, аудио и видео. Особенно выделяются Stable Audio и старый Wan VAE.</p>
<p>Модель уже доступна на Artificial Analysis, где занимает второе место среди open-weight video моделей с аудио:</p>
<ul>
<li>MiniMax H3 — 1192</li>
<li>MAGI-2 Preview — 1108</li>
<li>LTX-2.3 Fast — 958</li>
</ul>
<p>MAGI-2 distilled пока не вышла, а тестов ещё мало, так что выводы делать рано.</p>
<p>Интересно, что теоретическая стоимость генерации 10 секунд 1080p — всего $0.074 (по расчётам Sand.ai), но это цена для будущей distilled-версии, которой пока нет. Официальная пользовательская цена API не раскрывается.</p>
<p>Подробнее — Sand.ai, GitHub, Artificial Analysis.</p>

Нейро Отличник

www.neurootlichnik.ru