287亿参数音视频模型开源，单卡30秒生成5秒视频

AI视频生成算力成本高昂，批量制作时反复生成、修改和重试的开销会不断累积。Agnes开源的音视频生成模型Agnes-Video-2.0-MoE针对推理效率进行探索：单张H200 GPU约30秒生成5秒视频，推理速度较Dense模型提升约20%，较同类MoE模型快2倍以上。其思路是将Dense模型改造成MoE以扩大容量，再通过专家剪枝缩小实际计算量。

团队以约153亿参数的DaVinci-MagiHuman预训练音视频生成模型为基础，保留大部分结构，将40层网络中间32层的部分计算模块各扩展为三个专家网络。路由机制每次只选一个专家参与计算，使总参数量达约287亿，而每次激活参数量仍与改造前约153亿相当。这为已有Dense模型的架构转换提供了参考路径，开发者可利用已训练好的网络建立专家，不必从头训练新模型。

不过，每个专家仍与原来网络一样大，路由选择还带来额外开销。Agnes下一步通过EENP（弹性专家神经元剪枝）精简专家内部计算。EENP先分别评估专家内部计算通道对视频、音频和文字的贡献，再统一尺度、按权重合并结果，据此保留重要通道，删除贡献较小的通道及相关参数，缩小矩阵运算规模。Agnes还调整去噪步骤的计算安排，提供Quality和Fast两种配置：Quality保留更多重要通道，侧重质量；Fast选用贡献较高的一部分，加快处理。模型在更关键的去噪步骤使用Quality，其余步骤使用Fast，两种配置共用一份权重，无需加载两套模型。

实验中，EENP“60%剪枝”配置下，模型平均激活参数量降至约117亿，去噪耗时从未剪枝版本的26.83秒降至20.92秒，减少约22%；相比原Dense模型，去噪耗时减少约13%。但效率提升伴随质量取舍：在VBench-2.0评测中，剪枝后模型得分约为未剪枝MoE的92.4%。低运动场景中人物身份与构图仍较稳定；高运动场景下，随着剪枝加深，手部、工具边缘等细节更易退化。这提示开发者需结合内容类型选择推理配置。

Agnes近期还有另一成果：其视频模型Agnes Video 2.5进入Artificial Analysis视频综合榜全球前十。Agnes Video 2.5的720p视频API基础价格为每秒0.025美元，1080p默认配置参考价格为每分钟2.4美元。旗下视频创作平台Pavo每天赠送200积分，可用于体验Agnes Video 2.5，平台上的Agnes Video 2.5 Flash可免费使用。综合API接入和Pavo平台内部使用情况，Agnes视频模型日均调用生成时长已达560万秒，约合1556小时；抖音平台中Pavo相关话题量超过3亿。

整体而言，MoE解决扩展容量与按需调用问题，EENP进一步减少专家内部计算，两者协作形成连续优化路径。Agnes对视频模型的MoE改造换来了实际生产力提升，开源后创作者有机会从中受益。