genmoai/mochi 是一个根据输入句子生成视频的视频生成模型仓库。以 Apache-2.0 许可证公开了 Mochi 1 的权重、文本条件视频生成模型、VAE 以及推理实现。项目使用 Python 编写，star 数为 3752。没有可确认的公开发布版本，仓库创建于 2024 年 9 月 11 日。
README 说明 Mochi 1 展现了动作的忠实度和提示词贴合度。文本条件生成是指由输入句子决定视频内容的方式，而提示词贴合度指的是该句子在视频中体现得有多好。模型采用 100 亿参数的 AsymmDiT 架构，AsymmDiT 即扩散 Transformer（Diffusion Transformer）结构。视频生成通过 Gradio UI、CLI 和 API 三条路径提供，并内置 VAE（Variational Autoencoder，变分自编码器，把数据转换为压缩表示并还原的自动编码器）与推理实现。还支持使用自有视频数据进行 LoRA（Low-Rank Adaptation，低秩适配，用少量参数为已训练权重添加新特性的方式）微调。
不过，运行所需的资源相当大。按照 README 的说法，在单张 GPU 上运行大约需要 60GB 显存。动作忠实度和提示词贴合度是 README 给出的初步评估结果。该记录中没有独立测量的数值、性能基准测试，也没有与其他视频模型的对比数据。记录的动量（momentum）指数为 10 分制下的 2.5，新鲜度、技术与质量分项均为空。它适合在硬件宽裕时直接验证，进一步的判断则需要更多依据。