Agnes 开源音视频生成模型：15.3B Dense 改三专家 MoE，28.7B 存储

Agnes AI 把 Agnes-Video-2.0-MoE 的权重放到 Hugging Face，许可 Apache 2.0，任务是音视频生成：文本、视频、音频进，视频与音频出。做法不是从头训一个大模型，而是改造已有的 15.3B Dense 音视频模型 DaVinci-MagiHuman——保留 40 层单流多模态 DiT 的主体，把第 4–35 层原本共享的前馈网络扩成含三个专家、Top-1 路由的 SparseMoE 块。模型卡标注存储参数约 28.7B（对应全部路由专家）、激活参数约 15.3B（单 token 走 Top-1 路径），即容量变大而单次计算量与改造前相当。

当前上传的是未剪枝的三专家版本，团队计划随后放出 EENP 60% 剪枝版：按模态感知的方式在视频、音频、文本之间选神经元，推理时按两档宽度运行——Quality 保留 65% 的中间神经元，Fast 保留 40%（Quality 的高分子集），32 步里 8 步走 Quality、24 步走 Fast。官方特别注明这些百分比是路由 FFN 的神经元宽度、不是总参数的删除比例，另行获取的文本编码器与 VAE 权重不计入参数统计。

效率数字来自团队自述：单张 H200 约 30 秒生成一段 5 秒视频，比 Dense 模型快约 20%，比同类 MoE 视频模型快两倍以上（经硅星人 10 月 13 日报道转述）。官方同时承认改造的代价——每个专家仍与原来一样大、路由本身还引入额外开销，所以下一步靠 EENP 继续压计算。模型卡内附 Open-Generator 对比表与质量—速度权衡表，数字均为团队自测，本机未做独立复现。

原文链接：Hugging Face 官方模型卡