字節跳動近日推出的音視頻生成模型Seedance2.0在科技圈引發熱議，特斯拉創始人馬斯克在社交平臺X上直言其發展速度超出預期。與此同時，國內科研領域傳來新突破——上海創智學院聯合模思智能團隊發布了國內首個開源音視頻同步生成模型MOVA，填補了該領域的技術空白。
這款被定位為"學院派"的模型與商業化產品形成鮮明對比。項目負責人邱錫鵬教授在接受專訪時透露，MOVA支持最長8秒、720p分辨率的視頻生成，而Seedance2.0已實現15秒時長與2K分辨率。盡管在單段生成效果上存在差距，但MOVA選擇完全開源的技術路線，包括360p、720p基礎模型及全鏈路組件，允許二次開發、本地部署和學術研究。
"開源生態建設比短期技術領先更重要。"邱錫鵬強調，當前國際主流模型普遍采用閉源策略，技術細節不公開。MOVA團隊不僅開源核心代碼，還公開了數據合成、模型訓練等關鍵技術路徑，為中小團隊提供低成本解決方案。這種開放理念延續了該團隊2023年開源對話模型MOSS的傳統，當時MOSS成為國內首個支持多插件的開源對話系統。
技術實現層面，MOVA采用混合專家架構平衡生成質量與推理效率。邱錫鵬坦言，音視頻模型開發面臨雙重挑戰：數據規模遠超文本模型，且訓練所需的基礎設施尚不成熟。項目突破得益于產學研協同創新——上海創智學院通過"研創學"融合模式培養學生實戰能力，模思智能則攻克了數據工程領域的關鍵技術瓶頸。
據研發團隊披露，MOVA1.5版本將于近期升級，性能指標將進一步提升。當前行業焦點正從基礎功能實現轉向模型智能提升，邱錫鵬指出，音視頻領域尚未發現類似文本領域的規模定律，即單純增加數據量未必能顯著提升模型智能。這成為制約行業發展的核心命題。
