對話Mamoda團隊：業內首個DiT-MoE視頻生成基座是如何煉成的？

在廣告投放領域，許多中小商家時常面臨一個令人頭痛的困境：當他們批量上傳數十條推廣素材後，偶爾會收到平臺的駁回通知，但系統往往只標註「審核不通過」，卻未具體說明違規的點位在哪裡，更沒有提供明確的修改方向。運營人員在收到這樣的訊息後往往一頭霧水，只能不斷來回聯繫線上機器人客服或人工客服進行核對，消耗大量時間卻依然無法精準定位問題。這種只給結果、不給原因的審核方式，長久以來一直是廣告行業中普遍存在的合規痛點。 針對這一難題，巨量引擎在近期舉行的2026全球數字經濟大會上，正式對外發布了自研的廣告內容治理大模型Mamoda 2.5。這款模型最引人注目的突破，在於它首次將MoE混合專家架構與DiT擴散模型進行了結合，打造出業界第一個DiT-MoE視頻生成基座。Mamoda 2.5不僅能為平臺本身提供高效的廣告治理能力，更重要的是，它能為商家提供從風險診斷、違規定位到素材自動修復的一站式全流程服務，幫助商家大幅降低合規成本、提升素材的審核通過率，推動整個廣告行業在合規效率上的升級。 從實際的商家使用案例中可以看出，Mamoda 2.5確實能夠針對不同類型的違規素材進行自動化整改。舉例來說，有一則廣告素材因為畫面中的人物手持香菸，觸碰到了平臺禁止出現菸草或吸菸畫面的審核規範。經過Mamoda 2.5的處理後，畫面中的香菸被精準清除，同時完整保留了原有的視覺效果。另一個案例是一條短視頻素材，在第9秒的文案中出現了「百合中的天花板」這句話，由於帶有暗示同類產品最優的誇大性表述，存在違反廣告法相關規定的風險。系統不僅能快速定位到這句違規文字，還能自動進行修正，修復後的素材可以直接提交給廣告主確認，確認無誤後就能投放使用。 為了深入理解Mamoda 2.5背後的技術架構，我們與巨量引擎Mamoda團隊進行了深度交流。先來看它的實際表現：在指令式AI視頻編輯領域的主流權威評測基準中，包括OpenVE-Bench、FiVE-Bench和ReCo-Bench，Mamoda 2.5都取得了優異的成績。更值得關注的是，它在文字轉影片的推理效率上，比起業界主流開源模型提升了11到15倍。 這樣亮眼的成績，背後離不開架構上的創新。目前市面上的大多數視頻模型都採用基於Transformer的擴散模型，也就是DiT架構。這種架構在圖像和視頻生成領域的效果相當出色，並且適用Scaling Law，隨著模型參數的增加，生成效果通常也會跟著提升。然而，單純堆疊參數也會帶來巨大的計算成本，導致推理速度變慢、部署困難。Mamoda技術研發負責人在訪談中透露，團隊在選擇架構時，從一開始就鎖定「推理友好」的方向。由於巨量引擎平臺流量龐大，對視頻審核的效率要求極高，模型在推理上一定要夠快。 正是在這樣的需求驅動下，團隊首次將MoE架構與DiT模型結合，打造出業內首個DiT-MoE視頻生成基座。MoE的核心想法其實很簡單：與其讓一個龐大的通用網絡處理所有任務，不如訓練多個「專家」網絡，然後將任務動態分配給最適合的幾個專家來處理。目標是在保留DiT強大生成能力的同時，透過MoE實現稀疏激活，大幅降低計算量。最終，Mamoda團隊訓練出一個總參數量達250億的模型，但每次推理時僅激活約30億參數，稀疏度約為12%。模型中還設置了128個細粒度專家，包含一個共享專家，並採用Top-8 token級路由策略，在保持強大模型能力的同時，大幅提升推理效率。 值得注意的是，Mamoda團隊並沒有選擇直接調用現成的通用大模型進行簡單的微調，而是針對廣告治理場景，從架構設計、數據方案到訓練策略，全鏈自主、全棧自研。團隊向我們解釋了為何必須這樣做的三個原因。首先是運行效率與投入回報的考量。平臺模型需要承載線上大規模流量，對使用成本與運行效率的標準非常嚴苛，只有自主研發，才能打磨出效率最優的架構與算法。其次是平臺業務場景的特殊性。廣告風控流程需要先識別違規內容，再完成解讀、整改與內容的重新生成，這套流程天然契合理解與生成一體化的模型架構。同時，行業風險動態變化快速，對細節識別的要求極高，例如影片內局部微小的違規區域，通用大模型往往難以精準捕捉。第三則是為了精準把控合規判定標準。審核規則中既有可直接判定的明確條款，也有大量需要結合表達方式與上下文語境綜合研判的模糊場景，通用大模型並未針對這類場景做專項優化，難以穩定掌握審核尺度。 在設計初期，Mamoda 2.5其實並沒有引入共享專家。團隊坦言，剛開始沒有共享專家時，訓練效果並不理想。原因是模型在處理編輯任務時，無論是增加還是刪除內容，都需要保證光影、背景融入度等視覺效果的一致性。但沒有共享專家機制的話，各專家各自為戰，缺乏一個能兜底通用視覺知識的「全科顧問」。後來，團隊在架構中加入共享專家，專門負責通用視覺知識的表達，加入後效果才明顯改善。這個看似簡單的調整，背後是反覆實驗與試錯的結果。 此外，MoE稀疏激活雖然解決了每次調用多少參數的問題，但DiT模型本身的推理步數依然是個負擔。團隊透露，原始模型需要50步推理才能達到滿意的編輯效果。對於每天處理海量素材的線上系統來說，50步推理意味著巨大的延遲和算力成本。後來，團隊採用強化學習加上自蒸餾的方式，成功將推理步數從50步壓縮到4步。480p的視頻編輯延遲從69秒降至9秒，效率提升將近8倍，這才讓「分鐘級過審」成為可能。 回顧Mamoda的發展歷程，從2024年6月的1.0版本專注於文本類廣告的單點風險檢測，到2026年7月發布的2.5版本完成全鏈路突破，能力已經覆蓋視頻全形態。預計2026年內推出的3.0版本將進一步深化音頻理解和編輯能力，穩步實現全模態治理。這條從文字到圖片、再到短視頻、最終走向全模態的迭代之路，背後是團隊三年四次迭代的持續攻堅，也是Mamoda從「能看見」到「能修好」的能力躍遷。 對於中小商家而言，團隊希望透過Mamoda 2.5，讓合規不再成為商家投放路上的減速帶，而是幫助他們把內容做對、做好的加速器。在修復的邊界上，Mamoda 2.5只會修復那些確定違規的內容，例如文本中的誇大詞等有剛性規則的部分，並將問題定位到最小單元，明確指出哪一幀畫面、哪一句話、哪一段配音有風險，然後在此基礎上進行精細化診斷和修復建議。團隊將Mamoda比喻為中小廣告主的「編外合規團隊」，幫助商家把原本需要專業經驗或多人手才能完成的事情，變得更加高效、門檻更低。過去，誰更懂規則、誰有更強的合規團隊，誰就更有能力降低試錯成本、進行大規模投放。現在，平臺希望透過Mamoda將這部分能力普惠給更多中小商家，讓他們不用靠反覆碰壁來理解規則，盡可能一次性清楚知道哪裡有問題、該怎麼改。 隨著AI讓內容生產的門檻降到幾乎為零，內容偽造的成本也達到前所未有的低點。過去偽造一條明星代言的廣告需要專業團隊和大量後期工作，如今一個熟練使用AI工具的人幾分鐘就能生成一段以假亂真的影片。Mamoda團隊點出了當前最棘手的場景之一，也就是「肖像授權」。在授權核驗上，資訊更充分、授權鏈路更清晰的主體往往更容易被及時識別和處置；相對而言，部分知名度不高、公開授權資訊不夠完備的肖像與聲音，更容易被不法商家藉助AI進行仿冒利用，這也給平臺的真實性核驗帶來更高難度。 過去一年，Mamoda所支撐的平臺治理能力已經交出初步成果：前置攔截違規素材百億條、關停違規賬戶超過400萬個、單日處置黑產賬戶峰值突破20萬；平臺內容的舉報率同比下降56.2%，履約舉報率則下降67.1%。在持續進化的方向上，Mamoda的下一站是「自適應智能風控系統」。團隊透露了未來的技術路徑，目前統一架構中「理解促進生成」已經驗證成功，下一步要做的是「生成促進理解」的工作。這指向一個更深層的目標，也就是用生成能力反向增強理解能力，讓系統在對抗中不斷自我進化。 在中國AI大模型從通用能力突破走向垂直場景深耕的行業趨勢下，Mamoda交出了一份獨特的答卷。過去兩年，行業的主旋律是「卷參數」，數字遊戲一輪高過一輪。但從2025年下半年開始，一個更理性的共識正在形成：大模型的價值在於真實場景的產業落地。Mamoda 2.5恰好站在了這個轉折點上，扎進廣告治理這個具體的場景裡。更重要的是，它為行業提供了一個「以AI治理AI」的可參考範本。當內容生成的門檻被AI降到幾乎為零，平臺治理不可能靠堆人力去對抗機器的批量生產，唯一的出路是用技術去回應技術、用系統去對抗系統。在這場技術與風險的賽跑中，雖然沒有終局，但Mamoda證明了可行的路徑：以技術深度支撐治理精度，除了讓違規內容無所遁形，更要讓優質內容更容易被創造、被理解、被看見。這或許正是AI時代平臺治理應有的模樣。