Movie Gen Video
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Meta AI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 4 October 2024
- Autores
- Adam Polyak, Amit Zohar, Andrew Brown, Andros Tjandra, Animesh Sinha, Ann Lee, Apoorv Vyas, Bowen Shi, Chih-Yao Ma, Ching-Yao Chuang, David Yan, Dhruv Choudhary, Dingkang Wang, Geet Sethi, Guan Pang, Haoyu Ma, Ishan Misra, Ji Hou, Jialiang Wang, Kiran Jagadeesh, Kunpeng Li, Luxin Zhang, Mannat Singh, Mary Williamson, Matt Le, Mitesh Kumar Singh, Peizhao Zhang, Peter Vajda, Quentin Duval, Rohit Gir…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Video, Vision
- Tarea
- Video generation, Text-to-video, Image-to-video
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 30B
- Datos de entrenamiento
- 3,400,000,000 tokens
30B
O(1B) images O(100M) videos, each with 256 frames ~= 25M images
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 1.7 × 10²⁴ FLOP
- Cómo se estableció
- Operation counting
Model size = 30B Broken down by training stage (table 3): 256px T2I: samples seen = 1.94E9; sample token length = 256; flops = 6ND = 8.94E22 256px T2I/V: samples seen = 3.95E8; sample token length = 8192; flops = 6ND = 5.82E23 768px T2I/V: samples seen = 7.38E7; sample token length = 73,728; flops = 6ND = 9.79E23 Total flops = 1.65E24
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA H100 SXM5 80GB
- Chips utilizados
- 6,144
- Tiempo de reloj
- 331 hours (13.8 days)
- Consumo de energía
- 8.5 MW
54 hours for 256px T2I 128 hours for 256px T2I/V 149 hours for 768px T2I/V
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- Training cost
- Confianza de registro
- Confident
BOTE estimate of cost is ~$3 million
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Movie Gen: A Cast of Media Foundation Models
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Movie Gen Video fue publicado por Meta AI, en el país registrado como United States of America, durante October 2024. Sale de una organización categorizada como industry.
Funciona en el dominio de Video, Vision, y se registra como realizando la tarea de video generation, Text-to-video, Image-to-video.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.7 × 10²⁴ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 3,400,000,000 tokens de texto
Su criterio de inclusión: training cost.
Respuestas
Movie Gen Video — preguntas comunes
Movie Gen Video— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 30B. 30B. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
Movie Gen Video— ¿Quién lo creó?
Fue publicado por Meta AI, basado en United States of America, una organización categorizada como industry.
Movie Gen Video— ¿cuándo fue lanzado?
Se publicó en October 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Movie Gen Video— ¿Para qué se utiliza?
Funciona en el dominio de Video, Vision, y se registra como manejando la tarea de video generation, Text-to-video, Image-to-video. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Movie Gen Video— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.7 × 10²⁴ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Movie Gen Video— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
Movie Gen Video— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.