對話Mamoda團隊：業內首個DiT-MoE視頻生成基座是如何煉成的？

智東西
作者 王涵
編輯 漠影

在過去，不少中小商家運營常會碰到這樣的難題：日常需要批量上傳幾十條推廣素材，偶爾會直接收到平臺駁回提示，只標注素材審核不通過，卻不說明違規點位，也不提供修改方向。

運營人員拿到通知后一頭霧水，只能反復對接線上機器人客服、人工客服來回核對，耗費大量時間也沒法定位問題。這種只駁回不說明的審核方式，一直是廣告行業普遍存在的合規難題。

智東西7月9日報道，在前不久的2026全球數字經濟大會上，巨量引擎首發正式發布自研廣告內容治理大模型Mamoda 2.5。其首次將MoE（Mixture of Experts，混合專家）架構與DiT擴散模型結合，是業內首個DiT-MoE視頻生成基座。

該模型既可為平臺提供高效的廣告治理能力，也可為商家提供從風險診斷、違規定位到素材自動修復的全流程服務，幫助商家降低合規成本、提升素材通過率，推動廣告行業合規效率升級。

從商家用戶的實際使用案例可見，Mamoda 2.5可針對不同類型違規素材完成自動化整改。

一則廣告素材因畫面人物手持香煙，觸碰平臺禁止出現煙草、吸煙畫面的審核規范；經Mamoda 2.5處理后，畫面中的香煙被精準清除，畫面原有視覺效果完整還原。

另有一條短視頻素材，第9秒文案 “百合中的天花板” 含有暗示同類最優的夸大性表述，存在違反《廣告法》相關規定的風險，系統可快速定位違規文字并自動修正，修復完畢的素材可提交廣告主確認后投放使用。

Mamoda 2.5的DiT-MoE架構是如何工作的？AI時代內容治理的未來又將通向何處？智東西與巨量引擎Mamoda團隊進行了深度交流。

一、128個細分專家，三大基準測試登頂

在剖析Mamoda 2.5的技術架構之前，我們先來看看它的成績。

在指令式AI視頻編輯領域主流權威評測基準（OpenVE-Bench、FiVE-Bench、ReCo-Bench）中，Mamoda2.5均取得優異成績，其T2V推理效率也相比行業主流開源模型提升11~15倍。

這樣亮眼的成績，背后是架構的創新。

目前市面上絕大多數的視頻模型都是基于Transformer的擴散模型，也就是DiT（Diffusion Transformer）架構，這種架構的模型在圖像視頻生成領域效果很好，并且適用Scaling Law，即模型參數越大，生成效果通常越好。但是，簡單地堆砌參數同樣也會帶來巨大的計算成本，導致推理速度慢、部署困難。

Mamoda技術研發負責人在采訪中透露，在架構選擇階段，團隊從一開始就是奔著“推理友好”去的。巨量引擎平臺流量大，對視頻審核的效率要求極高，所以模型在推理上一定要“快”。

正是在這一需求驅動下，團隊首次將MoE架構與DiT模型結合，打造了業內首個DiT-MoE視頻生成基座。

MoE的核心思想很簡單：與其讓一個“全能”的龐大網絡處理所有任務，不如訓練多個“專家”網絡，然后再將任務動態地分配給最合適的幾個專家去處理。他們的目標是：保留DiT強大的生成能力，同時通過MoE實現“稀疏激活”，大幅降低計算量。

于是乎，Mamoda團隊最終訓練出了一個總參數量達250億，但每次僅激活約30億參數、稀疏度約12%的Mamoda 2.5，模型中還設置了128個細粒度專家（含1個共享專家），采用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。

二、拒絕通用大模型微調，Mamoda為何選擇更難更慢的自研之路？

Mamoda團隊沒有調用現成的通用大模型做簡單適配，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。

為什么一定要全線自研呢？Mamoda團隊告訴智東西，原因一共有三方面：

其一，出于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標準嚴苛，唯有自主研發，才能打磨出效率最優的架構與算法。

其二，平臺業務場景具備特殊性。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，對細節識別要求極高，例如視頻內局部微小違規區域，通用大模型往往難以精準捕捉。

其三，便于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，也有大量場景需結合表達方式與上下文語境綜合研判。通用大模型并未針對這類模糊判定場景做專項優化，難以穩定把控審核尺度。

歸根到底，因為只有自研，才能針對廣告治理的獨特需求做到極致優化。

當然，自研這條路并不是一帆風順的。在設計初期，Mamoda 2.5并沒有引入共享專家。他們坦言：“剛開始沒有共享專家時訓練效果不好。”原因是模型在處理編輯任務時，無論增加還是刪除內容，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“全科顧問”來兜底通用視覺知識。

后來，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。“加上去之后效果才改善……比如光影和背景的融入度，不管你是增加還是刪除，都需要保證這些效果。”這個看似簡單的調整，背后是反復實驗試錯的結果。

MoE稀疏激活解決了“每次調用多少參數”的問題，但DiT模型本身的推理步數依然很重。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。對于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。

后來，團隊采用強化學習加自蒸餾的方式，把50步壓縮到4步，480p視頻編輯延遲從69秒降至9秒，效率提升近8倍，才讓“分鐘級過審”成為可能。

三、三年死磕四次大改版，Mamoda成了商家的“編外合規團隊”

2024年6月的1.0版本從文本類廣告的單點風險檢測起步，到2026年7月發布的2.5版本完成了全鏈路突破，能力覆蓋視頻全形態，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“文本→圖片→短視頻→全模態”的迭代之路，背后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。

對于中小商家而言，Mamoda團隊想要用Mamoda 2.5讓合規不再是商家投放路上的“減速帶”，而是幫他們把內容做對、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，比如文本中的夸大詞等有剛性規則的內容，把問題定位到最小單元——哪一幀畫面、哪一句話、哪一段配音有風險，在這個基礎上做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高效、更低門檻。

過去誰更懂規則、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。現在平臺希望通過Mamoda把這部分能力普惠給更多中小商家，讓他們不用靠反復碰壁來理解規則，盡可能一次性清楚地知道哪里有問題、怎么改。

“希望讓守規則變得更清晰，讓好內容更容易被看見。”這就是Mamoda團隊想要實現的愿景。

AI讓內容生產的門檻降到了幾乎為零，也讓內容偽造的成本低到了前所未有的程度。過去偽造一條明星代言的廣告需要專業團隊和大量后期工作。今天，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視頻。

Mamoda團隊在采訪中點出了當下最棘手的一個場景——“肖像授權”。在授權核驗上，信息更充分、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，部分知名度不那么高、公開授權信息不夠完備的肖像與聲音，更容易被不法商家借助AI進行仿冒利用，也給平臺的真實性核驗帶來更高難度。

過去一年，Mamoda支撐的平臺治理能力已交出初步答卷：前置攔截違規素材百億條、關停違規賬戶超400萬、單日處置黑產賬戶峰值突破20萬；平臺內容CCR同比下降56.2%，履約CCR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”。

Mamoda團隊透露了技術路徑：“目前統一架構中理解促進生成已經驗證過了，下一步要做生成怎么促進理解這個方向的工作。”這指向一個更深層的目標：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。

結語：Mamoda給行業打了個樣

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大勢下，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”，數字游戲一輪高過一輪。但從2025年下半年開始，一個更理性的共識正在形成：大模型的價值在真實場景的產業落地中，Mamoda 2.5恰好站在了這個轉折點的坐標上，扎進廣告治理這個具體得不能再具體的場景里。

更重要的是，Mamoda給行業提供了一個”以AI治理AI”的可參考范本。當下，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，沒有終局。但Mamoda證明了一條可行的路徑：以技術深度支撐治理精度，除了讓違規內容無所遁形之外，也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。