MAGI-2 Preview: otwarty model wideo Sand.ai - ranking i wymagania

👁 115 przeczytań

Strona aktualizowana na bieżąco. Stan na 11 października 2026.

MAGI-2 Preview to otwarty model wideo pekińskiej firmy Sand.ai: 114 mld parametrów, z czego na jeden token pracuje ok. 6 mld, klipy po 10 sekund w 1080p z dźwiękiem, licencja Apache-2.0. W rankingu obrazu na wideo Artificial Analysis jest 10. (1093 punkty Elo), czyli najwyżej po MiniMax H3 wśród modeli z publicznymi wagami. Haczyk: do uruchomienia trzeba 8 kart NVIDIA Hopper po 80 GB, a API z ceną jeszcze nie ma.

Co to jest MAGI-2 i kto za nim stoi

Sand.ai to start-up z Pekinu założony przez Cao Yue. To współautor architektury Swin Transformer (nagroda Marr Prize), wcześniej Principal Researcher w Microsoft Research Asia i szef centrum badawczego w BAAI. Firma ma za sobą kilka produktów:

• MAGI-1 (2025) - autoregresyjny model wideo, który generował klip kawałkami i umiał go przedłużać. Jest dostępny przez API u kilku pośredników.
• GAGA-1 - model audio-wideo do gadających postaci.
• VidMuse - aplikacja do teledysków; strona Sand.ai twierdzi, że przekroczyła 10 mln USD przychodu rocznego (ARR) w dwa miesiące.
• MAGI-2 Preview (5 sierpnia 2026) - nowy model bazowy z otwartymi wagami.

Pieniądze: według 36kr (29 czerwca 2026) Sand.ai zebrało ponad 100 mln USD w dwóch rundach, m.in. od Matrix Partners China, Sinovation, IDG i Baidu Ventures. 29 września Wangsu Science & Technology ogłosiło zakup 4,4% udziałów za 300 mln juanów, co wycenia firmę na ok. 1 mld USD. Te same dokumenty pokazują małe przychody i duże straty - opisałem to w tekście Sand.ai wyceniony na miliard dolarów.

Technicznie MAGI-2 to zerwanie z MAGI-1. Zamiast generowania kawałkami jest jeden transformer dyfuzyjny, który przetwarza tekst, obraz i dźwięk w jednej sekwencji. Duża liczba parametrów bierze się z architektury MoE (mieszanina ekspertów): 40 warstw, z czego 36 rzadkich, w każdej 12 głów z własnym routerem, a każda głowa wybiera 6 z 256 ekspertów. Dzięki temu model ma 114 mld parametrów, ale na jeden token liczy ok. 6 mld. Sand.ai w raporcie pisze wprost, że to „intermediate research release”, czyli wydanie pośrednie.

Miejsce w rankingu Artificial Analysis

Artificial Analysis (AA) układa ranking ze ślepych porównań: oceniający widzą dwa klipy z tego samego polecenia i wybierają lepszy. Odczytałem obie tabele 11 października 2026. W obrazie na wideo MAGI-2 Preview jest 10. z wynikiem 1093 Elo. Przedział 95% (1086-1100) nachodzi na Grok Imagine 1.5 i HappyHorse 1.0, więc miejsca 9-11 to praktycznie remis. Do czołówki brakuje mu dużo: lider, MiniMax H3 Max, ma 102 punkty więcej.

Dane: AA-Video-I2V v1.0, odczyt 11.10.2026. Kolumna „otwarte wagi” według linków w tabeli AA.

Skala wykresu zaczyna się od 1000 punktów (pełny pasek = 1200), żeby było widać różnice.

Wersja 0912 w rankingu tekstu na wideo

W tabeli tekstu na wideo (AA-Video-T2V v2.0, oceniany w 1080p z dźwiękiem, uruchomiony 30 września) występuje „MAGI-2 Preview (0912)” z datą 12 września 2026. Jest 21. z wynikiem 960 Elo (przedział 950-970, 3674 porównań). To nie jest wersja, którą można pobrać: AA nie podaje przy niej linku do wag, a w repozytorium na GitHubie ostatnia zmiana jest z 6 sierpnia. Najpewniej to nowszy punkt kontrolny testowany przez AA bez publikacji - ale to mój wniosek, producent tej wersji nigdzie nie opisał. Publiczna wersja z sierpnia w rankingu T2V v2.0 nie występuje.

Parametry MAGI-2 Preview

Źródło: README na GitHubie i raport Sand.ai, odczyt 11.10.2026. Przedłużania klipów ani „nieskończonej długości” MAGI-2 nie ma - to były cechy MAGI-1.

Oś czasu w poleceniu to najciekawsza cecha dla twórców. Oficjalny przykład opisuje 10-sekundowy klip jako listę segmentów („00:00.0-00:05.0”, „00:05.0-00:10.0”), a w każdym osobno ruch kamery, akcję postaci, zdarzenia dźwiękowe z dokładnym czasem i kwestię dialogu. Model był uczony na długich, ustrukturyzowanych opisach, więc README zaleca rozwinięcie krótkiego polecenia przez osobny model językowy. Gotowe polecenia z repozytorium pokazuję w tekście Co potrafi MAGI-2: przykłady.

Gdzie jest dostępny i ile kosztuje

Tu MAGI-2 wypada najsłabiej. Otwarte wagi są, ale gotowej usługi z cennikiem dla zwykłego użytkownika nie znalazłem. Sprawdziłem 11 października:

Sand.ai obiecuje „1/10 kosztu” popularnych modeli, ale bez konkretnej stawki. Kwota 0,5 juana za klip, która krąży w sieci, pochodzi z bloga strony trzeciej i dotyczy przyszłej wersji destylowanej - nie traktuję jej jako ceny. Ile kosztują sekundy u konkurencji, zebrałem w tekście Ile kosztuje sekunda wideo AI.

Otwarte wagi: co dokładnie dostajesz i na czym to ruszy

To jest powód, dla którego o MAGI-2 w ogóle się mówi. Wagi leżą na Hugging Face na licencji Apache-2.0: można je pobrać, zmieniać, dotrenowywać i używać komercyjnie, bez progów przychodu i bez wyłączeń krajów. Dla porównania otwarty MiniMax H3 ma licencję, która wyklucza Unię Europejską, a LTX-2.5 jest bezpłatny tylko dla firm z przychodem poniżej 10 mln USD rocznie.

Wymagania z README:

• 8 kart NVIDIA Hopper (H100/H200). README zaznacza, że w 1080p ani transformer podglądu, ani refiner nie mieszczą się na jednej karcie 80 GB razem z aktywacjami drugiego, więc są przenoszone między etapami.
• Python 3.12, aktualne CUDA i ffmpeg (bez niego wideo zapisze się bez dźwięku).
• Obraz Docker sandai/magi-2-preview - ok. 12,7 GB według Docker Hub (11.10), tagi z 5 sierpnia.
• Tryby offloadu dla enkodera, podglądu, refinera i VAE: cpu, gpu albo roundtrip.

Czego nie ma:

• Wersji destylowanej - w README wciąż jako „Coming soon”, z „far fewer” krokami. To ona miałaby skrócić czas generowania.
• Oficjalnych kwantyzacji (FP8, GGUF).
• Węzłów ComfyUI - comfyui-wiki 5 sierpnia pisało, że ich nie ma, a README do dziś nie wspomina o ComfyUI.

Jak długo to trwa i ile kosztuje? Producent nie podaje. Jedyny szacunek, jaki znalazłem, jest z bloga mushroom.cv (7.08.2026): ok. 15-30 minut na jeden 10-sekundowy klip na 8 x H100 i ok. 25-42 USD za klip przy wynajmie instancji AWS p5. To strona trzecia, nie pomiar producenta ani mój. Dla porównania minuta z H3 Max przez API kosztuje 4,80 USD.

Na RTX 4090 i każdym domowym komputerze MAGI-2 się nie uruchomi. Sam transformer podglądu waży 228 GB, a karta ma 24 GB. Nie pomogą tu ani 2, ani 4 karty konsumenckie. Uważaj też na repozytoria na GitHubie i Hugging Face, które podszywają się pod MAGI-2 - oficjalne źródła to tylko SandAI-org/MAGI-2-preview i sand-ai/MAGI-2-preview.

Co zamiast lokalnie? Jeśli masz jedną kartę 24 GB, realną opcją jest Wan 2.2: wersja TI2V-5B (Apache-2.0) według README Alibaby robi 720p przy 24 kl./s na RTX 4090, a 5-sekundowy klip generuje w mniej niż 9 minut na jednej karcie konsumenckiej. LTX-2.5 ma oficjalne szablony ComfyUI, pliki w int8 i NVFP4 oraz tryb FP8 z offloadem na CPU dla kart z mniejszą pamięcią. Przegląd modeli, które naprawdę uruchomisz w domu, jest w tekście Lokalne AI.

Jak zacząć z MAGI-2 krok po kroku

Bez API zostaje jedna droga: wynajęty serwer z 8 GPU Hopper. Poniżej kroki dokładnie z README - nie dopisuję flag, których tam nie ma.

1. Wynajmij maszynę z 8 kartami H100 lub H200 80 GB i dyskiem na co najmniej 307 GB wag plus obraz Docker.
2. Pobierz wagi do katalogu ckpt/: pip install huggingface_hub, potem hf download sand-ai/MAGI-2-preview --local-dir ckpt. Nazwy folderów pasują do konfiguracji, nic nie trzeba zmieniać. Wagi gdzie indziej wskażesz zmienną MAGI2_CKPT_ROOT.
3. Uruchom kontener: docker pull sandai/magi-2-preview:latest, a potem docker run --gpus all -it -v /path/to/ckpt:/workspace/ckpt sandai/magi-2-preview:latest. README radzi przy zgłaszaniu wyników podawać tag konkretnego commitu, bo latest się zmienia.
4. Wygeneruj oficjalne demo: bash scripts/run_demo.sh - 1080p, ziarno 42, polecenia z assets/demo_samples.json. Wynik trafia do sample_000.mp4 i kolejnych.
5. Własny klip: torchrun --nproc_per_node=8 inference/pipeline/entry.py --prompt "a red fox in snow" --output output/. Do I2V dodajesz --image, do dokładnego 1080 x 1920 --output-width i --output-height.
6. Rozwijanie polecenia (opcjonalnie): w inference/prompt_enhancement/enhancer.py ustaw API_KEY do zgodnego z OpenAI modelu językowego. Puste pole oznacza, że model dostaje polecenie bez zmian.

Instalacja bez Dockera (pip install -r requirements.txt plus MagiAttention i MagiCompiler) jest możliwa, ale README podaje tylko wersje w Dockerfile, więc kontener jest prostszy.

Porównanie z rywalami

Elo i ceny z tabel AA (11.10.2026). Licencje odczytałem 11.10 na Hugging Face. Pełne zestawienie otwartych modeli z wymaganiami sprzętowymi: MAGI-2 vs Wan vs LTX-2.5 vs MiniMax H3.

Wniosek: w jakości MAGI-2 jest na poziomie zamkniętych modeli ze środka stawki (Grok Imagine 1.5, HappyHorse) i wyraźnie przed LTX-2.5. Od MiniMax H3, drugiego otwartego modelu, jest gorszy o 88 punktów - ale H3 z wagami nie może legalnie działać w Polsce bez osobnej zgody MiniMax, a MAGI-2 może.

Dla kogo jest MAGI-2

• Dla zespołów badawczych i laboratoriów z dostępem do klastra H100 - to największy otwarty model wideo MoE, z pełnym raportem architektury.
• Dla firm, które muszą trzymać generowanie u siebie (dane klientów, wymogi prawne) i potrzebują czystej licencji bez wyłączeń dla UE.
• Dla studiów, które chcą dotrenować model na własnym stylu - Apache-2.0 na to pozwala bez opłat.
• Nie dla twórcy z jednym komputerem - nie uruchomisz go, a API z ceną nie ma. Lepszy będzie MiniMax H3 Max przez API albo Wan 2.2 lokalnie.
• Nie dla produkcji masowej - przy szacunku 25-42 USD za klip na wynajętym serwerze każdy model z API wychodzi taniej.

Szerszy przegląd: Generatory wideo AI - który wybrać i mój ranking generatorów wideo.

Najczęstsze pytania

Czy MAGI-2 jest za darmo?

Wagi są darmowe, na licencji Apache-2.0. Płacisz za sprzęt: 8 kart Hopper po 80 GB. Gotowej darmowej wersji w przeglądarce nie znalazłem.

Czy MAGI-2 uruchomię na RTX 4090?

Nie. Sam transformer podglądu ma 228 GB, a cały zestaw ok. 307 GB. README wymaga 8 GPU Hopper. Nie ma oficjalnych kwantyzacji ani wersji destylowanej.

Ile kosztuje MAGI-2 przez API?

Ceny nie ma. Artificial Analysis podaje „Coming soon”, a platforma Sand.ai pokazuje ceny dopiero po zalogowaniu i w dokumentacji opisuje API MAGI-1. Fal.ai, Replicate, WaveSpeedAI i OpenRouter MAGI-2 nie mają (11.10.2026).

Czy MAGI-2 działa w ComfyUI?

Oficjalnych węzłów nie ma. Nieoficjalne repozytoria istnieją, ale ich nie polecam - część podszywa się pod MAGI-2 i może zawierać złośliwy kod.

Czym MAGI-2 różni się od MAGI-1?

MAGI-1 generował wideo kawałkami i umiał je przedłużać. MAGI-2 to jeden transformer dyfuzyjny MoE, który robi naraz obraz i dźwięk, ale tylko klipy po 10 s. Przedłużania nie ma.

Co to jest MAGI-2 Preview (0912)?

Wersja z 12 września, która jest tylko w rankingu tekstu na wideo AA (21. miejsce, 960 Elo). Nie ma jej publicznych wag ani opisu od producenta.

Czy MAGI-2 mówi po polsku?

Producent nie podaje listy języków. Oficjalny przykład dialogu ma ustawiony język angielski. Polskiej mowy nie sprawdziłem, bo nie miałem jak wygenerować klipu.

Czy mogę używać klipów z MAGI-2 komercyjnie?

Licencja Apache-2.0 pozwala na użycie komercyjne modelu, bez progów przychodu i bez wyłączeń krajów. Odpowiadasz za treść, którą wygenerujesz.

Teksty w tej serii

• Co potrafi MAGI-2: przykłady i oficjalne polecenia z osią czasu
• Otwarte modele wideo 2026: MAGI-2 vs Wan vs LTX-2.5 vs MiniMax H3
• Sand.ai wyceniony na 1 mld USD po inwestycji Wangsu
• Agnes Video 2.5 i HiDream-O1-Video - inne modele z tej samej aktualizacji rankingu