在过去，不少中小商家运营常会碰到这样的难题：日常需要批量上传几十条推广素材，偶尔会直接收到平台驳回提示，只标注素材审核不通过，却不说明违规点位，也不提供修改方向。
运营人员拿到通知后一头雾水，只能反复对接线上机器人客服、人工客服来回核对，耗费大量时间也没法定位问题。这种只驳回不说明的审核方式，一直是广告行业普遍存在的合规难题。
智东西7月9日报道，在前不久的2026全球数字经济大会上，巨量引擎首发正式发布自研广告内容治理大模型Mamoda 2.5。其首次将MoE（Mixture of Experts，混合专家）架构与DiT扩散模型结合，是业内首个DiT-MoE视频生成基座。
该模型既可为平台提供高效的广告治理能力，也可为商家提供从风险诊断、违规定位到素材自动修复的全流程服务，帮助商家降低合规成本、提升素材通过率，推动广告行业合规效率升级。
从商家用户的实际使用案例可见，Mamoda 2.5可针对不同类型违规素材完成自动化整改。
一则广告素材因画面人物手持香烟，触碰平台禁止出现烟草、吸烟画面的审核规范；经Mamoda 2.5处理后，画面中的香烟被精准清除，画面原有视觉效果完整还原。
另有一条短视频素材，第9秒文案 “百合中的天花板” 含有暗示同类最优的夸大性表述，存在违反《广告法》相关规定的风险，系统可快速定位违规文字并自动修正，修复完毕的素材可提交广告主确认后投放使用。
Mamoda 2.5的DiT-MoE架构是如何工作的？AI时代内容治理的未来又将通向何处？智东西与巨量引擎Mamoda团队进行了深度交流。
一、128个细分专家，三大基准测试登顶
在剖析Mamoda 2.5的技术架构之前，我们先来看看它的成绩。
在指令式AI视频编辑领域主流权威评测基准（OpenVE-Bench、FiVE-Bench、ReCo-Bench）中，Mamoda2.5均取得优异成绩，其T2V推理效率也相比行业主流开源模型提升11~15倍。
这样亮眼的成绩，背后是架构的创新。
目前市面上绝大多数的视频模型都是基于Transformer的扩散模型，也就是DiT（Diffusion Transformer）架构，这种架构的模型在图像视频生成领域效果很好，并且适用Scaling Law，即模型参数越大，生成效果通常越好。但是，简单地堆砌参数同样也会带来巨大的计算成本，导致推理速度慢、部署困难。
Mamoda技术研发负责人在采访中透露，在架构选择阶段，团队从一开始就是奔着“推理友好”去的。巨量引擎平台流量大，对视频审核的效率要求极高，所以模型在推理上一定要“快”。
正是在这一需求驱动下，团队首次将MoE架构与DiT模型结合，打造了业内首个DiT-MoE视频生成基座。
MoE的核心思想很简单：与其让一个“全能”的庞大网络处理所有任务，不如训练多个“专家”网络，然后再将任务动态地分配给最合适的几个专家去处理。他们的目标是：保留DiT强大的生成能力，同时通过MoE实现“稀疏激活”，大幅降低计算量。
于是乎，Mamoda团队最终训练出了一个总参数量达250亿，但每次仅激活约30亿参数、稀疏度约12%的Mamoda 2.5，模型中还设置了128个细粒度专家（含1个共享专家），采用Top-8 token级路由策略。在保持强大模型能力的同时，大幅提升推理效率。
二、拒绝通用大模型微调，Mamoda为何选择更难更慢的自研之路？
Mamoda团队没有调用现成的通用大模型做简单适配，而是针对广告治理场景，从架构设计、数据方案到训练策略，全链自主、全栈自研。
为什么一定要全线自研呢？Mamoda团队告诉智东西，原因一共有三方面：
其一，出于运行效率与投入回报的考量。平台模型需要承载线上大规模流量，对使用成本与运行效率标准严苛，唯有自主研发，才能打磨出效率最优的架构与算法。
其二，平台业务场景具备特殊性。广告风控流程需要先识别违规内容，再完成解读、整改与内容的重新生成，这套流程天然契合理解与生成一体化的模型架构；同时行业风险动态变化快，对细节识别要求极高，例如视频内局部微小违规区域，通用大模型往往难以精准捕捉。
其三，便于精准把控合规判定标准。审核规则中既有可直接判定的明确条款，也有大量场景需结合表达方式与上下文语境综合研判。通用大模型并未针对这类模糊判定场景做专项优化，难以稳定把控审核尺度。
归根到底，因为只有自研，才能针对广告治理的独特需求做到极致优化。
当然，自研这条路并不是一帆风顺的。在设计初期，Mamoda 2.5并没有引入共享专家。他们坦言：“刚开始没有共享专家时训练效果不好。”原因是模型在处理编辑任务时，无论增加还是删除内容，都需要保证光影、背景融入度等视觉效果的一致性，但没有共享专家机制的话，各专家各自为战，缺乏一个“全科顾问”来兜底通用视觉知识。
后来，团队在架构中加入共享专家，专门负责通用视觉知识的表达。“加上去之后效果才改善……比如光影和背景的融入度，不管你是增加还是删除，都需要保证这些效果。”这个看似简单的调整，背后是反复实验试错的结果。
MoE稀疏激活解决了“每次调用多少参数”的问题，但DiT模型本身的推理步数依然很重。团队透露，原始模型需要50步推理才能达到满意的编辑效果。对于每天处理海量素材的线上系统来说，50步推理意味着巨大的延迟和算力成本。
后来，团队采用强化学习加自蒸馏的方式，把50步压缩到4步，480p视频编辑延迟从69秒降至9秒，效率提升近8倍，才让“分钟级过审”成为可能。
三、三年死磕四次大改版，Mamoda成了商家的“编外合规团队”
2024年6月的1.0版本从文本类广告的单点风险检测起步，到2026年7月发布的2.5版本完成了全链路突破，能力覆盖视频全形态，预计2026年内推出的3.0版本将进一步深化音频理解和编辑能力，稳步实现全模态治理。
这条“文本→图片→短视频→全模态”的迭代之路，背后是团队三年四次迭代的持续攻坚，也是Mamoda从“能看见”到“能修好”的能力跃迁。
对于中小商家而言，Mamoda团队想要用Mamoda 2.5让合规不再是商家投放路上的“减速带”，而是帮他们把内容做对、做好的“加速器”。
在修复的边界上，Mamoda 2.5只会修复那些确定违规的内容，比如文本中的夸大词等有刚性规则的内容，把问题定位到最小单元——哪一帧画面、哪一句话、哪一段配音有风险，在这个基础上做精细化诊断和修复建议。
团队将Mamoda比喻为中小广告主的“编外合规团队”，帮商家把原本需要专业经验或多人手才能完成的事情变得更高效、更低门槛。
过去谁更懂规则、有更强的合规团队，谁就更有能力降低试错成本、进行大规模投放。现在平台希望通过Mamoda把这部分能力普惠给更多中小商家，让他们不用靠反复碰壁来理解规则，尽可能一次性清楚地知道哪里有问题、怎么改。
“希望让守规则变得更清晰，让好内容更容易被看见。”这就是Mamoda团队想要实现的愿景。
AI让内容生产的门槛降到了几乎为零，也让内容伪造的成本低到了前所未有的程度。过去伪造一条明星代言的广告需要专业团队和大量后期工作。今天，一个熟练使用AI工具的人几分钟就能生成一段以假乱真的视频。
Mamoda团队在采访中点出了当下最棘手的一个场景——“肖像授权”。在授权核验上，信息更充分、授权链路更清晰的主体往往更容易被及时识别和处置；相对而言，部分知名度不那么高、公开授权信息不够完备的肖像与声音，更容易被不法商家借助AI进行仿冒利用，也给平台的真实性核验带来更高难度。
过去一年，Mamoda支撑的平台治理能力已交出初步答卷：前置拦截违规素材百亿条、关停违规账户超400万、单日处置黑产账户峰值突破20万；平台内容CCR同比下降56.2%，履约CCR下降67.1%。
在持续进化的方向上，Mamoda的下一站是“自适应智能风控系统”。
Mamoda团队透露了技术路径：“目前统一架构中理解促进生成已经验证过了，下一步要做生成怎么促进理解这个方向的工作。”这指向一个更深层的目标：用生成能力反向增强理解能力，让系统在对抗中不断自我进化。
结语：Mamoda给行业打了个样
在中国AI大模型从通用能力突破走向垂直场景深耕的行业大势下，Mamoda交出了一份独特的答卷。
过去两年，行业的主旋律是“卷参数”，数字游戏一轮高过一轮。但从2025年下半年开始，一个更理性的共识正在形成：大模型的价值在真实场景的产业落地中，Mamoda 2.5恰好站在了这个转折点的坐标上，扎进广告治理这个具体得不能再具体的场景里。
更重要的是，Mamoda给行业提供了一个”以AI治理AI”的可参考范本。当下，内容生成的门槛被AI降到几乎为零，平台治理不可能靠堆人力去对抗机器的批量生产，唯一的出路是用技术去回应技术、用系统去对抗系统。
在这场技术与风险的赛跑中，没有终局。但Mamoda证明了一条可行的路径：以技术深度支撑治理精度，除了让违规内容无所遁形之外，也让优质内容更容易被创造、被理解、被看见。这或许正是AI时代平台治理应有的模样。
热门跟贴