文生视频大模型Sora的复现经验

大家好，我是herosunly。985院校硕士毕业，现担任算法研究员一职，热衷于机器学习算法研究与应用。曾获得阿里云天池比赛第一名，CCF比赛第二名，科大讯飞比赛第三名。拥有多项发明专利。对机器学习和深度学习拥有自己独到的见解。曾经辅导过若干个非计算机专业的学生进入到算法行业就业。希望和大家一起成长进步。

本文主要介绍了文生视频大模型Sora的复现经验，希望能够对学习大模型的同学们有所帮助。

文章目录

1. 前言
2. 类 Sora 模型
3. 先于 DiT 的技术架构创新
4. VDT
5. Sora 是世界模型吗？
6. 嘉宾阵容
7. 视频生成技术与应用 \- Sora 时代
8. 活动亮点

1. 前言

2月16日，OpenAI 发布了视频生成领域的重磅模型 —— Sora。

Sora 对 Scaling Law 的信仰及其突破性的技术创新，使它持续保持领先地位。同时，也再次证明了“大力出奇迹”依然适用于文生视频领域。

Sora 披露的技术细节，远远不足以窥其全貌。同时 Sora 目前也未正式对外开放。源于此，针对 Sora 的思考和讨论从未停止过。OpenAI 发布的技术报告如下图所示：

Sora 给整个 AI 领域带来的最大冲击，莫过于如何优化和校正现有的视频生成思路和框架。而由此也引发了持续至今的复现 Sora 的热潮。

复现 Sora 的动力，一方面来自技术人员的技术执着与技术理想，另一方面也来自于未来可预期的商业价值。

另外，不容忽视的是，这家持续被戏称为 CloseAI 的人工智能技术研究机构，已然成为了行业内的标杆，几乎每次发布的产品都能带来颠覆式的创新。但是 OpenAI 似乎在坚持闭源的道路上越走越远，这更加点燃了大众对复现 Sora 的激情。我们可以相信未来的几个月内，多个类 Sora 模型将会陆续发布，并将开源出来。

Sora 发布后的这一个多月来，其相关技术创新的讨论和复现的进度如何呢？下面我们一起来看看。

关于复现 Sora，本文从以下三方面展开：

距离 Sora 发布一个多月了，目前复现的进度如何？
复现的可能性有多大？国内有什么技术基础？
Sora 到底是不是世界模型？能否帮助我们抵达 AGI？有没有必要复现？

2. 类 Sora 模型

目前已经推出且讨论较多的三个模型分别是 Snap Video、Open-Sora 1.0，以及 Mora。

Snap Video

Snap Video 是2月29日发布的类 Sora 模型，它使用到了可扩展的时空 Transformer，来自开发出 SnapChat 图片分享软件的 Snap 公司，以及特伦托大学等机构。

传送门：《首批类Sora模型出现，色拉布上线Snap Video，效果优于Pika、不输Gen-2

Open-Sora 1.0

Open-Sora 1.0 是3月18日全面开源的首个类 Sora 模型，来自 Colossal-AI 团队，该开源模型涵盖了整个训练流程，包括数据处理、所有训练细节和模型权重。

传送门：《没等来OpenAI，等来了Open-Sora全面开源》

Mora

Mora 是几天前由理海大学、微软研究院的研究者提出的多智能体框架，该框架整合了几种先进的视觉 AI 智能体，以复制 Sora 所展示的通用视频生成能力。

传送门：《复刻Sora的通用视频生成能力，开源多智能体框架Mora来了》

尽管目前的模型复现效果依然无法企及 Sora，但是短短一月有余，已经有明显的技术突破出现，不失为一个乐观的信号。据不完全统计，国内已有近 10 支团队在复现 Sora，让我们拭目以待。

3. 先于 DiT 的技术架构创新

Sora 使用的 DiT（Diffusion Transformer）架构目前来看是其最大的技术创新，但追溯来看，也许国内相关的进度更早一些。

U-ViT 架构

2022年9月，清华团队提交的名为《All are Worth Words: A ViT Backbone for Diffusion Models》的论文，比 DiT 还要早 2 个月。该论文提出用基于 Transformer 的网络架构 U-ViT 替代基于 CNN 的 U-Net，这与 Sora 将 Transfomer 和扩散模型融合的思路不谋而合。

传送门：《国内公司有望做出Sora吗？这支清华系大模型团队给出了希望》

4. VDT

2023年5月在 arXiv 网站上公开的 Video Diffusion Transformer (VDT)，是由中国人民大学研究团队主导，并与加州大学伯克利分校、香港大学等进行合作的，基于 Transformer 的 Video 统一生成框架。对采用 Transformer 架构的原因也给出了详细的解释。

传送门：《国内高校打造类Sora模型VDT，通用视频扩散Transformer被ICLR 2024接收》

也许在核心技术的创新上，国内的探索并不落后，而是走在了前面。不过，囿于资源限制以及技术路线规划等其他原因，没能在之前实现类似 Sora 的效果。

Sora 无疑验证出了一条技术可行性的道路，而我们本身在技术架构上的领先探索，将更有利于我们复现出 Sora，甚至可以更加乐观地相信，在某些领域内超越 Sora 的效果。

5. Sora 是世界模型吗？

由 Sora 引发的另一个热点讨论，是关于世界模型的。

Sora 生成的视频无疑对物理世界有了一定了解，比如经典的“海盗船在咖啡杯里纠缠”，肉眼可见能涉及到专业的流体动力学、光线等物理世界的特征。

但是以 Yann LeCun 为代表的一部分科学家力证 Sora 的训练方式和世界模型没有关系。

那 Sora 是不是世界模型，到底懂不懂物理世界？关于这个讨论已经蔓延至各个论坛和直播中。可见对于究竟什么是世界模型这个话题，大家也是见仁见智的。

而我们能明确的是，如果 Sora 是世界模型，那通往通用人工智能（AGI）的理想，可能比我们预计的还要早到达。那复现 Sora 就有了一定的必要性。

关于 Sora，我们保持着好奇，并持续探求以下问题的可能答案。

Sora 之前的视频生成架构/技术还能不能用？如何用？
Sora 之后，谁是被遗忘的？谁又是被仰望的？
Sora 之外，其他创业公司/团队要如何做？做什么？
Sora 会改变主流的技术架构吗？以 DiT 为代表的架构是以后主流的架构选择吗？
国内技术力量应不应该复现 Sora？为什么？
已知有近 10 支团队在复现 Sora，我们可能看到的未来格局是什么？
为什么是 OpenAI? OpenAI 的模式能否复刻？
Sora 之后，全球的视频生成格局是怎样的？又将如何发展和变化？
如何看待一些明星创业公司公开表示不做 Sora?
多模态大模型的未来在哪里？
不同视角下，如何看待 Sora 的冲击？（投资人、非技术人、央国企、AI 创业者、从业者等视角）
OpenAI 扮演着什么样的社会角色？你如何看待这家公司？
……

Sora 带来的冲击是颠覆式的，因此对以上问题的求解将持续进行着。而作为聚焦于 AI 前沿技术探索和应用实践的团队，机器之心 AI 技术论坛再次将视线放在了视频生成领域。

4月13日，在北京六道口，我们策划了一期技术论坛，聚焦 Sora 发布后的技术创新、思考与应用实践。活动现场汇聚多位重磅嘉宾，同时我们也会更加深入地探讨上面提到的问题。

在可预见的未来，相信本次活动能产生一定的积极作用和启发，以期推动我国 AI 开源社区的技术发展和传播。

6. 嘉宾阵容

本次论坛的嘉宾阵容强大，我们邀请到了：

业内的知名技术专家张俊林老师，来一场 Sora 核心技术的深度拆解
爆火的视频生成模型 PixelDance 的作者，来自字节跳动的曾妍老师，分享 PixelDance 背后的技术创新和应用
类 Sora 模型 VDT 的团队负责人，来自中国人民大学孵化的创业公司——智子引擎的 CEO 高一钊博士，详细拆解 VDT 的技术创新和实践
投资人是 AI 领域离不开的重要角色，陈石老师作为峰瑞资本的投资合伙人，将带来投资人/机构视角下的独特观察
国央企在 Sora 发布后迅速响应，占据了 AI 领域一席之地，来自中移动信息技术有限公司的算法技术负责人童同老师，将会分享他的全新思考
类 Sora 模型 Open-Sora 1.0 的技术负责人，来自潞晨科技的 CTO 卞正达老师，更是会详细拆解如何复现 Sora，以及来自他们团队的独特思考与实践
还有更多重磅嘉宾，陆续邀请中……

张俊林

中国中文信息学会理事，中科院软件所博士

目前担任新浪微博新技术研发负责人，此前在阿里巴巴担任资深技术专家，负责新技术团队。技术书籍《这就是搜索引擎：核心技术详解》、《大数据日知录：架构与算法》作者。

曾妍

ByteDance Research 算法工程师

专注于视频生成和多模态预训练等领域的前沿研究。主导研发的模型为字节跳动的视频生成、短视频审核、电商客服、今日头条、教育解题等业务提供了有力服务，并以第一作者身份将相关的八篇论文发表在 TPAMI, ICML, CVPR, ACL 等国际顶级会议和期刊，同时也担任了 TPAMI, ICML, NIPS, ICLR 等会议的审稿人。主导研发的 PixelDance 视频生成基础模型在业界首次实现了高动态性和稳定性的结合，并首次生成了3分钟的连续剧情动画。