今天，一則重磅消息席卷了 AI 圈：OpenAI 發布了視頻模型 Sora，能根據文本生成長達一分鐘的高質量 1920x1080 視頻，生成能力遠超此前只能生成 25 幀 576x1024 圖像的頂尖視頻生成模型 Stable Video Diffusion。

同時，OpenAI 也公布了一篇非常簡短的技術報告。報告僅大致介紹了 Sora 的架構及應用場景，并未對模型的原理詳加介紹。讓我們來快速瀏覽一下這份報告，看看科研人員從這份報告中能學到什么。

LDM 與 DiT 的結合

簡單來說，Sora 就是 Latent Diffusion Model (LDM) [1] 加上 Diffusion Transformer (DiT) [2]。我們先簡要回顧一下這兩種模型架構。

LDM 就是 Stable Diffusion 使用的模型架構。擴散模型的一大問題是計算需求大，難以擬合高分辨率圖像。為了解決這一問題，實現 LDM時，會先訓練一個幾乎能無損壓縮圖像的自編碼器，能把 512x512 的真實圖像壓縮成 64x64 的壓縮圖像并還原。接著，再訓練一個擴散模型去擬合分辨率更低的壓縮圖像。這樣，僅需少量計算資源就能訓練出高分辨率的圖像生成模型。

LDM 的擴散模型使用的模型是 U-Net。而根據其他深度學習任務中的經驗，相比 U-Net，Transformer 架構的參數可拓展性強，即隨著參數量的增加，Transformer 架構的性能提升會更加明顯。這也是為什么大模型普遍都采用了 Transformer 架構。從這一動機出發，DiT 應運而生。DiT 在 LDM 的基礎上，把 U-Net 換成了 Transformer。

順帶一提，Transformer 本來是用于文本任務的，它只能處理一維的序列數據。為了讓 Transformer 處理二維圖像，通常會把輸入圖像先切成邊長為 的圖塊，再把每個圖塊處理成一項數據。也就是說，原來邊長為 的正方形圖片，經圖塊化后，變成了長度為 的一維序列數據。

Transformer 是一種和順序無關的計算。比如對于輸入"abc"和"bca"，Transformer 會輸出一模一樣的值。為了描述數據的先后順序，使用 Transformer 時，一般會給數據加一個位置編碼。

Sora 是一個視頻版的 DiT 模型。讓我們看一下 Sora 在 DiT 上做了哪些改進。

時空自編碼器

在此之前，許多工作都嘗試把預訓練 Stable Diffusion 拓展成視頻生成模型。在拓展時，視頻的每一幀都會單獨輸入進 Stable Diffusion 的自編碼器，再重新構成一個壓縮過的圖像序列。而 VideoLDM[3] 工作發現，直接對視頻使用之前的圖像自編碼器，會令輸出視頻出現閃爍的現象。為此，該工作對自編碼器的解碼器進行了微調，加入了一些能夠處理時間維度的模塊，使之能一次性處理整段壓縮視頻，并輸出連貫的真實視頻。

Sora 則是從頭訓練了一套能直接壓縮視頻的自編碼器。相比之前的工作，Sora 的自編碼器不僅能在空間上壓縮圖像，還能在時間上壓縮視頻長度。這估計是為什么 Sora 能生成長達一分鐘的視頻。

報告中提到，Sora 也能處理圖像，即長度為1的視頻。那么，自編碼器怎么在時間上壓縮長度為1的視頻呢？報告中并沒有給出細節。我猜測該自編碼器在時間維度做了填充（比如時間被壓縮成原來的 1/2，那么就對輸入視頻填充空數據直至視頻長度為偶數），也可能是輸入了視頻長度這一額外約束信息。

時空壓縮圖塊

輸入視頻經過自編碼器后，會被轉換成一段空間和時間維度上都變小的壓縮視頻。這段壓縮視頻就是 Sora 的 DiT 的擬合對象。在處理視頻數據時，DiT 較 U-Net 又有一些優勢。

之前基于 U-Net 的去噪模型在處理視頻數據時（如 [3])，都需要額外加入一些和時間維度有關的操作，比如時間維度上的卷積、自注意力。而 Sora 的 DiT 是一種完全基于圖塊的 Transformer 架構。要用 DiT 處理視頻數據，不需要這種設計，只要把視頻看成一個 3D 物體，再把 3D 物體分割成「圖塊」，并重組成一維數據輸入進 DiT 即可。和原本圖像 DiT 一樣，假設視頻邊長為 ，時長也為 ，要切成邊長為 的圖塊，最后會得到 個數據。

處理任意分辨率、時長的視頻

報告中反復提及，Sora 在訓練和生成時使用的視頻可以是任何分辨率（在 1920x1080 以內）、任何長寬比、任何時長的。這意味著視頻訓練數據不需要做縮放、裁剪等預處理。這些特性是絕大多數其他視頻生成模型做不到的，讓我們來著重分析一下這一特性的原理。

Sora 的這種性質還是得益于 Transformer 架構。前文提到，Transformer 的計算與輸入順序無關，必須用位置編碼來指明每個數據的位置。盡管報告沒有提及，我覺得 Sora 的 DiT 使用了類似于 的位置編碼來表示一個圖塊的時空位置。這樣，不管輸入的視頻的大小如何，長度如何，只要給每個圖塊都分配一個位置編碼，DiT 就能分清圖塊間的相對關系了。

相比以前的工作，Sora 的這種設計是十分新穎的。之前基于 U-Net 的 Stable Diffusion 為了保證所有訓練數據可以統一被處理，輸入圖像都會被縮放與裁剪至同一大小。由于訓練數據中有被裁剪的圖像，模型偶爾也會生成被裁剪的圖像。生成訓練分辨率以外的圖像時，模型的表現有時也會不太好。SDXL [4] 的解決方式是把裁剪的長寬做為額外信息輸入進 U-Net。為了生成沒有裁剪的圖像，只要令輸入的裁剪長寬為 0 即可。類似地，SDXL 也把圖像分辨率做為額外輸入，使得 U-Net 學習不同分辨率、長寬比的圖像。相比 SDXL，Sora 的做法就簡潔多了。

之前基于 DiT 的模型 （比如華為的 PixArt [5]）似乎都沒有利用到 Transformer 可以隨意設置位置編碼這一性質。DiT 在處理輸入圖塊時，會先把圖塊變形成一維數據，再從左到右編號，即從從左到右，從上到下地給二維圖塊組編號。這種位置編碼并沒有保留圖像的二維空間信息，因此，在這種編碼下，模型的輸入分辨率必須固定。比如對于下面這個的圖塊組，如果是從左到右、從上到下編碼，模型等于是強行學習到了「1號在0號右邊、4號在0號下面」這樣的位置信息。如果輸入的圖塊形狀為 ，那么圖塊間的相對關系就完全對不上了。而如果像 Sora 這樣以視頻圖塊的 來生成位置編碼的話，就沒有這種問題了，輸入視頻可以是任何分辨率、任何長度。

Transformer 在視頻生成的可拓展性

前文提過，Transformer 的特點就是可拓展性強，即模型越大，訓練越久，效果越好。報告中展示了1倍、4倍、16倍某單位訓練時間下的生成結果，可以看出模型確實一直有進步。

語言理解能力

之前大部分文生圖擴散模型都是在人工標注的圖片-文字數據集上訓練的。后來大家發現，人工標注的圖片描述質量較低，紛紛提出了各種提升標注質量的方法。Sora 復用了自家 DALL·E 3 的重標注技術，用一個訓練的能生成詳細描述的標注器來重新為訓練視頻生成標注。這種做法不僅解決了視頻缺乏標注的問題，且相比人工標注質量更高。Sora 的部分結果展示了其強大了抽象理解能力（如理解人和貓之間的交互），這多半是因為視頻標注模型足夠強大，視頻生成模型學到了視頻標注模型的知識。但同樣，視頻標注模型的相關細節完全沒有公開。

其他生成功能

基于已有圖像和視頻進行生成：除了約束文本外，Sora 還支持在一個視頻前后補充內容（如果是在一張圖片后面補充內容，就是圖生視頻）。報告沒有給出實現細節，我猜測是直接做了反演（inversion）再把反演得到的隱變量替換到隨機初始隱變量中。

視頻編輯：報告明確寫出，只用簡單的 SDEdit （即目前 Stable Diffusion 中的圖生圖）即可實現視頻編輯。

視頻內容融合：可能是對兩個視頻的初始隱變量做了插值。

圖像生成：當然，Sora 也可以生成圖像。報告表明，Sora 可以生成最大 2048x2048 的圖像。

涌現出的能力

通過學習大量數據，Sora 還涌現出一些意想不到的能力。

3D 一致性：視頻中包含自然的相機視角變換。之前的 Stable Video Diffusion 也有類似發現。

長距離連貫性：AI 生成出來的視頻往往有物體在中途突然消失的情況。而 Sora 有時候能克服這一問題。

與世界的交互：比如在描述畫畫的視頻中，畫紙上的內容隨畫筆生成。

模擬數字世界：報告展示了在輸入文本有"Minecraft"時，模型能生成非常真實的 Minecraft 游戲視頻。這大概只能說明模型的擬合能力太強了，以至于學會了生成 Minecraft 這一種特定風格的視頻。

局限性

報告結尾還是給出了一些失敗的生成示例，比如玻璃杯在桌子上沒有摔碎。這表明模型還不能完全學會某些物理性質。然而，我覺得現階段 Sora 已經展示了足夠強大的學習能力。想模擬現有視頻中已經包含的物理現象，只需要增加數據就行了。

總結

Sora 是一個驚艷的視頻生成模型，它以卓越的生成能力（高分辨率、長時間）與生成質量令一眾同期的視頻生成模型黯然失色。Sora 的技術報告非常簡短，不過我們從中還是可以學到一些東西。從技術貢獻上來看，Sora 的創新主要有兩點：

讓 LDM 的自編碼器也在視頻時間維度上壓縮。

使用了一種不限制輸入形狀的 DiT

其中，第二點貢獻是非常有啟發性的。DiT 能支持不同形狀的輸入，大概率是因為它以視頻的3D位置生成位置編碼，打破了一維編碼的分辨率限制。后續大家或許會逐漸從 U-Net 轉向 DiT 來建模擴散模型的去噪模型。

我認為 Sora 的成功有三個原因。前兩個原因對應兩項創新。第一，由于在時間維度上也進行了壓縮，Sora 最終能生成長達一分鐘的視頻；第二，使用 DiT 不僅去除了視頻空間、時間長度上的限制，還充分利用了 Transformer 本身的可拓展性，使訓練一個視頻生成大模型變得可能。第三個原因來自于視頻標注模型。之前 Stable Diffusion 能夠成功，很大程度上是因為有一個能夠關聯圖像與文本的 CLIP 模型，且有足夠多的帶標注圖片。相比圖像，視頻訓練本來就少，帶標注的視頻就更難獲得了。一個能夠理解視頻內容，生成詳細視頻標注的標注器，一定是讓視頻生成模型理解復雜文本描述的關鍵。除了這幾點原因外，剩下的就是砸錢、擴大模型、加數據了。

Sora 顯然會對 AIGC 社區產生一定影響。對于 AIGC 愛好者而言，他們或許會多了一些生成創意視頻的方法，比如給部分幀讓 Sora 來根據文本補全剩余幀。當然，目前 Sora 依然不能取代視頻創作者，長視頻的質量依然有待觀察。對于正在開發相似應用的公司，我覺得他們應該要連夜撤銷之前的方案，轉換為這套沒有分辨率限制的 DiT 的方案。他們的壓力應該會很大。對于相關科研人員而言，除了學習這種較為新穎的 DiT 用法外，也沒有太多收獲了。這份技術報告透露出一股「我絕對不會開源」的意思。沒有開源模型，普通的研究者也就什么都做不了。新技術的誕生絕對不可能靠一家公司，一個模型就搞定。像之前的 Stable Diffusion，也是先開源了一個基礎模型，科研者和愛好者再補充了各種豐富的應用。我呼吁各大公司盡快訓練并開源一個這種不限分辨率的 DiT，這樣科研界或許會拋開 U-Net，基于 DiT 開發出新的擴散模型應用。

審核編輯：黃飛

?