Task01：Sora技术路径详解

1.Sora能力边界探索

1.Sora能力总结：
	1.Text-to-video: 文生视频
	2.Image-to-video: 图生视频
	3.Video-to-video: 改变源视频风格or场景
2.Sora提升：
	1.最大支持60秒高清视频生成，以及基于已有短视频的前后扩展，同时保持人物/
	场景的高度一致性
	2.Extending video in time: 视频拓展(前后双向)如奶茶般丝滑过渡的视频融
	合能力
	3.同一场景的多角度/镜头的生成能力
	4.具有动态摄像机运动的视频。随着摄像机的移动和旋转，人和其他场景元素在
	三维空间中一致地移动
	5.From 1920 x 1080 to 1080 x 1920 视频输出比例自定义支持任意分辨率，
	宽高比的视频输出
	6.生成的视频虽未完全符合世界规律，但已经可以以假乱真，很多检测手段都未
	必能检测出来是AI生成的
3.Sora的局限：
	1.Sora对物理规律的理解仍然十分有限

2.Sora模型训练流程

1.原始视频数据切分为 Patches通过 VAE 编码器压缩成低维空间表示
2.基于 Diffusion Transformer完成从文本语义到图像语义的再映射
3.DiT 生成的低维空间表示，通过 VAE 解码器恢复成像素级的视频数据

4.统一表示不同类型的视频数据

5.Sora是一个在不同时长、分辨率和宽高比的视频及图像上训练而成的扩散模型，同时采用了Transformer架构

6.模型训练：扩散模型 DDPM

7.模型训练：基于扩散模型的主干 U-Net

3.Sora关键技术拆解

1.ViT

2.理解时空编码：Spacetime latent patches

3.摊大饼法：从输入视频剪辑中均匀采样 n_t 个帧，使用与ViT相同的方法独立地嵌入
每个2D帧(embed each 2D frameindependently using the same method as 
ViT)，并将所有这些token连接在一起

4.技术报告分析

	1.时空联合建模

	2.SORA 支持不同长度、不同分辨率的输入

	3.技术难点：视频压缩网络类似比于Latent Diffusion Model 中的 VAE，但压
	缩率是多少，Encoder的复杂度，时空交互的range还需要进一步的探索和实验
	4.Peebles 在ICCV上发表了一篇Dit 的工作该文章在TechnicalReport的
	Reference中给出：结合 Diffusion Model 和 Transformer，通过 Scale 
	up Model 提升图像生成质量图像的scaling技术运用到视频场景非常直观，可以
	确定是 SORA 的技术之一

	5.Diffusion Transformer， = VAE encoder + ViT + DDPM + VAE：DiT
	 利用 transformer 结构探索新的扩散模型，成功用 transformer 替换 U-
	 Net 主干

	6.网络结构：Diffusion Transformer，DiT

	7.技术难点

		1.训练数据：OpenAI 使用类似 DALLE3 的Cationining 技术训练了自己
		的 Video Captioner用以给视频生成详尽的文本描述
		2.保证视频一致性：模型层不通过多个 Stage 方式来进行视频预测而是整
		体预测视频的 Latent在训练过程中引入 Auto Regressive的task帮助模
		型更好地学习视频特征和帧间关系

	8.网络结构： DALLE 2
		1.将文本提示输入文本编码器，该训练过的编码器便将文本提示映射到表
		示空间；
		2.先验模型将文本编码映射到图像编码，图像编码捕获文本编码中的语义
		信息；
		3.图像解码模型随机生成一幅从视觉上表现该语义信息的图像；

4.个人的思考与总结

1.算力需求增长• 对算力需求增长如何？如 LLM 在服务器形态爆发？推理生产应用端
爆发增长？
	1.SORA 模型参数量预计 <30B，模型参数量不会像 LLM 需要千卡/万卡大规模
	 AI 集群训练（~百卡）；
	 2.DALL·E 3 视频文本标注数据有限（<30B），训练数据不像 LLM 可以无监督
	 学习；
	 3.OpenAI 尚未公布 SORA 商业化时间，视频生成距离成熟还有时间距离（< 
	 半年）；
	 4.目前推理算力比 SD、SDXL 要大2/3个量级，需要结合 AI 训练集群或者 
	 AI 推理集群；
	 5.LLM 大语言模型仍然是2024年消耗算力大头，多模态很多工作建立在语言之
	 上；
	6例：一分钟长度、每秒30帧的视频，平均每帧包含256个token，总计将产生 
	460k token。以 34B 模型（这里只是一个猜测），需要7xA100资源推理。
	Dit XL 输入 512x512， 训练使用一个 TPU V3-256 Pod， 按照 TFLOPS 换
	算约等于 105 个 A100。 那么 Sora 需要的训练和微调的资源会是多少?

2.技术总结
	1. Scaling Law：模型规模的增大对视频生成质量的提升具有明确意义，从而
	很好地解决视频一致性、连续性等问题；
	2. Data Engine：数据工程很重要，如何设计视频的输入（e.g. 是否截断、长
	宽比、像素优化等）、patches 的输入方式、文本描述和文本图像对质量；AI 
	Infra：AI 系统（AI 框架、AI 编译器、AI 芯片、大模型）工程化能力是很大
	的技术壁垒，决定了 Scaling 的规模。
	3. LLM：LLM 大语言模型仍然是核心，多模态（文生图、图生文）都需要文本语
	义去牵引和约束生成的内容，CLIP/BLIP/GLIP 等关联模型会持续提升能力；

5.学习笔记原文：Sora技术原理详解