爆火 Sora 参数规模仅 30 亿？纽约大学谢赛宁等大佬技术分析来了

图片地址：https://img.ithome.com/newsuploadfiles/2024/2/617ca34c-e021-4fd9-bb38-76e7e1d6eb5b.gif

就说 Sora 有多火吧。生成的视频上线一个、疯传一个。作者小哥新上传的效果，很快引来围观。失败案例都让人看得上瘾。将近 1 万人点赞。学术圈更炸开锅了，各路大佬纷纷开麦。纽约大学助理教授谢赛宁（ResNeXt 的一作）直言，Sora 将改写整个视频生成领域。英伟达高级研究科学家 Jim Fan高呼，这就是视频生成的 GPT-3 时刻啊！尤其在技术报告发布后，讨论变得更加有趣。因为其中诸多细节不是十分明确，所以大佬们也只能猜测。包括“Sora 是一个数据驱动的物理引擎”、“Sora 建立在 DiT 模型之上、参数可能仅 30 亿”等等。所以，Sora 为啥能如此惊艳？它对视频生成领域的意义是？这不，很快就有了一些可能的答案。视频生成的 GPT-3 时刻总的来说，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，也就是一种“扩散型 Transformer”。关于技术