SORA用的是什么技术Sora是一种扩散模型，它首先从类似静态噪声的视频开始，然后通过多步骤去除噪声来逐渐转换它。Sora能够一次性生成整个视频或将已生成的视频扩展为更长的视频。通过一次为模型提供许多帧的预见性，SORA团队解决了确保主题在暂时离开视线时仍保持一致这一具有挑战性的问题。与GPT模型类似，Sora使用了一种转换器架构，解锁了卓越的扩展性能。SORA团队将视频和图像表示为称为块的较小数据单元的集合，每个块都与GPT中的令牌类似。通过统一如何表示数据，可以在比以往更广泛的视觉数据上训练扩散转换器，涵盖不同的持续时间、分辨率和纵横比。Sora建立在DALL·E和GPT模型过去的研究之上。它使用了来自DALL·E 3的重述技术，该技术涉及为视觉训练数据生成高度描述性的标题。因此，该模型能够更忠实地遵循生成视频中用户的文本指令。除了能够仅从文本指令生成视频外，该模型还能够采用现有的静态图像并从中生成视频，以精确和注重细节的方式呈现图像的内容。该模型还可以采用现有的视频并进行扩展或填充缺失的帧。在我们的技术报告中了解更多信息。Sora为可以理解和模拟现实世界的模型奠定了基础，SORA团队认为这将是实现通用人工智能的重要里程碑。