Open-Sora 2.0：潞晨科技推出的一款開(kāi)源SOTA視頻生成模型

Open-Sora于2025-03-17發(fā)布在Ai產(chǎn)品

Open-Sora 2.0是什么？

Open-Sora 2.0是由潞晨科技推出的一款全新開(kāi)源的SOTA視頻生成ai模型。它僅用20萬(wàn)美元（224張GPU）就成功訓(xùn)練出商業(yè)級(jí)11B參數(shù)視頻生成大模型，實(shí)現(xiàn)接近 SOTA（最優(yōu)）質(zhì)量，但性能直追HunyuanVideo和階躍星程30B參數(shù)的Step-Video，接近 OpenAI Sora！Open-Sora 2.0具備高效訓(xùn)練和推理優(yōu)化，能夠快速生成 720p 分辨率的流暢視頻，適用于創(chuàng)意視頻制作、社交媒體內(nèi)容生成等領(lǐng)域。

Open-Sora 2.0：潞晨科技推出的一款開(kāi)源的SOTA視頻生成模型.webp

Open-Sora 2.0功能特征

高質(zhì)量視頻生成：支持720p高分辨率和24FPS流暢視頻生成，能夠生成細(xì)節(jié)豐富、場(chǎng)景切換自然的視頻。

動(dòng)作幅度可控：可根據(jù)需求設(shè)定運(yùn)動(dòng)幅度，以更好地展現(xiàn)人物或場(chǎng)景的細(xì)膩動(dòng)作。

高性能與低成本：

Open-Sora 2.0 采用 11B 參數(shù)規(guī)模，性能媲美甚至超越主流閉源大模型（如 HunyuanVideo 和 30B 參數(shù)的階躍星程），在 VBench 和人工偏好測(cè)試中表現(xiàn)卓越。
訓(xùn)練成本大幅降低，僅用 20 萬(wàn)美元（224 張 GPU）即可完成訓(xùn)練，相比傳統(tǒng)高性能視頻生成模型，成本降低了 5-10 倍。，媲美 OpenAI Sora。

多種生成方式：

文生視頻：支持用文本描述直接生成對(duì)應(yīng)的視頻內(nèi)容。
圖生視頻：結(jié)合開(kāi)源圖像模型，基于圖像生成視頻。

高效訓(xùn)練與優(yōu)化：

采用多階段、多層次的數(shù)據(jù)篩選機(jī)制，確保高質(zhì)量數(shù)據(jù)輸入，提升訓(xùn)練效率。
優(yōu)先在低分辨率下訓(xùn)練，學(xué)習(xí)關(guān)鍵動(dòng)態(tài)特征，逐步提升分辨率，大幅降低計(jì)算開(kāi)銷(xiāo)。
優(yōu)先訓(xùn)練圖生視頻任務(wù)，用圖像特征引導(dǎo)視頻生成，加速模型收斂。
結(jié)合ColossalAI和系統(tǒng)級(jí)優(yōu)化，提升計(jì)算資源利用率。
引入高壓縮比視頻自編碼器，將推理時(shí)間縮短至單卡3分鐘以?xún)?nèi)，推理速度提高了10倍。

強(qiáng)大的模型架構(gòu)：

基于3D自編碼器、3D全注意力機(jī)制和MMDiT架構(gòu)，顯著提升訓(xùn)練效率和推理速度。
通過(guò)多桶訓(xùn)練機(jī)制，實(shí)現(xiàn)對(duì)不同視頻長(zhǎng)度和分辨率的同時(shí)訓(xùn)練。

Open-Sora 2.0：潞晨科技推出的一款開(kāi)源的SOTA視頻生成模型.webp

Open-Sora 2.0技術(shù)突破

模型架構(gòu)：采用3D全注意力機(jī)制和MMDiT架構(gòu)，增強(qiáng)時(shí)空特征建模能力；基于擴(kuò)散Transformer（DiT）擴(kuò)展，引入時(shí)間注意力層，實(shí)現(xiàn)視頻序列的動(dòng)態(tài)生成。
高效訓(xùn)練策略：通過(guò)多級(jí)過(guò)濾機(jī)制確保高質(zhì)量訓(xùn)練數(shù)據(jù)輸入，優(yōu)先學(xué)習(xí)運(yùn)動(dòng)特征，再通過(guò)圖生視頻（T2I2V）提升畫(huà)質(zhì)，節(jié)省40倍計(jì)算資源。
推理加速革命：采用高壓縮自編碼器（4×32×32壓縮比），將768px視頻生成時(shí)間從30分鐘縮短至3分鐘，速度提升10倍。

Open-Sora 2.0：潞晨科技推出的一款開(kāi)源的SOTA視頻生成模型.webp