你好，我是郭震
Sora震撼上线，大模型继续狂飙。
通过公布的一些短视频，来看Sora的视频生成效果。
为了更加容易在公众号展示，把视频尺寸压缩为原来的1/3，大家可以看看效果：
以上5个Sora生成视频，因Sora是闭源的，具体的技术细节，无从得知，只能通过公布的技术框架，了解到：
Sora 可能基于GPT-4 多模态版本为基础模型，引入扩展模型（如扩散模型或基于时序卷积网络的生成模块），以支持视频帧的生成与序列化，通过 Transformer 的时间嵌入机制对视频帧间的时序关系进行建模。
文本到视频的生成通过一个联合的嵌入空间实现，将文本和视频的语义统一对齐。初步生成低分辨率的视频帧序列，使用超分辨率网络提升视频帧质量（如 Real-ESRGAN 模块）。
可能采用扩散去噪模型进行多帧生成的平滑优化，保证连续性。
更多视频生成的技术细节，我们不妨从上周发布的腾讯版Sora来一探究竟，腾讯开源了视频生成的代码，部署在下面两个平台：
同时也发布了技术report：
还能通过PC在线免费体验：
腾讯视频模型称为HunyuanVideo，简称混元视频模型。
根据官方介绍，模型拥有130亿参数，是目前开源领域内参数规模最大的文本生成视频模型。
先看腾讯版Sora生成的几个视频，同样为了兼容公众号文章，视频尺寸压缩为1/3：
因视频已被压缩，抛开清晰度，你能发现：Sora生成的5条视频，腾讯混元生成的这5条视频，有什么区别吗？
衡量文生视频好坏，最重要的三个核心指标是什么？如下所示：
最重要的指标，物理一致性，也就是视频动作是否符合真实物理世界，如重力效果；
第二，场景一致性，帧间是否连续，如布局、光线；
第三，视频是否准确传达了输入文本的核心语义。
下面我亲自实践下，腾讯混元视频模型效果，进入网站，输入这些文字：
中国古代盛唐的江南豫章美景：落霞与孤鹜齐飞，秋水共长天一色
然后点击右下角的按钮，就进入视频生成阶段：
步骤可以说是非常简单，做到了一句话生成视频。提示预计5分钟，实际大概2分钟左右就出来下面视频：
为了展示在公众号里，同样尺寸压缩为1/3后展示：
根据腾讯混元视频模型技术Report，混元计算资源远远小于闭源的Sora模型：
腾讯混元视频模型，目前在开源里面得分最高：
混元模型架构如下：
模型在时空压缩的潜在空间中训练，该空间通过因果3D VAE压缩。
文本提示通过大语言模型编码，并作为条件使用。
以高斯噪声和条件为输入，模型生成输出潜变量，并通过3D VAE解码器解码为图像或视频。
3D VAE压缩组件是核心技术之一，其架构如下所示：
上图中间小块，即为压缩后隐式表达。
另一个核心是文本编码组件：如下图右侧所示，腾讯提出了预训练多模态编码方法：
下面详细介绍了MLLM优势，包括：对齐能力强，图片细节处理和复杂推理强，指令跟随能力更强：
训练阶段，模型不基于预训练，而是完全从零开始训。损失函数另外引入了感知损失和对抗损失。训练策略是课程学习策略，从低到高分辨率：
推理阶段主要challenge，单GPU内存会爆。处理方法：采用时空平铺策略，将输入视频在空间和时间维度上分割成重叠的平铺块。每个平铺块分别进行编码/解码，输出结果再拼接在一起：
关于混元视频模型的scaling laws，会在接下来研究：
论文给出了更多生成视频图形展示：
更多有趣的应用，姿势跟随对齐：
多姿势和表情对齐：
总结
腾讯混元视频模型，技术创新还是蛮多的，并且代码开源了，这会活跃社区，技术贡献会被进一步放大，期望越来越好！
想要下载混元39页论文的，在下面我的公众号后台回复：混元
我的AI技术团队，正在招募志同道合的小伙伴，欢迎加入：
如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个⭐️，这样以后就不会错过我的AI教程。谢谢你看我的文章，我们下篇再见！
