北大团队发起了一项Sora复现计划——Open Sora。框架、实现细节已出：初始团队一共13人：带队的是北大信息工程学院助理教授、博导袁粒和北大计算机学院教授、博导田永鸿等人。
为什么发起这项计划？
因为资源有限，团队希望集结开源社区的力量，尽可能完成复现。
消息一出，就有人北大校友兼AnimateDiff贡献者等人即刻响应：
还有人表示可以提供高质量数据集：
所以，“国产版Sora”的新挑战者，就这么来了？
计划细节，已完成3个初步功能
首先，来看目前公布的技术细节——即团队打算如何复现Sora。
整体框架上，它将由三部分组成：
Video VQ-VAE
Denoising Diffusion Transformer（去噪扩散型Transformer）
Condition Encoder（条件编码器）
这和Sora技术报告的内容基本差不多。
对于Sora视频的可变长宽比，团队通过参考上海AI Lab刚刚提出的FiT（Flexible Vision Transformer for Diffusion Model，即“升级版DiT”）实施一种动态掩码策略，从而在并行批量训练的同时保持灵活的长宽比。
具体来说, 我们将高分辨率视频在保持长宽比的同时下采样至最长边为256像素, 然后在右侧和底部用零填充至一致的256x256分辨率。这样便于videovae以批量编码视频, 以及便于扩散模型使用注意力掩码对批量潜变量进行去噪。
对于可变分辨率，团队则表示在推理过程中，尽管在固定的256x256分辨率上进行训练,，但使用位置插值来实现可变分辨率采样。
具体而言：
我们将可变分辨率噪声潜变量的位置索引从[0, seq_length-1]下调到[0, 255]，以使其与预训练范围对齐。这种调整使得基于注意力的扩散模型能够处理更高分辨率的序列。对于可变时长，则使用VideoGPT中的Video VQ-VAE,，将视频压缩至潜在空间，支持这一功能。
同时，还要在扩展空间位置插值至时空维度，实现对可变时长视频的处理。
在此，主页也先给了两个demo，分别是10s视频重建和18s重建，分辨率分别为256x256和196x196：
这三个功能都已经初步实现。
相关的训练代码也已经在对应的仓库上上线：
成员介绍，目前的训练是在8个A100-80G上进行的（明显还远远不够），输入大小为8帧 128 128，大概需要1周时间才能生成类似ucf（一个视频数据集）的效果。
而从目前已经列出的9项to do事项来看，除了可变长宽比、可变分辨率和可变时长，动态掩码输入、在embeddings上添加类条件这两个任务也已完成。
未来要做的包括：
采样脚本
添加位置插值
在更高分辨率上微调Video-VQVAE
合并SiT
纳入更多条件
以及最重要的：使用更多数据和更多GPU进行训练
袁粒、田永鸿领衔
严格来说，Open Sora计划是北大-兔展AIGC联合实验室联合发起的。
领衔者之一袁粒，为北大信息工程学院助理教授、博导，去年获得福布斯30岁以下亚洲杰出人物榜单。
他分别在中国科学技术大学和新加坡国立大学获得本科和博士学位。
研究方向为深度视觉神经网络设计和多模态机器学习，代表性一作论文之一T2T-ViT被引次数1000+。
领衔者之二田永鸿，北京大学博雅特聘教授，博士生导师，IEEE、ACM等fellow，兼任鹏城实验室（深圳）人工智能研究中心副主任，曾任中科院计算所助理研究员、美国明尼苏达大学访问教授。
从目前公布的团队名单来看，其余成员大部分为硕士生。
包括袁粒课题组的林彬，他曾多次以一作或共同一作身份参与了“北大版多模态MoE模型”MoE-LLaVA、Video-LLaVA和多模态对齐框架LanguageBind（入选ICLR 2024）等工作。
兔展这边，参与者包括兔展智能创始人、董事长兼CEO董少灵（他也是北大校友）。
完整名单：
谁能率先发布中文版Sora？
相比ChatGPT，引爆文生视频赛道的Sora研发难度显然更大。
谁能夺得Sora中文版的首发权，目前留给公众的是一个大大的问号。
在这之中，传闻最大的是字节。
今年2月初，张楠辞去抖音集团CEO一职，转而负责剪映，就引发了外界猜测。
很快，一款叫做“Boximator”的视频生成模型浮出水面。
它基于PixelDance和ModelScope两个之前的成果上完成训练。
不过，很快字节就辟谣这不是“字节版sora”：
它的效果离Sora还有很大差距，暂时不具备落地条件，并且至少还需2-3个月才能上线demo给大家测试。
但，风声并未就此平息。
去年11月，字节剪映悄悄上线了一个AI绘画工具“Dreamina”，大家的评价还不错。
现在，又有消息称：
Dreamina即将上线类似sora的视频生成功能（目前在内测）。
不知道，这一次是不是字节亮出的大招呢？
Open Sora项目主页：