Sora

根据 OpenAI 提供的技术报告可知，SORA 的基本训练思路仍是 Diffusion，即先向视频中添加噪声，然后利用模型预测其中的噪声部分，进而通过迭代逐步消除噪声，还原清晰的视频。而在模型结构上，除了用于视频压缩的 Video Encoder 和 Video Decoder，SORA 真正用于去噪的模型结构，是基于 DiT 设计的。