生数科技发布可生成最长 16 秒、1080P 视频的类Sora模型：Vidu

生数科技在中关村论坛未来人工智能先锋论坛上，与清华大学共同发布了中国首个长时长、高一致性、高动态性视频大模型——Vidu。这款模型被视为国内首个达到Sora级别的视频大模型。

官方称其核心技术U-ViT架构由团队于2022年9月提出，早于Sora采用的DiT架构，是全球首个Diffusion与Transformer融合的架构。2023年3月，团队开源了全球首个基于U-ViT融合架构的多模态扩散模型UniDiffuser，率先完成了U-ViT架构的大规模可扩展性验证。

主要特点和技术创新：

• 模型结构：Vidu 模型融合了 Diffusion 与 Transformer 技术，创新性地开发了 U-ViT 架构。
• 视频生成能力：Vidu 能够一键生成长达 16 秒、分辨率高达 1080P 的高清视频内容。
• 实际应用演示：在官方资料中，展示了一个视频示例，内容是“画室中的一艘船驶向镜头”，展现了船和海浪的逼真效果。
• 高级功能：Vidu 不仅能模拟真实物理世界，还具备丰富的想象力，支持多镜头生成和高时空一致性。

技术先进性：

• 全球首创：Vidu 的 U-ViT 架构是全球首个将 Diffusion 与 Transformer 融合的架构，早于其他类似模型使用的技术。
• 开源成就：2023年3月，团队开源了基于 U-ViT 架构的多模态扩散模型 UniDiffuser，这是全球首个此类模型，验证了 U-ViT 架构的大规模可扩展性。

官网：shengshu-ai.com/home