清华军团推出中国首个对标Sora的视频大模型Vidu,扒一扒它背后的模型架构

本文主要是介绍清华军团推出中国首个对标Sora的视频大模型Vidu,扒一扒它背后的模型架构,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

就在前天,Vidu 在 2024 中关村论坛年会之中横空出世

图片

伴随着“中国首个”,“Sora 级视频模型”,“模拟真实的物理世界”等关键词下的刷屏式的报道,Vidu 一下成为国产视频模型的一剂强心针。

尽管目前 Vidu 支持的视频长度是 16 秒,尚未达到 Sora 的 60 秒级,但是单看 Vidu 的宣传视频,如果以 Sora 为对标,可以看出 Vidu 在如时空一致性、物理规律遵循以及多镜头等等方面都已经对 Sora 不遑多让

  GPT-3.5研究测试:

https://hujiaoai.cn

GPT-4研究测试:

https://higpt4.cn

Claude-3研究测试(全面吊打GPT-4):

https://hiclaude3.com

背靠清华军团,提出全球首个Diffusion + Transformer架构U-ViT,早于Sora

撇开视频的质量不说,笔者发现了一个更牛逼的事情:

Vidu背后的模型架构U-ViT 和 Sora 的核心架构 Diffusion Transformer(DiT)完全一致,且更早于DiT的发表时间。

这家在 2023 年 3 月份成立的“清华军团”生数科技,其实早在 2022 年 9 月,其创业团队就发布了基于 Transformer 架构的底层统一网络框架 U-ViT。

而Sora 的核心架构 Diffusion Transformer(DiT) 发布于 2022 年 12 月。

但其实这两项工作在架构思路与实验路径上完全一致,核心 idea 都在于将 Transformer 与 Diffusion Model 进行结合。

图片

论文链接:
https://arxiv.org/pdf/2209.12152

而也因此,人工智能领域的著名科学家,清华大学人工智能研究院副院长、也是生数科技的首席科学家朱军教授面对 Sora 就曾提到:“虽然Sora的出现表明美国在多模态大模型领域具有领先性,但是中国也并非完全从零开始的阶段

其实就在 Sora 发布后不久,我们就梳理了当时国内「类Sora模型」的发展现状,在当时尽管文生视频模型国内已经有不少大厂创企进行过尝试,但是那时的视频生成可能还只能是说“让图片动起来”,大部分的改进也都是在于如何让这个动起来的图片更高清或分辨率更高,而不是像 Sora 一样直接作为一个 World Simulator 而出现。

图片

不单在国内,自 Sora 发布以来的三个月,Vidu 目前是世界唯一一个突破 Sora 级的视频大模型。其实如果从 Transformer + Diffusion Model 这个 idea 构建伊始去看 Vidu,我们可以发现从一开始 Vidu 与 Sora 事实上就在走同一条路线。

2023 年 3 月,对标文生图的 Stable Diffusion,生数科技就已经开源了全球首个基于 U-ViT 框架的多模态扩散大模型 UniDiffuser,其模型参数量从最早开源版的 1B 不断扩展至 3B(30亿)、7B、10B及以上,参数量和训练数据规模上都与 Stable Diffusion 直接对齐,成功完成 U-ViT 的可扩展性验证。

从 Diffusion Model 的最初的网络架构——基于 CNN 的 U-Net 架构出发,与 Sora 的 DiT 一样,U-ViT 的核心思想都在于将基于 CNN 的网络替换为基于 Transformer 的网络

从 2019 年 Song Yang 那篇从 Score-Based Model 视角理解生成模型的文章首次使用 U-Net 伊始,后续扩散模型的各种标杆工作,如大名鼎鼎的 DDPM,ADM,Imagen 等等都基于 U-Net 架构对 Diffusion Model 中的“噪音”进行建模,一个传统的 U-Net 网络大致如下图所示:

图片

而其实随着 Vision Transformer(ViT)逐渐在各类视觉任务中展露头面,一个很自然的想法其实就是“扩散模型网络架构是否一定需要基于 CNN?”,这个答案很快就被 U-ViT 与 DiT 所回答:“显然不是,甚至 Transformer 更好”

而为了验证最开始的“直觉”,U-ViT 设计了如下的基于 ViT 的网络架构,利用 ViT 的思路,U-ViT 将带噪图片划分多个 Patch,结合扩散模型中的扩散时间步,条件等等作为 Token 输入到 Transformer Block 之中

图片

除了这步将 ViT 模式搬运到扩散模型中的一步以外,U-ViT 还受 U-Net 启发,采用了浅层和深层之间的 Long skip Connection。采取 Long skip Connection 的直观在于,扩散模型利用预测噪声“去噪”的过程,高度依赖图像中的“Low-Level Feature”,例如边缘,角,颜色等等,而这种连接通过将 Low-Level Feature 从网络的浅层引入到深层,从而大大提升了扩散模型的预测能力,也进一步的提升了模型的图像生成能力。

图片

而 Sora 背后的 DiT 思路也几乎完全一致,最核心的一步都是将 ViT 引入到扩散模型之中,实现 VAE encoder + ViT + DDPM + VAE decoder 的组装:

图片

U-ViT曾被CVPR 2023拒稿,后被ICCV 2023 接受

有意思的插曲是,DiT 最初也是投稿于 CVPR 2023,但是由于CVPR 2023 收录了 U-ViT 论文,因此 DiT 被以「缺乏创新」为由而拒稿,后来才被 ICCV 2023 接收

图片

当然彼时,无论是 U-ViT 还是 DiT 都还停留在图像生成的领域,尚且还未发展到视频生成这一步,不过在 2023 年 3 月,朱军教授团队的工作 UniDiffuser 在 U-ViT 的基础上,将扩散模型往多模态方向推进了一步。UniDiffuser 除了单向的文生图以外,还能实现如图生文,图文联合生成,图文改写等等能力,从「多模型」出发,UniDiffuser 其实早在一年前就为今天 Vidu 的出现埋下了伏笔。

图片

在 Vidu 发布之后,朱军教授发声:“Vidu,we do, we did, we do together!感谢小伙伴们日以继夜的坚持,在实验室架构上开花结果。”

其实,可能与许多其他公司基于「复制」的“追赶者战略”不同,Vidu 实实在在的从机器学习与多模态大模型的理论研究与训练经验中走出了一条自己的道路,可能也正是因为这些积累,才让 Vidu 在短短两个月的时间内就突破了 Sora 背后的许多关键技术。

而甚至不同于 Sora 的视频生成,Vidu 一开始就建立在一个多模态扩散模型的基础之上。当下视频生成可能也仅仅是 Vidu 的一个展示形态,从这个意义上来讲,可能 Vidu 当下可以许诺的,不仅仅是一个“中国版的 Sora”那么简单吧!

这篇关于清华军团推出中国首个对标Sora的视频大模型Vidu,扒一扒它背后的模型架构的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/945047

相关文章

用js控制视频播放进度基本示例代码

《用js控制视频播放进度基本示例代码》写前端的时候,很多的时候是需要支持要网页视频播放的功能,下面这篇文章主要给大家介绍了关于用js控制视频播放进度的相关资料,文中通过代码介绍的非常详细,需要的朋友可... 目录前言html部分:JavaScript部分:注意:总结前言在javascript中控制视频播放

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

Java异常架构Exception(异常)详解

《Java异常架构Exception(异常)详解》:本文主要介绍Java异常架构Exception(异常),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. Exception 类的概述Exception的分类2. 受检异常(Checked Exception)

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型,3步搞定一个应

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首