Open-Sora 2.0发布：低成本实现商业级视频生成能力
潞晨科技（ColossalAI团队）近日正式发布了Open-Sora 2.0，这是一款拥有110亿参数的开源视频生成模型，以其平衡成本与性能的特点引起业界广泛关注。该模型仅投入约20万美元（相当于224张GPU）的训练成本，却在多项评测中表现接近顶级商业模型。
视频演示
注：以上GIF为压缩格式，查看原始高质量视频请访问官方展示页面
性能表现
在权威的VBench评测中，Open-Sora 2.0与OpenAI Sora模型的性能差距从上一代的4.52%缩小到仅0.69%，几乎实现追平。用户偏好测试显示，该模型在视觉质量（69.5%胜率）、文本一致性（55.6%胜率）等指标上优于多款竞品，与腾讯HunyuanVideo（11B）和Step-Video（30B）等商业模型表现相当。
在VBench评测中的表现对比
用户偏好测试胜率对比
模型训练成本对比
技术创新
Open-Sora 2.0实现低成本高性能的背后，是一系列技术创新：
- 高效模型架构：采用3D全注意力机制与MMDiT架构（Masked Motion Diffusion Transformer），增强时空特征建模能力
- 低分辨率优先策略：先学习运动特征，再通过图生视频（T2I2V）提升画质，节省40倍计算资源
- 并行训练框架：借助ColossalAI并行框架，结合ZeroDP、Gradient Checkpointing等技术，GPU利用率达99%
- 高压缩自编码器：将768px视频生成时间从30分钟缩短至3分钟，速度提升10倍
开源生态价值
作为全栈开源项目，Open-Sora 2.0在GitHub公开了模型权重、训练代码（含数据预处理、分布式优化）和技术报告。模型支持多种应用场景：
- 影视预演：生成分镜脚本与特效原型
- 广告创意：快速制作多场景视频
- 教育科普：动态演示物理规律
- 游戏开发：自动生成NPC行为动画与场景过渡效果
该项目半年内论文引用量破百，吸引了包括英伟达在内的多家企业参与生态共建，为视频生成技术的普及提供了重要推动力。
实用功能与特性
Open-Sora 2.0具备丰富的实用功能：
多种分辨率与长宽比支持
支持256px和768px分辨率，能够处理16:9、9:16、1:1、2.39:1等不同长宽比的视频生成。
多种生成模式
- 文本生成视频：根据文字描述生成符合内容的视频
- 图像生成视频：将静态图像转化为具有动态效果的视频
- 动作强度控制：通过Motion Score参数（1-7分）调整视频中的运动幅度
动作分数从左到右分别为1分、4分、7分
高效推理
模型在高端GPU（如H100/H800）上能够高效运行：
- 256×256分辨率视频生成：单GPU仅需约60秒
- 768×768分辨率视频生成：8GPU并行可在约4.5分钟内完成
获取与使用
模型已在下列平台开放下载：
未来发展
潞晨科技团队表示，Open-Sora未来将继续提升：
- 支持4K分辨率、1分钟以上长视频生成
- 探索多模态能力（音频同步生成、跨模态编辑）
- 进一步降低训练与推理成本
这一突破性成果预计将显著降低视频内容创作门槛，推动AI视频工具在更广泛领域的应用。