从ChatGPT到Sora，大模型热潮汹涌依旧。

距离Sora发布仅两个多月，“中国版Sora”就已经从概念和口号，成为了现实。

4月27日，生成式人工智能基础设施及应用提供商生数科技，刚刚正式发布了中国首个长时长、高一致性、高动态性视频大模型——Vidu，支持一键生成长达16秒、分辨率高达1080P的高清视频内容。

仅从时长来看，相较于Sora长达60秒的视频生成能力，Vidu已然达到了前者的26.67%的水平。而在视频效果上，Vidu也堪称“媲美”。基于此，生数科技颇有底气地为Vidu，打上了“全面对标Sora”的标签。

值得一提的是，与2023年，清华系占据大模型赛道半壁江山，如出一辙。此次，Vidu的诞生，也和清华关系匪浅。

首先，Vidu正是由生数科技联合清华大学共同发布的。其次，生数科技的首席科学家正是清华大学计算机系教授、人工智能研究院副院长朱军。第三，生数科技的CEO唐家渝本硕就读于清华大学计算机系；CTO鲍凡则是清华大学计算机系博士生、朱军教授的课题组成员。

仅凭强大的团队组成，生数科技就成为了资本市场上炙手可热的存在。

在过去七个月内，刚刚成立一年多的生数科技，接连完成三轮大额融资，蚂蚁集团、百度、锦秋基金、启明创投、智谱AI均已成为该公司股东，并助推其成为目前国内在多模态大模型赛道估值最高的创业团队。

全面对标Sora！16秒+1080P

当地时间2月15日，OpenAI正式发布文生视频模型Sora，并发布了48个文生视频案例和技术报告，宣告入局视频生成领域。自此，国内多模态大模型赛道，热度不断攀升。

早在2023年6月，就明确表示“正积极打造世界领先的可控多模态通用大模型”的生数科技，似乎已然具备了先发优势。

事实，确也如此。据钛媒体消息，今年三月唐家渝曾表示，生数科技的视频生成长度在4-5秒左右，“我们近期将重点突破长视频生成能力……尤其长视频画面的连贯性。”

谈及与Sora的竞争，唐家渝城，“整体上来讲，我们（中国）追赶Sora肯定比追赶GPT-4容易一些。今年一定能达到Sora目前版本的效果，很难说是三个月还是半年。”

一个月过去，唐家渝的目标进度，显然迈进了一大步。

生数科技介绍称，Vidu不仅能够模拟真实物，还拥有丰富想象力，具备多镜头生成、时空一致性高等特点。Vidu也是自Sora发布之后全球率先取得重大突破的视频大模型，性能全面对标国际顶尖水平，并在加速迭代提升中。

在时长方面，Vidu能够根据提供的文本描述直接生成长达16秒的高质量视频。换言之，生数科技已经相较于一个月前，有了3-4倍的成长。

除了在时长方面的突破外，Vidu在视频效果方面实现显著提升，主要体现在几个方面：

模拟真实物理世界：能够生成细节复杂的场景，且符合真实的物理规律，例如合理的光影效果、细腻的人物表情等；

来源：生数科技

具有丰富想象力：能够生成真实世界不存在的虚构画面，创造出具有深度和复杂性的超现实主义内容。

来源： 生数科技

多镜头语言：能够生成复杂的动态镜头，不再局限于简单的推、拉、移等固定镜头，而是能够围绕统一主体在一段画面里就实现远景、近景、中景、特写等不同镜头的切换，包括能直接生成长镜头、追焦、转场等效果，给视频注入镜头语言；

来源：生数科技

时空一致性高：在16秒的时长上保持连贯流畅，随着镜头的移动，人物和场景在时间、空间中能够保持一致；

来源：生数科技

理解中国元素：能够生成特有的中国元素，例如熊猫、龙等；

来源：生数科技

值得一提的是，短片中的片段都是从头到尾连续生成，没有明显的插帧现象，从这种“一镜到底”的表现能够推测出，Vidu采用的是“一步到位”的生成方式，与Sora一样，文本到视频的转换是直接且连续的，在底层算法实现上是基于单一模型完全端到端生成，不涉及中间的插帧和其他多步骤的处理。