图表17Sora/Runway/Pika/PixVerse生成效果对比

展望 2024 年，Sora 爆火有望明确 DiT 路线地位，但对算力提出更大挑战。Sora 采用的Diffusion Transformer（DiT）架构将 U-Net 主干替换为 Transformer 形成新的扩散模型，由此带来的优点是具备更高的可拓展性。Sora 产生的 1 分钟视频长度远超其他模型，在三维空间的连贯性、持久性，包括数字世界的模拟方面都有更好的表现。但由于视频增加了时间的维度，其 token 长度远远超过文本和图像，对大模型训练所需的算力开支提出挑战。