国内高校成功开发VDT类Sora模型，ICLR 2024会议接收通用视频传播Transformer
2月16日，OpenAISora的发布无疑标志着视频生成领域的一次重大突破。Sora基于DiffusionTransformer架构，和市面上大部分主流方法（由2DStableDiffusion扩展）并不相同。为什么Sora坚持使用DiffusionTransformer，其中的原因从同时期发表在ICLR2024（VDT:General-purposeVideoDiffusionTransformersviaMaskModeling）的论文可以窥见一二。这项工作由中国人民大学研究团队主导，并与加州大学伯克
论文标题：VDT: General-purpose Video Diffusion Transformers via Mask Modeling 文章地址：Openreview: https://openreview.net/pdf?id=Un0rgm9f04 arXiv地址: https://arxiv.org/abs/2305.13311 项目地址：VDT: General-purpose Video Diffusion Transformers via Mask Modeling 代码地址：https://github.com/RERV/VDT
与主要为图像设计的 U-Net 不同，Transformer 能够借助其强大的 token 化和注意力机制，捕捉长期或不规则的时间依赖性，从而更好地处理时间维度。 只有当模型学习（或记忆）了世界知识（例如空间时间关系和物理法则）时，才能生成与现实世界相符的视频。因此，模型的容量成为视频扩散的一个关键组成部分。Transformer 已经被证明具有高度的可扩展性，比如 PaLM 模型就拥有高达 540B 的参数，而当时最大的 2D U-Net 模型大小仅 2.6B 参数（SDXL），这使得 Transformer 比 3D U-Net 更适合应对视频生成的挑战。 视频生成领域涵盖了包括无条件生成、视频预测、插值和文本到图像生成等多项任务。以往的研究往往聚焦于单一任务，常常需要为下游任务引入专门的模块进行微调。此外，这些任务涉及多种多样的条件信息，这些信息在不同帧和模态之间可能有所不同，这就需要一个能够处理不同输入长度和模态的强大架构。Transformer 的引入能够实现这些任务的统一。
将 Transformer 技术应用于基于扩散的视频生成，展现了 Transformer 在视频生成领域的巨大潜力。VDT 的优势在于其出色的时间依赖性捕获能力，能够生成时间上连贯的视频帧，包括模拟三维对象随时间的物理动态。 提出统一的时空掩码建模机制，使 VDT 能够处理多种视频生成任务，实现了技术的广泛应用。VDT 灵活的条件信息处理方式，如简单的 token 空间拼接，有效地统一了不同长度和模态的信息。同时，通过与该工作提出的时空掩码建模机制结合，VDT 成为了一个通用的视频扩散工具，在不修改模型结构的情况下可以应用于无条件生成、视频后续帧预测、插帧、图生视频、视频画面补全等多种视频生成任务。
本文详细解析Sora在国内的使用现状，指出目前官方未对公众开放注册，提醒用户警惕虚假链接，并提供关注官方动态及替代方案的实用建议。
OpenAI GPT-6 Astra 模型通过 MCP 协议与 SourcePauseTool 控制《传送门》游戏，完成 3336 次工具调用并自主通关。实验耗时约 24 小时，API 成本约 571 美元，展示了多模态 AI 在 3D 解谜领域的突破性进展。
OpenAI算力总量预计2025年达1.9GW，较2023年增长9.5倍，年经常性收入同步增至200亿美元。推理成本已压至每百万token不到1美元，采取训练性能优先、推理效率优先的双轨策略。未来营收将拓展技术授权与按成效付费模式，并优先研发AIAgent与工作流自动化。
Transformer核心作者NoamShazeer离开谷歌加入OpenAI，担任架构研究负责人。他曾参与创办Character.AI，后因谷歌交易回归，如今再次转投。此举折射出行业对Transformer架构局限性的反思，以及下一代模型架构创新的迫切需求。
Transformer论文共同一作、谷歌元老级AI专家NoamShazeer再次离开谷歌，加盟OpenAI。他拥有高达35万余次论文引用，近期专利涉及结构化工具调用、神经架构搜索及混合专家模型等关键方向。OpenAI借此补齐构建超级智能体与底层模型架构的核心能力。
AI传奇人物诺姆·沙泽尔离开谷歌加入OpenAI。作为Transformer架构之父，他因不满谷歌严格的审批流程和“大公司病”，再次出走。选择OpenAI因其快速迭代理念和开放氛围，契合其推动AGI落地的核心诉求。
OpenAI的Codex工具开放第三方模型接入，但实际门槛高，仅支持ResponsesAPI协议。DeepSeek等国产模型无法直接接入，需通过本地转接桥，响应速度慢于官方模型，但成本极低。此举为国产模型提供成熟Agent容器机会，但OpenAI仍掌握核心标准。
OpenAI发布LifeSciBench基准测试，为AI制药建立标准化评估工具，推动行业规范。港股创新药板块短期承压，但AI制药从概念验证走向产业落地趋势不变，研发效率成核心竞争维度，板块估值有望修复。
GettyImages与OpenAI签署展示协议，股价盘前暴涨141%，空头回补放大涨幅，市场反应强烈。此次合作标志着双方从对抗转向合作，OpenAI授权版图持续扩张，但公司基本面压力犹存。
OpenAI联合博通推出首款自研AI芯片Jalapeño，专为大语言模型推理设计，开发周期仅9个月。芯片采用软硬件协同设计，并用AI优化自身架构，每瓦性能大幅领先业界。计划2026年商用，通过全栈布局降低AI使用门槛。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
