主要观点总结
本文讨论了视频生成领域的最新进展，特别是Sora和生数科技在视频生成技术上的贡献。文章强调，多模态模型，特别是视频模型，具有更高的智能上限，并且Sora和生数科技在视频生成领域展现了出色的技术能力和前瞻性。生数科技通过实践和创新，实现了视频模型的多主体一致性，并验证了视频模型的通用性。作者认为，视频模型是未来智能模型的重要组成部分，并且多模态模型有潜力覆盖语言模型，实现更全面的智能。文章还探讨了创业和科研之间的差异，以及生数科技在吸引和评估人才方面的策略。作者对未来视频生成领域的发展持乐观态度，并期待更多的技术突破和创新。
关键观点总结
关键观点1: 视频生成技术的最新进展
Sora和生数科技在视频生成技术上的贡献，实现了多主体一致性和视频模型的通用性。
关键观点2: 多模态模型的潜力
多模态模型，特别是视频模型，具有更高的智能上限，并可能覆盖语言模型，实现更全面的智能。
关键观点3: 生数科技的技术实践和创新
生数科技通过实践和创新，实现了视频模型的多主体一致性，并验证了视频模型的通用性。
关键观点4: 创业与科研的差异
在学术界，研究主要关注发散，而在工业界，更多关注收敛，从众多发散成果中筛选保留有效部分。
关键观点5: 生数科技的人才策略
生数科技需要既有前沿理解又具备实际工程能力的人才，以推动技术的收敛和创新。
关键观点6: 对未来的展望
作者对未来视频生成领域的发展持乐观态度，并期待更多的技术突破和创新。
文章预览
创业公司最重要的是目标的创新与坚持。 对话｜张鹏 编辑｜Nico 2024 年接近尾声，这一年多模态领域最大的进展，是从年初就开始的视频生成技术的突破。 Sora 基于 DiT（Diffusion Transformer）架构，把长视频生成的效果提高到了前所未有的水平，也掀起了全球范围内的视频生成热潮。 追随者众多，全球第一个交出成果的是国内大模型团队生数科技的 Vidu。随后数月，生数不断在一致性等模型性能上取得突破，近期发布的 Vidu 1.5 在全球率先突破了视频模型的多主体一致性难题，证实视频模型也有 context window，泛化能力得到验证。它通向「通用」。 事实上，Vidu 背后的团队，比 OpenAI 更早实践了 Diffusion Transformer 架构。2022 年 9 月，还在清华大学朱军教授实验室的鲍凡发表了 U-ViT 架构论文，12 月伯克利团队发布了路线同源的 DiT 架构，这一年的 CVPR，大会接
………………………………
