潞晨科技正式推出 Open-Sora 2.0 —— 一款全新开源的 SOTA 视频生成模型，仅 20 万美元（224 张 GPU）成功训练商业级 11B 参数视频生成大模型。开发高性能的视频生成模型通常耗资高昂：Meta 的视频模型训练需要 6000 多张 GPU 卡片，投入数百万美元。在多项关键指标上，它与动辄百万美元训练成本的模型分庭抗礼，全面提升视频生成的可及性与可拓展性。

　　今天，视频生成领域迎来开源革命！Open-Sora 2.0—— 全新开源的SOTA（State-of-the-Art）视频生成模型正式发布，仅用20 万美元（224 张 GPU）成功训练出商业级 11B 参数视频生成大模型，性能直追 HunyuanVideo 和 30B 参数的 Step-Video。权威评测 VBench 及用户偏好测试均证实其卓越表现，在多项关键指标上媲美动辄数百万美元训练成本的闭源模型。此次发布全面开源模型权重、推理代码及分布式训练全流程，让高质量视频生成真正触手可及，进一步提升视频生成的可及性与可拓展性。

　　观看宣传片，体验 Open-Sora 2.0 的强大生成能力动作幅度可控：可根据需求设定运动幅度，以更好地展现人物或场景的细腻动作。 画质与流畅度：提供 720p 高分辨率和 24 FPS 流畅视频，让最终视频拥有稳定帧率与细节表现。支持丰富的场景：从乡村景色到自然风光场景，Open-Sora 2.0生成的画面细节与相机运镜都有出色的表现。

　　VBench 指标表现强势：根据视频生成权威榜单 VBench 的评测结果，Open-Sora 模型的性能进步显著。从 Open-Sora 1.2 升级到 2.0 版本后，与行业领先的 OpenAI Sora 闭源模型之间的性能差距大幅缩小，从之前的4.52%缩减至仅0.69%，几乎实现了性能的全面追平。此外，Open-Sora 2.0 在 VBench 评测中取得的分数已超过腾讯的 HunyuanVideo，以更低的成本实现了更高的性能，为开源视频生成技术树立了全新标杆！

　　Open Sora 自开源以来，凭借其在视频生成领域的高效与优质表现，吸引了众多开发者的关注与参与。然而，随着项目的深入推进，也面临着高质量视频生成成本居高不下的问题。为解决这些挑战，Open Sora 团队展开了一系列卓有成效的技术探索，显著降低了模型训练成本。根据估算，市面上 10B 以上的开源视频模型，动辄需要上百万美元的单次训练成本，而 Open Sora 2.0 将该成本降低了 5-10 倍。

　　作为开源视频生成领域的领导者，Open-Sora 不仅继续开源了模型代码和权重，更开源了全流程训练代码，成功打造了强大的开源生态圈。据第三方技术平台统计，Open-Sora 的学术论文引用量半年内获得近百引用，在全球开源影响力排名中稳居首位，领先所有开源的 I2V/T2V 视频生成项目，成为全球影响力最大的开源视频生成项目之一。

　　GA黄金甲入口

　　Open-Sora 2.0 延续 Open-Sora 1.2 的设计思路，继续采用3D 自编码器和Flow Matching 训练框架，并通过多桶训练机制，实现对不同视频长度和分辨率的同时训练。在模型架构上，引入3D 全注意力机制，进一步提升视频生成质量。同时，采用最新的MMDiT 架构，更精准地捕捉文本信息与视频内容的关系，并将模型规模从1B 扩展至 11B。此外，借助开源图生视频模型 FLUX进行初始化，大幅降低训练成本，实现更高效的视频生成优化。

　　为了追求极致的成本优化，Open-Sora 2.0 从四个方面着手削减训练开销。首先，通过严格的数据筛选，确保高质量数据输入，从源头提升模型训练效率。采用多阶段、多层次的筛选机制，结合多种过滤器，有效提升视频质量，为模型提供更精准、可靠的训练数据。

　　其次，高分辨率训练的成本远超低分辨率，达到相同数据量时，计算开销可能高达40 倍。以256px、5 秒的视频为例，其tokens 数量约 8 千，而768px的视频tokens 数量接近 8 万，相差10 倍，再加上注意力机制的平方级计算复杂度，高分辨率训练的代价极其昂贵。因此，Open-Sora 优先将算力投入到低分辨率训练，以高效学习运动信息，在降低成本的同时确保模型能够捕捉关键的动态特征。

　　与此同时，Open-Sora优先训练图生视频任务，以加速模型收敛。相比直接训练高分辨率视频，图生视频模型在提升分辨率时具备更快的收敛速度，从而进一步降低训练成本。在推理阶段，除了直接进行文本生视频（T2V），还可以结合开源图像模型，通过文本生图再生视频（T2I2V），以获得更精细的视觉效果。

　　最后，Open-Sora 采用高效的并行训练方案，结合ColossalAI和系统级优化，大幅提升计算资源利用率，实现更高效的视频生成训练。为了最大化训练效率，我们引入了一系列关键技术，包括：

　　高效的序列并行和 ZeroDP，优化大规模模型的分布式计算效率。细粒度控制的 Gradient Checkpointing，在降低显存占用的同时保持计算效率。训练自动恢复机制，确保 99% 以上的有效训练时间，减少计算资源浪费。高效数据加载与内存管理，优化 I/O，防止训练阻塞，加速训练流程。高效异步模型保存，减少模型存储对训练流程的干扰，提高 GPU 利用率。算子优化，针对关键计算模块进行深度优化，加速训练过程。

　　这些优化措施协同作用，使 Open-Sora 2.0 在高性能与低成本之间取得最佳平衡，大大降低了高质量视频生成模型的训练。

　　在训练完成后，Open-Sora 面向未来，进一步探索高压缩比视频自编码器的应用，以大幅降低推理成本。目前，大多数视频模型仍采用4×8×8的自编码器，导致单卡生成 768px、5 秒视频耗时近 30 分钟。为解决这一瓶颈，Open-Sora 训练了一款高压缩比（4×32×32）的视频自编码器，将推理时间缩短至单卡 3 分钟以内，推理速度提升10 倍。

　　要实现高压缩比编码器，需要解决两个核心挑战：如何训练高压缩但仍具备优秀重建效果的自编码器，以及如何利用该编码器训练视频生成模型。针对前者，Open-Sora 团队在视频升降采样模块中引入残差连接，成功训练出一款重建质量媲美当前开源 SoTA 视频压缩模型，且具备更高压缩比的 VAE，自此奠定了高效推理的基础。

　　高压缩自编码器在训练视频生成模型时面临更高的数据需求和收敛难度，通常需要更多训练数据才能达到理想效果。为解决这一问题，Open-Sora 提出了基于蒸馏的优化策略，以提升AE（自编码器）特征空间的表达能力，并利用已经训练好的高质量模型作为初始化，减少训练所需的数据量和时间。此外，Open-Sora 还重点训练图生视频任务，利用图像特征引导视频生成，进一步提升高压缩自编码器的收敛速度，使其在更短时间内达到一定生成效果。

　　Open-Sora 认为，高压缩比视频自编码器将成为未来降低视频生成成本的关键方向。目前的初步实验结果已展现出显著的推理加速效果，希望能进一步激发社区对这一技术的关注与探索，共同推动高效、低成本的视频生成发展。

　　Open-Sora 2.0，未来已来。让我们用更少的资源、更开放的生态，创造属于下一代的数字影像世界！

　　(六)开展主题活动，加强员工教育管理。组织开展员工管理主题年活动，切实改进和加强员工管理。各银行业金融机构要将员工教育培训作为案防工作的重要内容，系统、全面开展员工岗位规范和业务流程教育，明晰违规操作应承担的责任;开展职业道德教育，培养员工诚实守信的职业操守;加大合规文化建设力度，增强各级管理人员合规意识，营造“合规从高层做起、合规人人有责、合规创造价值”的合规氛围。

　　时事2：澳门至尊电子03月07日,两岸经贸受台选举影响？ 国台办：继续促进经济交流合作,

　　时事3：开运体育官网app03月07日,五问今年来北方最强高温过程：为何高温如此凶猛 未来还要热多久？ ,

　　时事4：188体育入口登录03月07日,新疆红其拉甫口岸正式进入常年开放,

　　(五)启动市区“一项攻坚、三项整治”行动。“一项攻坚”，就是要在市区开展违章建筑拆除攻坚行动。今年要围绕打造一批无瑕疵的精品街区这一工作重点，列出拆迁重点，把任务交到甘州区，甘州区要把任务细化落实到人。“三项整治”就是要开展以环境卫生为重点的市容整治、以退路还市为重点的市场整治、以亮化美化为重点的风貌整治。市容整治方面，要推行以环卫部门管理和专业队伍定时定点清扫保洁、沿街门店单位和市民门前“三包”(包卫生、包美化、包秩序)落实、公益性援助岗位及城市低保人员积极参与的城市环境卫生管理新机制，形成城市管理的强大合力。市场整治方面，要围绕退市还路，优先规划建设一批小市场，让经营者有市可进。风貌整治方面，要把城市亮化纳入规划管理，把亮化效果作为竣工验收的一项重要指标，打造流光溢彩的城市夜景。“一项攻坚、三项整治”行动由副市长余锋牵头，甘州区政府具体落实，春节前形成，年后付诸实施。

　　新闻信息服务许可证音像制品出版许可证广播电视节目制作经营许可证网络视听许可证网络文化经营许可证山东省互联网传媒集团主办联系电话 违法不良信息举报电话