跳到主内容
人工智能

Open-Sora 2.0：仅以20万美元训练商业级视频生成模型

Open-Sora 2.0: Training a Commercial-Level Video Generation Model in $200k

Zangwei Zheng, Xiangyu Peng, Lou, Yuxuan, Shen, Chenhui, Young, Tom, Guo, Xinying, Wang, Binluo, Xu, Hang, Liu, Hongxin, Jiang, Mingyan, Li, Wenjun, Yuhui Wang, Anbang Ye, Ren, Gang, Ma, Qianran, Wanying Liang, Lian, Xiang, Wu, Xiwen, Yuting Zhong, Li, Zhuangyan

arXiv (Cornell University) · 2025-03-12

开放获取生成式与扩散被引 27被引前 50%影响因子 ≈1.1

摘要

过去一年中，视频生成模型取得了显著进展。AI视频的质量持续提升，但代价是模型规模更大、数据量更多、对训练算力的需求也更高。在本报告中，我们介绍Open-Sora 2.0——一款仅以20万美元训练出的商业级视频生成模型。借助该模型，我们证明训练高性能视频生成模型的成本具备高度可控性。我们详细阐述了促成这一效率突破的所有技术，包括数据筛选、模型架构、训练策略与系统优化。根据人工评估结果与VBench得分，Open-Sora 2.0可与全球领先的视频生成模型相媲美，包括开源的HunyuanVideo和闭源的Runway Gen-3 Alpha。通过将Open-Sora 2.0完全开源，我们旨在让先进视频生成技术的获取更加普惠，推动内容创作领域实现更广泛的创新与创造力释放。所有资源均可在https://github.com/hpcaitech/Open-Sora公开获取。

本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。

AI 综述

基于摘要生成
主要观点
论文以 Open-Sora 2.0 为具体对象，提出训练顶级视频生成模型的成本具有高度可控性：该模型仅以 20 万美元完成训练，却被定位为 commercial-level video generation model。支撑性论断包括：效率突破来自数据策展、模型架构、训练策略与系统优化四类技术的组合；依据人工评估结果与 VBench 分数，Open-Sora 2.0 可与开源 HunyuanVideo 和闭源 Runway Gen-3 Alpha 相比。论文进一步主张，将 Open-Sora 2.0 完全开源有助于降低先进视频生成技术的获取门槛，并促进内容创作中的创新与创造力。其问题域聚焦于视频生成模型在质量、模型规模、数据量、训练算力需求与训练成本之间的可控关系。
研究方法
论文采用技术报告式的模型构建与训练实践呈现，围绕 Open-Sora 2.0 的训练过程说明数据策展、模型架构、训练策略和系统优化等效率来源。评价路径包括人工评估结果与 VBench 分数，并将 Open-Sora 2.0 与 HunyuanVideo、Runway Gen-3 Alpha 进行对比。材料未明确提及具体的样本规模、数据构成、实验分组、消融实验设计、评分者构成或统计检验方法。
学术贡献
贡献集中于方法路径与资源开放层面：论文将 20 万美元训练成本与 commercial-level 视频生成质量并置，提出训练成本高度可控的技术报告结论，并列出数据策展、模型架构、训练策略与系统优化等效率技术。其材料发掘与领域拓展价值体现在以 Open-Sora 2.0 的完整开源资源指向视频生成模型的可复现与可获取性议题，对 AI 视频生成模型训练效率与开源生态子领域有直接材料价值。对艺术理论、审美判断或艺术设计方法等艺术学子领域，材料中未明确提及直接贡献。
存在局限
论证链条上，20 万美元成本的口径未在摘要中拆分，材料未说明其是否包含数据获取、人工标注、算力租赁、人力与评测等具体项目。评价设计上，人工评估的评分者背景、评分维度、盲评方式与评分者间一致性未交代，VBench 的版本、子集与提示集构成亦未明确。对比环节未说明 HunyuanVideo 与 Runway Gen-3 Alpha 的具体版本、调用条件与评测环境，难以判断可比性边界。技术贡献度方面，数据策展、模型架构、训练策略与系统优化各自对成本下降和质量保持的独立作用缺少消融或量化归因。
进一步研究方向
可以 Open-Sora 2.0 开源资源为对象，复现训练与推理流程并按算力、数据、标注、人力、评测分项记录成本，验证 20 万美元成本可控性的边界条件。针对数据策展设置分层采样与不同数据配比实验，比较各组在 VBench 分数与人工评分上的变化，量化数据策略对质量与成本的贡献。针对模型架构、训练策略与系统优化分别做消融实验，测量吞吐、显存占用、训练时长与最终视频质量之间的关系。评价方面可设计包含评分者背景记录、盲评、多维度量表与评分者间一致性检验的人工评估，并在固定 VBench 版本、提示集和基线模型版本下复测与 HunyuanVideo、Runway Gen-3 Alpha 的差异。

本综述由 AI（deepseek-flash）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。

参考文献

相关论文

话题：Generative Adversarial Networks and Image Synthesis