Open-Sora-Plan
开源视频生成里程碑：北大+兔展团队复现Sora，85亿参数SUV模型支持文生视频/图生视频
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
开源视频生成里程碑：北大+兔展团队复现Sora，85亿参数SUV模型支持文生视频/图生视频
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
2024年初，OpenAI扔出一颗"王炸"——Sora，一个能用一句话生成一分钟高清视频的AI模型，瞬间引爆全球科技圈。那时候，技术圈流传着一种说法："Sora的代码是闭源的，参数是保密的，API是限流的——它是少数人手里的魔法，普通开发者只能远远围观。"
但北大-兔展AIGC联合实验室的一群人，偏不信这个邪。
2024年初，PKU-YuanGroup（北京大学元赐团队）联合兔展智能、华为、鹏城实验室，宣布启动Open-Sora Plan——一个完全开源的Sora复现项目。他们的目标很简单：让每个开发者、每个研究者、每个对AI视频生成感兴趣的普通人，都能参与到这场技术变革中来，而不只是站在门外干瞪眼。
不到两年时间，这个项目在GitHub上狂拦超过12000颗星，成为视频生成开源领域最受关注的标杆项目之一。
Open-Sora Plan的核心技术基于扩散模型（Diffusion Model）。简单类比一下：扩散模型就像让一位画家先在画布上随意泼墨（加噪），然后再一步步把这些墨点擦除并重新画成目标图像（去噪）。只不过在视频生成场景中，这位"画家"要同时处理时间轴上的多帧画面，确保视频在空间和时间维度都保持连贯性。
传统的DiT（Diffusion Transformer）架构需要处理所有帧之间的注意力关系，计算量随帧数平方增长。Open-Sora Plan v1.5.0引入了**SUV（Sparse U-shaped Video DiT）**稀疏注意力机制——借鉴CV领域的U-Net思想，将稀疏注意力引入Transformer，构建U型稀疏结构。这意味着模型可以在保持性能的同时，大幅降低计算成本，让长视频生成成为可能。
视频数据体量庞大，直接在像素层面处理扩散模型对算力要求极高。Open-Sora Plan采用了**WFVAE（Wavelet-based Frame-level VAE）**视觉编码器，将视频压缩到低维潜空间。v1.5.0版本将压缩率提升至8×8×8（时空各压缩8倍），相比社区广泛使用的4×8×8 VAE，潜空间尺寸减半，注意力序列长度大幅缩短，编码时间和显存占用显著降低，同时重建质量（Wavelet-FVD指标）更优。
项目基于PyTorch 2.1.0构建，依赖Diffusers 0.30.2提供扩散模型基础能力，使用xformers 0.0.22优化Transformer注意力计算，通过Accelerate实现分布式训练支持，推理侧集成Gradio提供交互式Web界面。v1.5.0全面转向华为昇腾NPU生态，训练和推理均运行在Ascend 910系列加速器上，并使用MindSpeed-MM框架支持并行训练策略。
一个视频生成模型能生成什么样的内容，很大程度上取决于它"看"过多少视频。
Open-Sora Plan v1.5.0训练数据集包含：
基于这一数据集，团队训练出85亿参数的SUV模型。相比同期的开源视频生成模型（如HunyuanVideo），Open-Sora Plan在8B规模下达到了与之相当的综合性能，但完全开源了训练代码和权重。
训练过程中的一个技术亮点是**自适应梯度裁剪（Adaptive Grad Clipping）**策略：传统方法使用固定阈值（如1.0），但在大规模训练后期，梯度范数往往远低于阈值，导致训练效率下降。Open-Sora Plan引入基于EMA（指数移动平均）的动态阈值机制，根据训练进度自动调整裁剪阈值，既保证了训练稳定性，又提升了收敛效率。
项目采用模块化设计，主要目录结构如下：
必须诚实地说：Open-Sora Plan的部署难度相当高，不适合普通用户。
主要原因有三：
硬件门槛极高：训练需要华为昇腾910B或NVIDIA A100级别GPU，单卡显存需求40GB以上，推理也至少需要20GB显存。绝大多数开发者根本没有这类硬件。根目录没有提供Dockerfile，虽然存在.github/workflows/docker_build.yml构建配置，但需要手动配置完整的容器环境。
软件依赖复杂：除了PyTorch、CUDA/CANN外，还需要安装Ascend CANN Toolkit、MindSpeed-MM框架，以及一系列视频处理库（decord、av、moviepy等）。依赖版本锁定较紧（PyTorch 2.1.0、xformers 0.0.22等），环境配置极易出现版本冲突。
权重获取门槛：官方权重通过HuggingFace或内部渠道分发，下载需要特殊网络条件。Gradio推理界面代码完整，但如果缺少模型权重，界面只能看不能用。
不过，如果你有科研条件（高校实验室、企业研究院）或者能够配置昇腾NPU环境，这个项目是目前开源视频生成领域最值得深入研究的代码库之一。
虽然训练环境门槛极高，但Open-Sora Plan提供了Gradio Web UI作为面向普通用户的交互入口。推理侧代码质量很高：
但使用前提仍然是拥有模型权重。目前部分权重托管在HuggingFace和魔乐社区（Modelers），但下载速度不稳定。
Open-Sora Plan的意义远超项目本身。
在它之前，视频生成领域基本被几家大厂垄断——OpenAI的Sora、Runway的Gen-3、Pika Labs……开发者想要参与，只能调用API、付钱，或者远远观望。Open-Sora Plan用实际行动证明：中国团队完全有能力做出世界级的开源视频生成项目。
北大-兔展AIGC联合实验室的这次尝试，不仅仅是技术层面的突破，更代表了一种"开源精神"——技术不应该只掌握在少数巨头手里，每个愿意学习、愿意贡献的人，都应该有机会参与塑造AI的未来。
从v1.0到v1.5，团队持续开源了所有训练代码、模型权重、技术报告，甚至包括数据处理流程。这种透明度，在AI领域尤其是视频生成领域，是非常难得的。
当然，挑战依然存在：完全基于昇腾NPU的路线限制了它的受众范围（国内开发者为主），长视频生成能力与Sora仍有差距，生成视频的一致性和物理合理性也还有提升空间。
但正如项目README中所写："We hope the open source community contribute to this project."——这不仅仅是一句客套话，而是北大团队真正在践行的开源承诺。
如果你对AI视频生成感兴趣，无论是研究者、开发者还是爱好者，Open-Sora Plan都是2024-2025年最值得关注和学习的开源项目之一。
项目主页：https://github.com/PKU-YuanGroup/Open-Sora-Plan
最新版本：v1.5.0（2025年6月）
星标数：12000+（截至分析日期）